Кіріспе

Компьютердің қолмен жазылған мәтіндегі нақты әріптер мен сөздерді тани отырып, түсінікті қолжазбаны қабылдау және түсіндіру қабілеті. Қолжазбаны тану (HWR), сондай-ақ қолжазба мәтінін тану (HTR) деп аталады, бұл компьютердің қағаз құжаттары, фотосуреттер, сенсорлық экрандар және басқа да құрылғылар сияқты көздерден түсінікті қолжазбаны қабылдау және түсіндіру мүмкіндігі. Жазылған мәтіннің бейнесі қағаздан "желіден тыс" оптикалық сканерлеу (оптикалық таңбаларды тану) немесе интеллектуалды сөздерді тану арқылы алынуы мүмкін. Балама ретінде, қалам ұшының қозғалысы "желіде", мысалы, қаламға негіделген компьютер экраны арқылы сезілуі мүмкін, бұл көбінесе оңайырақ, себебі көбірек мәліметтер бар. Қолжазбаны тану жүйесі форматтауды басқарады, әріптерге дұрыс бөлуді жүзеге асырады және мүмкіндігінше көп сөздерді анықтайды.

Желіден тыс тану

Қолжазбаны офлайн тану – суреттегі мәтінді компьютерде және мәтін өңдеу бағдарламаларында пайдалануға болатын әріптік кодтарға автоматты түрде түрлендіруді қамтиды. Осы тәсілмен алынған деректер қолжазбаның статикалық бейнесі деп есептеледі. Офлайн қолжазбаны тану салыстырмалы түрде қиын, себебі әр адамның қолжазба стилі әртүрлі болады. Бүгінгі күнге дейін, OCR жүйелері көбінесе машинамен басылған мәтінге және қолмен "жазылған" (ірі әріптермен жазылған) мәтінге арналған ICR-ге бағытталған.

Таңбаларды алу

Офлайн таңбаларды тану көбінесе нысанды немесе құжатты сканерлеуді қамтиды. Бұл сканерленген суреттегі жеке таңбаларды бөліп алу қажеттігін білдіреді. Бұл қадамды орындауға қабілетті құралдар бар. Дегенмен, осы қадамда бірнеше жиі кездесетін кемшіліктер бар. Ең көп таралғаны – бір-бірімен қосылған таңбалар екі таңбадан тұратын бір сурет ретінде беріледі. Бұл тану кезеңінде үлкен қиындық тудырады. Бірақ, байланысқан таңбалардың пайда болу қаупін азайтатын көптеген алгоритмдер қолжетімді.

Таңбаларды тану

Жеке символдар бөліп алынғаннан кейін, оған сәйкес келетін компьютерлік символды анықтау үшін тану машинасы қолданылады. Қазіргі таңда бірнеше түрлі тану техникасы қол жетімді.

Белгілерді алу

Белгілерді алу жүйке желілерімен тану сияқты жұмыс істейді. Бірақ бағдарламашылар өздері маңызды деп санайтын ерекшеліктерді қолмен анықтауы тиіс. Бұл тәсіл тану жүйесіне идентификацияда қолданылатын ерекшеліктерді толығырақ бақылауға мүмкіндік береді. Дегенмен, осы әдісті қолданатын кез келген жүйенің құрастыруы жүйке желісімен салыстырғанда әлдеқайда көп уақытты қажет етеді, себебі ерекшеліктер автоматты түрде үйренбейді.

Қазіргі заманғы техника

Дәстүрлі әдістер жеке таңбаларды тану үшін бөліп қарастырса, қазіргі заманғы әдістер мәтіннің бөлінген жолындағы барлық таңбаларды тануға бағытталған. Атап айтқанда, олар бұрын қолданылған шектеулі ерекшеліктерді жасаудан аулақ болып, визуалды ерекшеліктерді үйрене алатын машиналық оқыту әдістеріне назар аударады. Қазіргі заманғы жаңа әдістер мәтін жолының бірнеше үстіртен жабатын терезелерінен визуалды ерекшеліктерді алу үшін жинақтамалық желілерді пайдаланады, ал қайталанатын нейрондық желі оларды таңбалардың ықтималдығын шығару үшін қолданады.

