Оптическое распознавание текста (OCR)

OCR — класс технологий, позволяющих компьютеру «прочитать» текст, зафиксированный в растровом изображении: на фотографии, скане бумажного документа или стоп-кадре видео. Результатом является последовательность Unicode-символов, которую можно редактировать, искать и обрабатывать программно.

Исторически OCR опирался на шаблонное сопоставление и выделение геометрических признаков — линий, дуг, замкнутых контуров. Современные системы основаны на глубоком обучении: свёрточные нейросети выделяют пространственные признаки, трансформерные декодеры переводят их в текст. Применяется двустадийный подход — детектирование строк и слов (модели DBNet, EAST), затем их распознавание (CRNN, TrOCR от Microsoft). Промышленные решения — Google Cloud Vision API, Azure AI Vision, Amazon Textract — поддерживают сотни языков, включая рукописный текст.

OCR лежит в основе цифровизации архивов, автоматической обработки счетов и договоров, а также обеспечения доступности контента для людей с нарушениями зрения. По данным отраслевых аналитиков, мировой рынок OCR к 2025 году превысил $14 млрд; внедрение OCR-конвейеров сокращает объём ручного ввода данных в компаниях на 60–80%.

К 2026 году граница между OCR и многомодальными большими языковыми моделями размывается: GPT-4o, Gemini и Claude воспринимают изображения и извлекают текст без отдельного OCR-модуля. Тем не менее специализированные решения — PaddleOCR, Tesseract 5.x с LSTM-бэкендом, Surya — сохраняют преимущество в скорости и точности на структурированных документах при пакетной обработке миллионов страниц.

Пример

“Банк автоматически извлекает реквизиты из загруженных клиентом фотографий паспорта с помощью Azure AI Form Recognizer, сокращая время верификации документа с нескольких минут до секунд.