ទាញយកអក្សរពីរូបភាព (OCR) និងកែរបៀប

អំពីកម្មវិធីនេះ

ទំព័រនេះទាញយកអត្ថបទខ្មែរចេញពីរូបភាព។ ទម្លាក់រូបថត ឬរូបភាពអេក្រង់នៃម៉ឺនុយ ផ្លាកសញ្ញា បង្កាន់ដៃ ទំព័របោះពុម្ព ឬទម្រង់ស្កេន ហើយអត្ថបទដែលស្គាល់បាន នឹងបង្ហាញក្នុងប្រអប់ដែលកែបាន ដែលអ្នកអាចកែ ចម្លង ឬបកប្រែជាភាសាអង់គ្លេសដោយចុចម្តងទៀត។ វាដោះស្រាយទាំងអក្សរខ្មែរ និងអង់គ្លេសលាយគ្នា រក្សារូបភាពនីមួយៗជាលទ្ធផលដាច់ដោយឡែក ដើម្បីឲ្យអ្នកអាចធ្វើច្រើនរូបក្នុងវគ្គតែមួយ ហើយអនុញ្ញាតឲ្យអ្នកលុបរូបដែលមិនត្រូវការ។ វាសម្រាប់ករណីប្រចាំថ្ងៃ ដែលពាក្យមានតែជាភីកសែល៖ ម៉ឺនុយដែលអ្នកចង់អានមុនកុម្ម៉ង់ សេចក្តីជូនដំណឹងដែលថតក្នុងច្រករបៀង វិក្កយបត្រអ្នកផ្គត់ផ្គង់ ទំព័រសៀវភៅសិក្សា ឬរូបភាពអេក្រង់នៃការសន្ទនា។ ការស្គាល់អក្សរដំណើរការក្នុងកម្មវិធីរុករករបស់អ្នក ហើយរូបភាពមិនត្រូវបានផ្ទុកឡើងទេ។ ជំហានបកប្រែខុសគ្នា ហើយពិតជាចេញពីឧបករណ៍របស់អ្នក៖ អត្ថបទដែលអ្នកទាញយកបាន ត្រូវផ្ញើទៅការបកប្រែរបស់ Google ដូច្នេះសំណួរអំពីភាពឯកជនខាងក្រោម គួរអានមុនពេលប្រើលើអ្វីដែលរសើប។

របៀបដំណើរការ

ការទាញយកអត្ថបទគឺ `extractTextFromImage` ក្នុង `translation-source-input.client.ts`។ វាផ្ទុក `tesseract.js` បង្កើត worker ជាមួយទិន្នន័យភាសាអង់គ្លេស និងខ្មែរ (`createWorker([eng, khm])`) ផ្ញើឯកសារទៅ `worker.recognize` កាត់ចន្លោះលទ្ធផល ហើយបញ្ចប់ worker ក្នុងប្លុក `finally` ដើម្បីកុំឲ្យការដំណើរការបរាជ័យ បន្សល់ worker មួយ។ ព្រោះវាកើតឡើងក្នុងទំព័រ មិនមែនលើម៉ាស៊ីនមេ រូបភាពត្រូវអានក្នុងឧបករណ៍ ហើយទិន្នន័យភាសា និងម៉ាស៊ីន WebAssembly ត្រូវទាញយកទៅកម្មវិធីរុករក នៅពេលអ្នកប្រើវាលើកដំបូង។ ប្រភេទដែលទទួលគឺ JPEG PNG WebP និង GIF ហើយដែនកំណត់ទំហំគឺ ១០ MB ដែលពិនិត្យមុនពេល worker ចាប់ផ្តើម។ អត្ថបទដែលស្គាល់បាន ចូលទៅក្នុងវត្ថុលទ្ធផលមួយក្នុងមួយរូបភាព ដែលផ្ទុកឈ្មោះឯកសារ និងទំហំផងដែរ ហើយប្រអប់កែបាន ដើម្បីឲ្យអ្នកកែអក្សរដែលអានខុស មុនធ្វើអ្វីផ្សេង។ ប៊ូតុងបកប្រែហៅ `translateHtml` ពី `translate-api.client.ts` ដែលផ្ញើអត្ថបទទៅ `translate-pa.googleapis.com` ជាកំណាត់ប្រហែល ១,០២៤ តួអក្សរ ជាមួយកូនសោ API សាធារណៈដែលបានកំណត់សម្រាប់គេហទំព័រនេះ។ ប៊ូតុងចម្លងចម្លងខាងណាមួយដែលអ្នកជ្រើស គឺអត្ថបទដើម ឬអត្ថបទបកប្រែ។ អត្ថបទដែលបានស្គាល់គឺ Unicode ដែលឧបករណ៍សម័យថ្មីទាំងអស់ទទួល។ បើទំព័រដែលបានស្កែនសរសេរក្នុងពុម្ពចាស់ដូចជា Limon, ABC-Zwsp ឬ Khek ហើយអ្នកត្រូវការវាក្នុងកូដនោះវិញ — ឬអ្នកមានអត្ថបទកូដចាស់ត្រូវអាន — khmer-legacy-to-unicode-converter និង khmer-unicode-to-legacy-converter គ្របទិសទាំងពីរ។