Жабдық

1980 жылдардың басында қолжазбаны тануды клавиатуралық енгізуді алмастыруға арналған коммерциялық өнімдер пайда болды. Мысалы, Pencept Penpad және Inforite сату терминалы сияқты қолжазба терминалдары. Жеке компьютерлер нарығының кеңеюімен, жеке компьютердегі клавиатура мен тышқанды бір ғана көрсеткіш/қолжазба жүйесімен алмастыруға арналған бірнеше коммерциялық өнімдер енгізілді, мысалы Pencept, CIC және тағы да басқалар. Коммерциялық сатылымға шыққан алғашқы планшет типті портативті компьютер 1989 жылдың қыркүйегінде GRiD Systems компаниясының GRiDPad болды. Оның операциялық жүйесі MS DOS негізінде құрылған. 1990 жылдардың басында NCR, IBM және EO сияқты аппараттық өндірушілер GO Corp. әзірлеген PenPoint операциялық жүйесінде жұмыс істейтін планшет компьютерлерін шығарды. PenPoint қолжазбаны тану және жесттерді кеңінен пайдаланды және үшінші тарапты бағдарламалық жасақтама үшін мүмкіндіктер ұсынды. IBM-нің планшет компьютері алғаш рет ThinkPad атауын қолданды және IBM-нің қолжазбаны тану жүйесін пайдаланды. Бұл тану жүйесі кейіннен Microsoft Windows for Pen Computing және IBM Pen for OS/2 жүйелеріне көшірілді. Олардың ешқайсысы коммерциялық сәттілікке жете алмады. Электрониканың жетістіктері қолжазбаны тану үшін қажетті есептеу қуатын планшет компьютерлерінен кішірек құрылымдық факторға сыйғызуға мүмкіндік берді, ал қолжазбаны тану жиі қолмен ұсталатын PDA-лар үшін енгізу әдісі ретінде қолданылады. Жазбаша енгізуді қамтамасыз еткен алғашқы PDA Apple Newton болды, ол көпшілыққа ыңғайлы пайдаланушы интерфейсінің артықшылықтарын көрсетті. Алайда, құрылғы коммерциялық сәттілікке жете алмады, себебі бағдарламалық жасақтама пайдаланушының жазу үлгісін үйренуге тырысты, бірақ сенімділігі жеткіліксіз болды. Newton OS 2.0 шығарылған кезде, қолжазбаны тану айтарлықтай жақсартылды, соның ішінде қазіргі тану жүйелерінде кездеспейтін ерекше мүмкіндіктер, мысалы, модельсіз қателерді түзету, бірінші әсер көбінесе жағымсыз болды. Apple Newton тоқтатылғаннан кейін бұл мүмкіндік Mac OS X 10.2 және одан кейінгі нұсқаларында Inkwell ретінде енгізілді. Palm кейіннен Graffiti тану жүйесіне негізделген PDA-лардың табысты сериясын шығарды. Graffiti әр таңба үшін "бір штрих" немесе бір штрихты формаларды анықтап, пайдаланушылықты жақсартты. Бұл қате енгізу мүмкіндігін азайтты, бірақ штрих үлгілерін жаттау пайдаланушы үшін оқу қисығын арттырды. Graffiti қолжазбасын тану жүйесі Xerox компаниясының патентына қарсы бұзушылық жасады, Palm Graffiti орнына CIC қолжазбасын танудың лицензиялық нұсқасын енгізді, ол бір штрихты формаларды қолдайтын болғанымен, Xerox патентына дейін жатқан. Соттың бұзушылық туралы шешімі апелляцияда күшін жойды, содан кейін келесі апелляцияда қайта күшін жойды. Бұрынғы тараптар осы және басқа да патенттер бойынша келісімге келді. Tablet PC – бұл дигитайзерлік планшеті мен қаламы бар ноутбук компьютері, ол пайдаланушыға құрылғы экранында мәтінді қолмен жазуға мүмкіндік береді. Операциялық жүйе қолжазбаны таниды және оны мәтінге айналдырады. Windows Vista және Windows 7 жүйелерінде пайдаланушының ағылшын, жапон, дәстүрлі қытай, оңайлатылған қытай және корей тілдеріндегі жазу үлгілерін немесе сөздіктерін үйренетін жекелендіру мүмкіндіктері бар. Бұл мүмкіндіктерге "жекелендіру шебері" кіреді, ол пайдаланушының қолжазба үлгілерін сұрайды және оларды жүйені жоғары дәлдікпен тану үшін қайта оқытады. Бұл жүйе Windows Mobile OS-те қолданылатын қолжазбаны тану жүйесінен ерекшеленеді. Қолжазбаны тану – бұл көпшілікке таныс енгізу формасы болғанымен, ол үстелдік компьютерлерде де, ноутбуктерде де кеңінен қолданылмады. Клавиатуралық енгізу жылдам және сенімді деп әлі де қабылданады. 2006 жылдан бастап көптеген PDA қолжазба енгізуді ұсынады, кейде тіпті табиғи қалампыр жазуды да қабылдайды, бірақ дәлдік әлі де проблема болып табылады, ал кейбір адамдар қарапайым экрандық клавиатураны тиімдірек деп санайды.

