在第一天，我們理解了打造一個文件問答系統的全貌，並認識了 RAG、OCR 與 Layout 分析這三大支柱。從今天開始，我們將深入第一個關鍵技術：OCR（Optical Character Recognition，光學字元辨識）。

OCR 是我們讓機器「讀懂」圖片或掃描文件的第一步，也是整個資料處理流程的基礎。沒有好的 OCR，後續的 Layout 分析和 RAG 都將是「垃圾進，垃圾出」（Garbage In, Garbage Out）。

什麼是 OCR？

簡單來說，OCR 是一種將圖片或掃描文件中的文字轉換為機器可編輯、可搜尋的文字格式的技術。想像一下你用手機拍下一張名片，OCR 技術可以直接把名片上的姓名、電話、Email 等資訊抓出來，讓你直接存到通訊錄，而不需要一個字一個字手動輸入。這就是 OCR 的魔力。

OCR 的基本原理

一個典型的 OCR 流程大致可以分為以下幾個步驟：

1. 影像前處理（Image Preprocessing）：提升辨識準確率的準備工作，包含二值化、去雜訊、傾斜校正、對比度增強。
2. 文字偵測（Text Detection）：在圖片中框出文字區域（Bounding Box）。
3. 文字辨識（Text Recognition）：將文字區域內的字元逐一辨識出來，常見方法是深度學習序列模型。
4. 後處理（Post-processing）：利用語言模型或規則修正錯誤，例如「O」與「0」的混淆。

常見 OCR 應用場景

• 票據/發票辨識：自動提取商店名稱、日期、品項、金額、統一編號，應用於費用報銷與會計自動化。
• 契約/合約處理：快速抽取條款、人名、日期，協助法務人員縮短審閱時間。
• 身分證明文件辨識：加速開戶、實名認證等流程，減少人工輸入錯誤。

這些文件都有固定版面，這也凸顯了 Layout 分析 在後續處理的重要性。

OCR 的挑戰與限制

雖然 OCR 已經相當成熟，但在實務上仍面臨不少挑戰：

• 手寫字體：不同人的筆跡差異很大，辨識困難。
• 複雜背景：例如收據皺摺、印章、背景花紋都會干擾結果。
• 多語言與特殊符號：在同一份文件中可能混合中英文、數字、數學公式甚至特殊符號，對模型是一大考驗。
• 專有領域：像是醫療處方箋或金融契約，專業詞彙或縮寫容易被誤判。

因此在企業應用中，OCR 常需要搭配 人工校正 或 領域專屬模型，才能達到實務可用的水準。

OCR 的進一步應用與未來發展

隨著 AI 與深度學習的發展，OCR 已不再只是「文字辨識」這麼單純，而是逐步與 NLP（自然語言處理） 和 知識檢索 結合。例如：

• 智慧文件搜尋：將 OCR 輸出的文字建立索引，讓使用者能快速檢索大量 PDF。
• RPA（Robotic Process Automation）整合：OCR 自動讀取發票、契約，並由 RPA 機器人自動輸入到後台系統。
• 結合 RAG 問答系統：OCR 將紙本或掃描文件數位化，RAG 再進一步讓使用者能直接「問文件問題」。

未來 OCR 不僅僅是「辨識文字」，更會成為 結構化知識入口，讓紙本與影像世界中的資訊能與 AI 系統無縫對接。

主流 OCR 工具巡禮：Tesseract, EasyOCR, PaddleOCR

了解了 OCR 的基礎後，我們該如何選擇適合的工具來實作呢？目前最常見的三大開源 OCR 工具分別是：

1. Tesseract OCR (Day 4)：Google 維護，支援語言多，但複雜版面與手寫字效能不足。
2. EasyOCR (Day 5)：基於 PyTorch，安裝簡單，支援超過 80 種語言，適合快速原型開發。
3. PaddleOCR (Day 6)：百度開源，功能完整，特別擅長中文辨識與端到端部署。

接下來三天，我們將會實際安裝、操作並比較這三款工具。

小結

今天我們學習了 OCR 的基本定義、運作原理與常見應用，也看到了它的挑戰與未來趨勢。OCR 是打開文件世界的第一把鑰匙，沒有這一步，後續的 Layout 分析與 RAG 就無從談起。明天我們將從最經典的 Tesseract OCR 開始，動手體驗真正的實作！