ករណីប្រើប្រាស់

• អានម៉ឺនុយខ្មែរដែលថតដោយទូរស័ព្ទ មុនពេលកុម្ម៉ង់ម្ហូប
• បំប្លែងសេចក្តីជូនដំណឹង ឬផ្លាកសញ្ញាដែលថតបាន ទៅជាអត្ថបទដែលស្វែងរក និងបិទភ្ជាប់បាន
• ធ្វើឌីជីថលវិក្កយបត្រ ឬបង្កាន់ដៃខ្មែរដែលបោះពុម្ព ដើម្បីចម្លងចំនួនទៅសៀវភៅបញ្ជី
• ទាញយកអត្ថបទពីរូបភាពអេក្រង់នៃការសន្ទនាខ្មែរ ដើម្បីឆ្លើយតបក្នុងឯកសារ
• ទាញយកទំព័រសៀវភៅសិក្សាខ្មែរ ដើម្បីបកប្រែ និងរៀនមួយប្រយោគម្តងៗ
• ចម្លងអាសយដ្ឋានដែលសរសេរជាភាសាខ្មែរពីរូបថត ទៅទម្រង់ ដោយមិនវាយឡើងវិញ
• ថតរូបភាពអេក្រង់ទំព័រ PDF ដែលចាក់សោ ហើយយកអត្ថបទចេញពីរូបភាព

សំណួរដែលគេសួរញឹកញាប់

• តើរូបភាពរបស់ខ្ញុំចេញពីកម្មវិធីរុករកឬទេ?

  ទេ សម្រាប់ជំហានស្គាល់អក្សរ។ OCR ដំណើរការក្នុងកម្មវិធីរុករករបស់អ្នក ជាមួយ Tesseract.js ដូច្នេះរូបភាពខ្លួនឯងមិនត្រូវផ្ទុកឡើងទៅគេហទំព័រនេះ ឬសេវា OCR ណាមួយទេ។ អ្វីដែលចេញពីឧបករណ៍របស់អ្នកគឺអត្ថបទ ហើយតែបើអ្នកចុចបកប្រែប៉ុណ្ណោះ។ បើរូបភាពមានអ្វីសម្ងាត់ សូមទាញយក និងចម្លងដោយមិនបកប្រែ។

• តើវាប្រើម៉ាស៊ីន OCR ណា?

  Tesseract.js ដែលជាកំណែ WebAssembly នៃ Tesseract ផ្ទុកជាមួយទិន្នន័យភាសាអង់គ្លេស និងខ្មែរ។ វាត្រូវបង្កើតថ្មីសម្រាប់រូបភាពនីមួយៗ ហើយបញ្ចប់ក្រោយប្រើ ដែលជាហេតុដែលការដំណើរការលើកដំបូងក្នុងវគ្គមួយ យឺតជាងលើកបន្ទាប់។ គ្មានអ្វីត្រូវផ្ញើទៅក្រុមហ៊ុន OCR លើពពកទេ ហើយគ្មានគណនី កូតា ឬកូនសោត្រូវការសម្រាប់ការស្គាល់អក្សរនោះទេ។

• តើ OCR ខ្មែរមានភាពត្រឹមត្រូវប៉ុណ្ណា?

  វាអាស្រ័យយ៉ាងខ្លាំងលើរូបភាព។ អត្ថបទខ្មែរបោះពុម្ពដែលស្កេនច្បាស់ មានពន្លឺល្អ និងកម្រិតពណ៌ខ្ពស់ ស្គាល់បានល្អ។ រូបថតទូរស័ព្ទកម្រិតទាប ទំព័រមានស្រមោល និងអេក្រង់ដែលថតបាន បាត់បង់ភាពត្រឹមត្រូវយ៉ាងឆាប់រហ័ស។ អក្សរខ្មែរពិបាកជាងអក្សរឡាតាំងសម្រាប់ OCR ព្រោះព្យញ្ជនៈជាន់គ្នាជាអក្សរជើង ស្រៈព័ទ្ធជុំវិញព្យញ្ជនៈ ហើយពាក្យមិនបំបែកដោយចន្លោះ។ សូមរំពឹងថាត្រូវកែ ជាជាងទទួលយក។

• តើវាអានអក្សរសរសេរដោយដៃបានទេ?

