ન્યુરલ ઓસીઆર: કાગળ પરના અક્ષરો અને બિલને મોબાઇલ કમ્પ્યુટર ટેક્સ્ટમાં કેવી રીતે ફેરવે છે?

કાગળ પરના લખાણને ક્ષણવારમાં ડિજિટલ બનાવતી અદભુત આંખ

તમે ક્યારેય ગૂગલ લેન્સ વડે કોઈ પુસ્તકના પાનાનો ફોટો પાડીને તેમાંથી લખાણ કોપી કરીને વોટ્સએપ પર મોકલ્યું છે? અથવા જૂના જમીનના દસ્તાવેજો અને વીજળીના બિલને સ્કેન કરીને ડિજિટલ ફોર્મ ભર્યું છે? કાગળ પર છાપેલા કે હાથથી લખેલા અક્ષરોને કમ્પ્યુટરમાં એડિટ કરી શકાય તેવા ટેક્સ્ટમાં ફેરવવાની આ તકનીકને ઓપ્ટિકલ કેરેક્ટર રેકગ્નિશન (Optical Character Recognition અથવા OCR) કહે છે.

શરૂઆતના જમાનામાં ઓસીઆર ખૂબ નબળું હતું. તે દરેક અક્ષરને ચોક્કસ બીબાં સાથે સરખાવતું હતું (જેને ટેમ્પલેટ મેચિંગ અથવા Template Matching કહે છે). જો કાગળ સહેજ વાંકો હોય, અક્ષર ઝાંખો હોય કે ફોન્ટ થોડો અલગ હોય, તો સિસ્ટમ ગોથાં ખાઈ જતી હતી. પરંતુ આજના સ્માર્ટફોનમાં ન્યુરલ ઓસીઆર (Neural OCR) આવી ગયું છે, જે માણસની જેમ અક્ષરના વળાંકો અને આખા વાક્યનો અર્થ સમજીને અસ્પષ્ટ લખાણ પણ ઉકેલી લે છે.

જૂના પંડિતજી અને પ્રાચીન હસ્તપ્રતોનું વાચન

આ નવી પદ્ધતિ સમજવા માટે પ્રાચીન તાડપત્રો અને જૂના ચોપડા વાંચતા એક વિદ્વાન પંડિતજીની કલ્પના કરો. જો કોઈ અક્ષર પર શાહીનો ડાઘ પડી ગયો હોય કે કાગળ ફાટી ગયો હોય, તો પંડિતજી માત્ર તે અક્ષર જોઈને અટકી નથી જતા. તેઓ આગળ-પાછળના આખા વાક્યનો ભાવ સમજીને કહી દે છે કે અહીં કયો શબ્દ હોવો જોઈએ.

ન્યુરલ ઓસીઆર બરાબર આ જ બે સ્તરે કામ કરે છે. પહેલો ભાગ ચિત્રોના વળાંકો અને ખૂણાઓ ઓળખતું વિઝન મોડેલ (જેને કોન્વોલ્યુશનલ વિઝન એન્કોડર અથવા Vision Encoders કહે છે) છે, જે વાંકાચૂંકા ફોટાને ડિજિટલ રીતે સીધો કરે છે (જેને જ્યોમેટ્રિક રેક્ટિફિકેશન અથવા Geometric Rectification કહેવાય છે). બીજો ભાગ ભાષાકીય સમજ ધરાવતો ડીકોડર (Language Decoders) છે, જે વાક્યના વ્યાકરણના આધારે અસ્પષ્ટ અક્ષરોને સાચી રીતે ગોઠવે છે.

