OCR Qanday Ishlaydi — Ichki Arxitektura

2-bob 2 kod bloki 551 so'z

Nega ichki tuzilishni bilish kerak?

Mashinani haydash uchun dvigatel qurilishini bilish shart emas. Lekin qaysi mashinani sotib olishni tanlayotganda — bilgan yaxshi. OCR bilan ham shunday: ichki arxitekturani tushunsangiz, "nega Tesseract jadvalni buzib o'qiyapti?", "nega VLM qo'lyozmani yaxshi o'qiydi?" degan savollarga o'zingiz javob topasiz.

To'rt bosqichli pipeline

Zamonaviy OCR tizimlari to'rt bosqichdan o'tadi:

Rasm
  |
  v
[1. PREPROCESSING]        rasmni tozalash va to'g'irlash
  |                       (kulrang, shovqin, qiyshiqlik)
  v
[2. TEXT DETECTION]       matn QAYERDA? — bloklarni topish
  |                       (har bir so'z/qator uchun ramka)
  v
[3. TEXT RECOGNITION]     matn NIMA deydi? — belgilarni o'qish
  |                       (har bir ramka ichini matnga aylantirish)
  v
[4. POST-PROCESSING]      xatolarni tuzatish
  |                       (til modeli, lug'at)
  v
Matn

Har bir bosqichni ochib ko'ramiz.

1-bosqich: Preprocessing

Rasm sifatini oshirish: kulrang qilish, shovqinni olib tashlash, kontrastni kuchaytirish, qiyshiqlikni to'g'rilash. Bu bosqich shunchalik muhimki, unga alohida bob ajratganmiz (3-bob). Hozircha bitta raqam: yaxshi preprocessing aniqlikni 10-30% ga oshirishi mumkin.

2-bosqich: Text Detection — matn qayerda?

Sahifada matn qayerda joylashgan? Bu savol ko'ringanidan qiyin: matn ustunlarda bo'lishi, rasm atrofida oqishi, jadval ichida turishi, qiyshiq yozilgan bo'lishi mumkin.

Ikki avlod yechim:

• Klassik (Tesseract): sahifani qatlamlarga ajratish (layout analysis) — bo'sh joylar bo'yicha ustun/paragraf/qator chegaralarini topish. Toza hujjatda zo'r, murakkab dizaynda adashadi.
• Deep learning (CRAFT, DB): neyron tarmoq har bir piksel uchun "bu matnning bir qismimi?" deb baholaydi, keyin qo'shni piksellar so'z ramkalariga birlashtiriladi. EasyOCR va PaddleOCR shu usulda ishlaydi — egri, qiyshiq, sochilgan matnni ham topadi.

3-bosqich: Text Recognition — matn nima deydi?

Ramka ichidagi piksellar ketma-ketligini belgilarga aylantirish. Bu OCR ning "yuragi". Ikki asosiy yondashuv:

CTC (Connectionist Temporal Classification) — Tesseract 4+, PaddleOCR:

Rasm ustunlar ketma-ketligi sifatida o'qiladi (chapdan o'ngga):

[ustun][ustun][ustun][ustun][ustun] ...
   |      |      |      |      |
   v      v      v      v      v
  CNN + LSTM har ustun uchun belgi ehtimolini beradi:
   S      SS     h      a      rr    ...
   |
   v CTC decoding: takrorlarni birlashtirish
  "Shar..."

Tez va aniq, lekin qat'iy chapdan-o'ngga o'qiydi — murakkab layout va qo'lyozmada qiynaladi.

Attention / Transformer (TrOCR, VLM lar) — rasm patch larga bo'linadi, dekoder xuddi LLM matn generatsiya qilgandek belgilarni birma-bir chiqaradi, har qadamda rasmning kerakli joyiga "qaraydi" (attention). RAG qo'llanmasi 15-bobida ko'rgan attention mexanizmining o'zi — faqat matn tokenlariga emas, rasm bo'laklariga qaratilgan.

Bu oila kuchliroq: kontekstni ishlatadi ("Toshk_nt" ni ko'rib "Toshkent" deb o'qiydi), qo'lyozmani yaxshiroq tushunadi. Evaziga sekinroq.

4-bosqich: Post-processing

Xom natijani tuzatish:

• Lug'at tekshiruvi: "0'zbekist0n" → "O'zbekiston" (nol harfi O ga)
• Til modeli: "shaxtnoma" → "shartnoma" (kontekst bo'yicha)
• Format qoidalari: sana, raqam, seriya formatlarini tiklash

VLM larda bu bosqich "ichiga qurilgan" — model o'zi til modeli bo'lgani uchun o'qish paytidayoq tuzatadi. Bu ham kuch (toza natija), ham xavf (haddan ortiq "tuzatib", asl matnni o'zgartirib yuborishi mumkin — 6-bobda gaplashamiz).

Ikki avlod: yonma-yon

Xulosa