Программа работает на одном рабочем месте
Сотрудник вручную загружает файлы в окно, а нужен сервис: приём из почты и папок, очередь, программный интерфейс, журнал и повтор после сбоя.
OCR-системы на заказ: распознавание текста со сканов, фотографий и PDF в вашем контуре
OCR-система превращает картинку в текст: скан, фотографию или PDF-страницу без текстового слоя. Разрабатываем её на заказ как сервис в вашем контуре: принимает файлы, готовит изображение, распознаёт русский текст и отдаёт результат со словами, координатами и уровнем уверенности. Движок выбираем по замеру на ваших страницах: на чужих чистых документах хорошо читают все.
Пилот на вашей выборке — от 150 000 ₽Работает на ваших серверах, документы наружу не уходятИсходный код и настройки в вашем репозитории с первого коммита
С чем приходят
Когда готовой программы распознавания уже недостаточно
Облачный распознаватель не подходит по данным
В документах данные ограниченного доступа: договоры, личные дела, техническая документация. Облачные сервисы для них чаще не подходят по требованиям заказчика, нужен движок на вашем сервере.
Читает, но не то, что нужно
Общая точность хорошая, а ошибки сидят в номерах, артикулах и суммах. Штампы поверх текста, мелкий шрифт и снимки под углом ломают именно ключевые символы.
Нужен не текст, а поиск по архиву
Архив лежит картинками, и найти в нём письмо или чертёж по слову нельзя. Нужен текстовый слой и индекс, а не ввод полей в учёт.
Источники
Что приходит на вход: шесть типов изображений и где они ломаются
Для каждого типа в выборке нужны свои страницы: среднее по всем скрывает слабое место. Если вам нужны не просто текст, а поля в учёте, это уже интеллектуальная обработка документов.
Тип источника
Что приходит
Что делаем с изображением
Где ломается
Тип источникаСкан на офисном устройстверовная страница
Что приходитЧистые страницы разного разрешения, иногда двусторонние, со скрепками и перегибами
Что делаем с изображениемПоворот, выравнивание, очистка фона; разрешение приводим к рабочему, около 300 dpi
Где ломаетсяТёмные поля, тень от переплёта, выцветшая печать, сжатие с потерями
Тип источникаФотография с телефонаперекос, тени, пальцы
Что приходитКадр с перспективой, неравномерным светом и размытием
Что делаем с изображениемПоиск границ страницы, исправление перспективы, выравнивание яркости
Где ломаетсяРазмытие и блики съедают мелкий шрифт; нужен отказ с просьбой переснять
Тип источникаPDF с текстом и безпроверка слоя
Что приходитЧасть файлов уже содержит текст, часть — только картинки
Что делаем с изображениемСначала проверяем текстовый слой: если он есть и корректный, распознавание не нужно
Где ломаетсяСлой есть, но содержит нечитаемые символы, и его принимают за хороший
Тип источникаУзкие чеки и этикеткитермобумага
Что приходитМелкий моноширинный шрифт, выцветание, длинная лента
Что делаем с изображениемУвеличение, усиление контраста, нарезка ленты на фрагменты
Где ломаетсяБледная печать, похожие цифры (3 и 8, 0 и 6), обрезанные края
Тип источникаШильдики и маркировкаметалл, пластик, блики
Что приходитСерийные номера на оборудовании, выпуклые или выбитые знаки
Что делаем с изображениемСъёмка с подсветкой, подавление бликов, распознавание кодов по заданному алфавиту
Где ломаетсяБлики и износ; путаются похожие знаки, помогает только известный алфавит кода
Тип источникаРукописные вставкиподписи, пометки
Что приходитЗаметки на печатных страницах, заполненные от руки поля бланков
Что делаем с изображениемОтделение рукописи от печати и отдельная оценка
Где ломаетсяЧитается заметно хуже печати; без проверки человеком не обойтись
Конвейер
Что происходит с изображением до и после распознавания
Сам движок — одна стадия из пяти, и ошибки чаще возникают рядом с ним.
Качество распознавания складывается из подготовки изображения, самого движка и обработки результата. Если выбирать только движок, остальное остаётся на удачу.
Что делает система по порядку
- Приём и проверка файла. Тип, размер, число страниц, есть ли текстовый слой. Сломанные и пустые файлы получают понятную ошибку, а не зависают в очереди.
- Подготовка изображения. Поворот страницы, исправление наклона и перспективы, очистка фона, подгонка разрешения. Часто именно этот шаг даёт больший выигрыш, чем смена движка.
- Разбор страницы. Где текст, где таблица, где штамп, в каком порядке читать колонки. Без этого текст двух колонок смешивается в одну строку.
- Распознавание. Движок читает строки и возвращает слова с координатами и уверенностью.