Бағдарламалық жасақтама

Алғашқы бағдарламалық қамтамасыз ету бөлінген әріптері бар баспа қолжазбасын түсіне алды; алайда, жалғасқан әріптері бар курсивті қолжазба Саир парадоксын тудырды, бұл әріптерді бөліп тануға қатысты қиындық. 1962 жылы Шелия Губерман, сол кезде Мәскеуде болған, үлгіні танудың алғашқы қолданбалы бағдарламасын жазды. Коммерциялық үлгілер Communications Intelligence Corporation және IBM сияқты компаниялардан келді. 1990 жылдардың басында екі компания – ParaGraph International және Lexicus – жалғасқан қолжазбаны тануға қабілетті жүйелер жасады. ParaGraph Ресейде орналасқан және компьютер ғалымы Степан Пачиков құрған, ал Lexicus Стэнфорд университетінің студенттері Ронжон Наг пен Крис Кортге құрған. ParaGraph CalliGrapher жүйесі Apple Newton жүйелерінде қолданылды, ал Lexicus Longhand жүйесі PenPoint және Windows операциялық жүйелері үшін коммерциялық түрде қолжетімді болды. Lexicus 1993 жылы Motorola компаниясымен сатып алынды және Motorola үшін қытай қолжазбасын тану және мәтінді болжау жүйелерін әзірлеуді жалғастырды. ParaGraph 1997 жылы SGI компаниясымен сатып алынды, ал оның қолжазбаны тану тобы P&I бөлімін құрды, кейіннен SGI-ден Vadem сатып алды. Microsoft 1999 жылы P&I компаниясы Vadem-нен әзірлеген CalliGrapher қолжазбасын тану және басқа да сандық сия технологияларын сатып алды. Wolfram Mathematica (8.0 немесе одан кейінгі нұсқалары) қолжазба немесе мәтінді тану функциясы TextRecognize-ды да ұсынады.

Зерттеу

[[File:Address Recognition.png|thumbnail|Саргур Шрихари және Джонатан Халл әзірлеген алғашқы қолжазбалы мекенжайды түсіндіру жүйесінде контекстік ақпаратты пайдалануға арналған әдіс. Атап айтқанда, Алекс Грейвс және авторлар тобының екі бағытты және көп өлшемді ұзақ мерзімді жад (LSTM) 2009 жылғы Халықаралық құжаттарды талдау және тану конференциясында (ICDAR) қолжазбаларды тану бойынша үш жарыста жеңіске жетті, ал бұл үш тіл (француз, араб, парсы) туралы алдын ала білімсіз болды. IDSIA-дағы Дэн Сиресан және әріптестерінің GPU-ға негізделген терең оқыту әдістері feedforward желілері үшін ICDAR 2011 офлайн қытай қолжазбасын тану байқауында жеңімпаз атанды; олардың нейрондық желілері сондай-ақ Нью-Йорк университетіндегі Янн ЛеКун және әріптестерінің танымал MNIST қолжазба цифрлары мәселесінде адам деңгейінде бәсекелесе білген алғашқы жасанды үлгі тану жүйелері болды. Уорвик университетінің Бенджамин Грэм 2013 жылғы қытай қолжазбасын тану байқауында тек 2,61% қателікпен жеңіп алды, осы үшін ол 2017 жылға қарай "сиректі түйіспелі нейрондық желілерге" (sparse convolutional neural networks) айналған түйіспелі нейрондық желілерге (convolutional neural networks) қатысты әдіс қолданды.