  បានតិចតួច។ Tesseract ត្រូវបានបង្ហាត់លើអត្ថបទបោះពុម្ព ហើយអក្សរសរសេរដោយដៃខ្មែរធម្មតា គឺឆ្ងាយពីអ្វីដែលវាដោះស្រាយបានល្អ។ កំណត់ត្រាសរសេរដោយដៃ ជាធម្មតាត្រឡប់មកជាបំណែក។ អត្ថបទបោះពុម្ពដែលថតពីមុំជម្រាល នៅតែល្អជាងទំព័រសរសេរដោយដៃដ៏ច្បាស់។

• តើដែនកំណត់ឯកសារជាអ្វី?

  រូបភាពត្រូវតែ ១០ MB ឬតូចជាងនោះ ហើយប្រភេទដែលទទួលគឺ JPEG PNG WebP និង GIF។ ទំហំត្រូវពិនិត្យមុនពេល worker ចាប់ផ្តើម ដូច្នេះឯកសារធំពេក បរាជ័យភ្លាមៗជាមួយសារ ជាជាងរង់ចាំយូរ។ ទំហំរូបភាពធំខ្លាំងមិនត្រូវបានបង្រួមជូនទេ ដូច្នេះរូបថត ៥០ មេហ្គាភិកសែល នឹងយឺត ទោះនៅក្រោមដែនកំណត់ទំហំ។

• តើអត្ថបទបកប្រែទៅណាពិតប្រាកដ?

  ទៅ Google។ ប៊ូតុងបកប្រែផ្ញើតួអក្សរដែលទាញយកបាន ទៅ `translate-pa.googleapis.com` ដោយប្រើកូនសោបកប្រែសាធារណៈដែលបានកំណត់សម្រាប់គេហទំព័រនេះ ជាកំណាត់ប្រហែល ១,០២៤ តួអក្សរ។ នោះជាសេវាភាគីទីបី ដូច្នេះអត្ថបទស្ថិតក្រោមការគ្រប់គ្រងរបស់ Google ជាជាងនៅក្នុងឧបករណ៍របស់អ្នក។ ដូច្នេះជំហានស្គាល់អក្សរ និងជំហានបកប្រែ មានចម្លើយខុសគ្នាអំពីភាពឯកជន។

• ចុះបើឯកសារប្រើពុម្ពអក្សរលីម៉ុន?

  លីម៉ុនចាស់ជាការអ៊ិនកូដខុសពីខ្មែរយូនីកូដ ហើយម៉ូដែលខ្មែរត្រូវបានបង្ហាត់លើអក្សរយូនីកូដ ដូច្នេះទំព័រដែលប្រើលីម៉ុន ជាធម្មតាត្រឡប់មកជាអក្សរគ្មានន័យ។ ដំណោះស្រាយគឺបំប្លែងប្រភពទៅយូនីកូដជាមុន ដោយប្រើឧបករណ៍បំប្លែងលីម៉ុនទៅយូនីកូដ ឬបិទភ្ជាប់លទ្ធផលទៅឧបករណ៍នោះ បើអក្សរចេញមកជារូបរាងឡាតាំង។ ឯកសារយូនីកូដស្កេនបានល្អជាងច្រើន។

• តើខ្ញុំអាចដំណើរការរូបភាពច្រើនក្នុងពេលតែមួយបានទេ?

  ម្តងមួយ ប៉ុន្តែលទ្ធផលនីមួយៗត្រូវរក្សាទុក។ ការផ្ទុកឡើង ឬបិទភ្ជាប់នីមួយៗ បន្ថែមលទ្ធផលថ្មី ជាមួយឈ្មោះឯកសារ ទំហំ អត្ថបទកែបាន និងការបកប្រែរៀងៗខ្លួន ដូច្នេះអ្នកអាចធ្វើការតាមរូបថតជាច្រើនក្នុងវគ្គតែមួយ។ លទ្ធផលនីមួយៗមានប៊ូតុងលុបផ្ទាល់ខ្លួន ហើយគ្មានអ្វីត្រូវរក្សាទុក ពេលអ្នកចាកចេញពីទំព័រ។

ទិន្នន័យ និងភាពជាក់លាក់

មាតិកាត្រូវបានពិនិត្យឡើងវិញចុងក្រោយ ថ្ងៃទី 21 តុលា 2026