- Обработка результата. Склейка переносов, нормализация пробелов и чисел, проверка по словарю и справочнику для известных полей.
На выходе сервис отдаёт то, что нужно вам: простой текст, текст с координатами слов, поисковый PDF (картинка страницы с невидимым текстовым слоем) или структуру с таблицами. Подсветка найденного слова на странице невозможна без координат, поэтому их сохраняем всегда.
Выбор подхода
Три пути: взять движок как есть, настроить или обучить на ваших образцах
Путь выбираем по результатам замера на вашей выборке, а не заранее. Как сравниваются движки, описано в статье «Как выбрать OCR для русского языка».
Путь
Когда достаточно
Что делаем
Что проверяем
ПутьОткрытый движок как естьчистая печать, поиск по тексту
Когда достаточноЧистые сканы, поисковые задачи, где ошибка в одном слове не критична
Что делаемСтавим движок (например, Tesseract или PaddleOCR), настраиваем языки и разрешение
Что проверяемДолю неверных символов на выборке и доли страниц с серьёзными потерями
ПутьДвижок плюс обработка и правиласамый частый путь
Когда достаточноСмешанные источники: сканы, фото, штампы, коды в тексте
Что делаемПодготовка изображения, разбор страницы, правила для полей и алфавитов, проверка по справочникам
Что проверяемОшибки по группам из выборки и по полям, которые нужны вам
ПутьДообучение на ваших образцахсвой шрифт, особая печать
Когда достаточноСпецифические шрифты, выцветшая печать, шильдики, нестандартные знаки
Что делаемРазмечаем образцы, дообучаем модель распознавания, сравниваем с базовой
Что проверяемВыигрыш на отложенной части, переобучение, цена разметки
ПутьМультимодальная модель на сложноенестандартные формы
Когда достаточноСтраницы со свободной вёрсткой, где правила не пишутся
Что делаемПодключаем языковую модель на ваших серверах для узкого круга страниц, остальное остаётся на движке
Что проверяемВыдуманные значения: сверяем результат с текстом движка и справочниками
Русский язык
Что в русском тексте ломается чаще всего
Эти случаи включаем в выборку специально, иначе они выплывут после запуска. Подробнее — в статье о выборе OCR.
- Кириллица и латиница. Буквы вроде «С», «О», «Р», «Х», «А» у двух алфавитов выглядят одинаково. В артикуле, номере договора и госномере ошибка тихая: поле выглядит правильным, но не находится в справочнике.
- Потерянная «ё». В документах её часто печатают как «е», а на скане точки теряются. Заранее решаем, где «ё» значима (фамилии), а где нет.
- Числа и даты. Пробел как разделитель разрядов, запятая как десятичный знак, разные формы даты, дефис вместо минуса. Приводим к одной форме и проверяем арифметикой: сумма строк равна итогу.
- Переносы и таблицы. Слово, перенесённое на другую строку, нужно склеить, а таблицу с объединёнными ячейками — разобрать отдельно от текста.
- Имена собственные. Словарь «исправляет» редкую фамилию на похожее слово. Для имён собственных исправление по словарю включаем только с проверкой.
Качество
Как измеряем качество и чего не обещаем
Приёмочные показатели записываются в договор до начала работ, по группам из выборки, а не одной цифрой.
Показатель
Что значит
Когда важен
Что не показывает
ПоказательДоля неверных символовCER
Что значитСчитается по расстоянию между эталоном и результатом
Когда важенПоиск по тексту, оцифровка архива, сравнение движков
Что не показываетЦену ошибки: одна цифра в сумме и опечатка в предлоге считаются одинаково
ПоказательДоля точно прочитанных полейпо нужным значениям
Что значитНомер, дата, сумма, артикул читаются целиком и верно
Когда важенКогда результат идёт в учёт или проверку
Что не показываетКачество чтения остального текста страницы
ПоказательДоля страниц на проверкупри выбранном пороге
Что значитСколько страниц уйдёт человеку при заданной уверенности
Когда важенРасчёт загрузки операторов и срока окупаемости
Что не показываетОшибки, в которых движок уверен
ПоказательВремя на страницускорость и поток
Что значитСколько страниц в час на выбранном сервере и при пиках
Когда важенВыбор сервера и очереди, обещания по срокам
Что не показываетКачество: быстрый результат может быть плохим
Встраивание
Как система живёт в вашей среде
Приём и очередь
Файлы приходят из почты, папок, сканеров или через программный интерфейс. Очередь с повторами выдерживает пики и сбои, повторная отправка не создаёт дубль.
Результат и поиск
Результат уходит в вашу систему или в индекс для поиска по архиву. Изображение и текст связаны, найденное слово подсвечивается на странице.
Проверка человеком
Страницы с низкой уверенностью попадают в очередь оператора, где значение подсвечено на изображении. Правки сохраняются как будущая эталонная выборка.
Контур и ресурсы
Система работает на ваших серверах. Нужна ли видеокарта, решаем по замеру и потоку страниц, а не по умолчанию; многие задачи с печатным текстом идут на процессоре.
Что делаем
Из чего состоит работа и сколько она стоит
Цены совпадают со страницей «Тарифы». Точная цена только у обследования, дальше вилка, которая сужается по его результатам. Остановиться можно после любой ступени.
Обследование: поток изображений и одна-две системы
Какие страницы приходят, откуда, в каком виде и куда должен попасть результат. Собираем и размечаем выборку, прогоняем кандидатов, считаем по группам. Вычитается из первого этапа, если продолжаете с нами.
200 000 ₽ · 2–3 недели
Обследование: несколько источников и систем
Почта, сканеры, мессенджеры, архив, 1С, СЭД вместе: схема обменов и матрица источников истины.
350 000 ₽ · 3–4 недели
Лёгкий пилот: одна группа страниц
Сервис распознавания для одной группы изображений на вашей выборке, замер по полям и символам, простой интерфейс проверки. Подходит для оцифровки части архива.
150 000–400 000 ₽ · 2–8 недель
Тяжёлый пилот: несколько групп, интеграция, очередь проверки
Подготовка изображений, разбор страниц, правила, обмен с вашей системой, очередь оператора, журнал правок.
400 000–1 200 000 ₽ · 2–3 месяца
Вывод в эксплуатацию
Опытная эксплуатация на живом потоке, мониторинг доли ручной проверки, регламент добавления новых шрифтов и форм, обучение операторов.
от 1 500 000 ₽ этапами по 300 000–700 000 ₽ · от 3 месяцев
Сопровождение
Мониторинг качества, разбор ошибочных страниц; плановые доработки с пакета на 60 000 ₽. Сверх пакета — 5 000 ₽ в час.
20 000 / 60 000 / 120 000 ₽ в месяц
Процесс
Как идёт работа
Неделя 1 — Выборка
Собираем страницы так, как они приходят: плохие фото, старые сканы, штампы. Эталон готовит ваш человек: только он знает правильный ответ.
Недели 1–3 — Замер кандидатов
Прогоняем два-три движка на выборке, считаем по группам и полям. Видим, на чём ошибаются и что можно починить обработкой.
Дальше — Сборка конвейера
Подготовка изображений, разбор страниц, правила и проверки. Показываем работающую версию на вашем стенде.
Приёмка — Протокол испытаний
Показатели по группам записаны до начала работ: доли неверных символов и точных полей, доля страниц на проверку, время на страницу.
Запуск — Опытная эксплуатация
Сначала параллельно с ручной работой, потом по группам: автоматически принимаются только прошедшие порог.
Дальше — Развитие или сопровождение
Новые шрифты, формы и источники добавляются отдельными этапами; сопровождение следит за качеством.
Цена
Что двигает цену внутри вилки
Качество изображений
Чистые сканы и фото в плохом свете — разные объёмы подготовки. Иногда дешевле поменять способ съёмки.
Число групп страниц
Каждая группа имеет свою выборку, свои правила и свой порог. Работа растёт по числу групп, а не по числу страниц.
Дообучение и разметка
Если базового качества не хватает, нужны размеченные образцы. Размечают ваши сотрудники, и это часто самая трудоёмкая часть.
Встраивание
Число источников и систем, очередь проверки, поиск по архиву и нагрузка добавляют работы.
Контроль
Что остаётся у вас и чего мы не делаем
Остаётся у вас
- Исходный код сервиса в вашем репозитории с первого коммита.
- Размеченная выборка, правила и настройки в виде файлов.
- Обученные модели и конфигурации: передаются по акту вместе с инструкцией развёртывания.
- Протокол испытаний с разбивкой по группам страниц и полям.
- Право остановиться после любой ступени.
Мы этого не делаем
- Не обещаем стопроцентной точности: человек остаётся в контуре там, где ошибка дорога.
- Не делаем программу для одного рабочего места и не продаём лицензии на готовый распознаватель.
- Не распознаём лица и не работаем с биометрией.
- Не проводим аттестацию, лицензии ФСТЭК у нас нет. Не берём работы дешевле 150 000 ₽ и не дежурим круглосуточно.
Граница
OCR, обработка документов и распознавание изображений: где граница
Если вам нужен только текст или поиск, это OCR. Если нужны поля в учёте (счёт, накладная, договор), добавляются разрезание пачек, определение типа, проверки и очередь оператора: это интеллектуальная обработка документов, а типовой путь для первичных бумаг описан на странице распознавания документов. Загрузка результата в учёт — отдельная задача: загрузка документов в 1С.
Если на картинке нужно не прочитать текст, а найти дефект, посчитать предметы или определить объект, это уже компьютерное зрение или видеоаналитика. Если после распознавания нужен вопрос-ответ по тексту, подключается поиск по документам. Что выбрать между движком и языковой моделью, объясняет статья «OCR или LLM для документов».
OCR-сервис часто становится первой стадией конвейера, поэтому формат результата с координатами и уверенностью закладываем сразу.
Инструменты
На чём собираем
Распознавание и подготовка
- Tesseract или PaddleOCR для печатного текста, выбор по замеру на вашей выборке
- OpenCV и аналоги для подготовки изображения: поворот, перспектива, очистка
- PyMuPDF и аналоги для текстового слоя и сборки поискового PDF
- Языковая модель на ваших серверах для узкого круга сложных страниц
Сервис и развёртывание
- Python, FastAPI, PostgreSQL
- Очередь на RabbitMQ или в PostgreSQL, S3-совместимое хранилище для файлов
- React для интерфейса проверки с подсветкой значения на странице
- Docker, Nginx, GitLab CI, мониторинг доли ручной проверки
Материалы
Материалы по теме
Как выбрать OCR для русского языка
Что в русском тексте ломает распознавание, какие бывают движки и как сравнивать их на своих страницах.
- Кириллица и латиница
- Типы движков
- Нормализация
OCR или LLM для распознавания документов
Три подхода, точность по полям и проверка от выдуманных значений.
- Три подхода
- Точность по полям
- Гибрид
Как измерить точность распознавания документов
Эталонная выборка, метрики по полям и таблицам, порядок приёмки.
- Эталон
- Метрики
- Приёмка
Заявка
Разберём ваш поток изображений и покажем, что реально распознать
Сорок минут созвона: что за страницы, в каком виде и в каком объёме приходят, куда нужен результат. По итогам скажем, с какой ступени начинать и в какую вилку это укладывается.
Вопросы
Частые вопросы: OCR-системы на заказ
Сколько стоит разработка OCR-системы?
Обследование стоит 200 000 ₽ (350 000 ₽ при нескольких источниках и системах). Лёгкий пилот на одной группе страниц — 150 000–400 000 ₽ за 2–8 недель, тяжёлый с интеграцией и очередью проверки — 400 000–1 200 000 ₽. Точную цену называем после обследования.
Чем OCR-система отличается от готовой программы распознавания?
Готовая программа рассчитана на рабочее место и общие случаи. Система на заказ принимает файлы из ваших источников, готовит изображения под ваши страницы, работает в вашем контуре, отдаёт результат в нужной форме и принимается по замеру на ваших страницах.
Какая точность распознавания у вас будет?
Цифру до замера не называем: она зависит от качества страниц, шрифтов и нужных полей. После обследования записываем в договор показатели по группам страниц и по полям, а проверку человеком оставляем там, где ошибка дорога.
Можно ли распознавать документы без отправки в облако?
Да. Система ставится на ваши серверы, страницы наружу не уходят. Для данных ограниченного доступа облачные сервисы распознавания чаще не подходят по требованиям заказчика, поэтому основной вариант у нас — свой контур.
Нужна ли видеокарта?
Не всегда. Многие задачи с печатным текстом решаются на процессоре, видеокарта нужна при большом потоке или при тяжёлых моделях. Решаем по замеру и вашему потоку страниц на обследовании.
Чем OCR отличается от интеллектуальной обработки документов?
OCR превращает картинку в текст. Обработка документов дополнительно делит пачки, определяет тип, извлекает поля и проверяет их. Если нужен текст или поиск, хватает OCR; если нужны поля в учёте, нужен конвейер.
Кому принадлежит код и модели?
Исходный код лежит в вашем репозитории с первого коммита. Результат работ (код, конфигурации, обученные модели) передаётся вам по акту, порядок передачи прав записывается в договоре. Открытые компоненты остаются под своими лицензиями, их список входит в документацию.
Вы работаете только в Ростове-на-Дону?
Мы в Ростове-на-Дону, работаем с заказчиками по всей России: удалённо и в вашем контуре. Доступ к системам и обследование согласуем на старте с вашей службой безопасности.
Смежное
Что посмотреть рядом
- Интеллектуальная обработка документов (IDP) на заказ
- Распознавание документов и ввод данных в учёт
- Автоматическая загрузка документов в 1С
- Семантический поиск по документам
- Компьютерное зрение на производстве
- Видеоаналитика с ИИ
- Разработка ИИ на заказ
- Цены и сроки по ступеням
- Как выбрать OCR для русского языка
- OCR или LLM для документов
- Как измерить точность распознавания документов