આ ઉપરાંત આધુનિક સોફ્ટવેર માત્ર સાદા ફકરા જ નહીં, પણ જટિલ કોષ્ટકો, ખાના અને રસીદોની ગોઠવણ પણ બરાબર ઓળખી લે છે (જેને સ્પેશિયલ લેઆઉટ પાર્સિંગ અથવા Layout Parsing કહે છે). ગુજરાતના સરકારી ચોપડા કે દુકાનોના બિલમાં ઘણીવાર ગુજરાતી અને અંગ્રેજી બંને ભાષા સાથે વપરાય છે. આધુનિક બહુભાષી મોડેલ્સ (Multilingual Recognition) બંને ભાષાઓના અક્ષરોને એકસાથે ઓળખીને કુદરતી ક્રમમાં ડિજિટલ લખાણ રચે છે.

આજના સ્માર્ટફોનમાં ન્યુરલ ઓસીઆર ઉપકરણના સ્થાનિક પ્રોસેસર (ન્યુરલ પ્રોસેસિંગ યુનિટ અથવા NPU) પર જ ચાલે છે. આનાથી તમારા મહત્વના કાગળો કે અંગત દસ્તાવેજોનો ફોટો ઇન્ટરનેટ પર કોઈ સર્વર પર મોકલવો પડતો નથી. ફોનની અંદર જ ક્ષણવારમાં પ્રક્રિયા થઈ જતી હોવાથી તમારી સંવેદનશીલ માહિતી સંપૂર્ણપણે ખાનગી અને સુરક્ષિત રહે છે.

જોકે, જ્યારે પાસવર્ડ કે વાઇ-ફાઇ કી જેવા અક્ષરો, અંકો અને સંકેતોના રેન્ડમ મિશ્રણ (આલ્ફાન્યૂમેરિક સ્ટ્રિંગ્સ અથવા Alphanumeric Strings) આવે છે ત્યારે સંદર્ભ ન હોવાથી સિસ્ટમ 'O' અને '0' (શૂન્ય) વચ્ચે થાપ ખાઈ શકે છે, જેથી આવા કોડ જાતે ચકાસી લેવા હિતાવહ છે.

કાગળના દસ્તાવેજો સ્કેન કરતી વખતે ધ્યાનમાં રાખવાની બાબતો

ન્યુરલ ઓસીઆર પાસેથી સો ટકા સચોટ પરિણામ મેળવવા આ સાદી ટિપ્સ ઉપયોગી બનશે:

• ચળકતા પ્રકાશના ચમકારા ટાળો: પ્લાસ્ટિક કોટિંગવાળા કે ચળકતા કાગળ પર સીધો ફ્લેશ ન વાપરો. અતિશય ચમકારો (સ્પેક્યુલર ગ્લેર અથવા Specular Glare) અક્ષરોને ધોઈ નાખે છે. કુદરતી અજવાળામાં ફોટો લો.
• કૅમેરો કાગળની બરાબર સમાંતર રાખો: ફોન ત્રાસો રાખવાને બદલે પાનાની બરાબર ઉપર રાખીને ફોટો પાડવાથી અક્ષરોના ખૂણા વિકૃત થતા નથી.
• મહત્વના આંકડા જાતે ચકાસી લો: આધાર કાર્ડ નંબર, બેંક ખાતા નંબર કે પાન કાર્ડ સ્કેન કર્યા પછી એકવાર જાતે આંકડા મેળવી લેવા હિતાવહ છે.

ડિજિટલ ભારત અને કાગળમુક્ત ભવિષ્ય

ન્યુરલ ઓસીઆર ટેકનોલોજીએ જૂની ફાઇલોના ઢગલામાંથી ભારતને ડિજિટલ સશક્તિકરણ તરફ દોરી જવામાં મોટો ફાળો આપ્યો છે. ખાસ કરીને જૂની કોર્ટ-કચેરીની ફાઇલો, રેવન્યુ રેકોર્ડ્સ અને જમીન-મિલકતના હક્કપત્રોનું કમ્પ્યુટરાઇઝેશન કરવામાં ન્યુરલ ઓસીઆર ગુજરાત સહિત સમગ્ર દેશમાં વહીવટી પારદર્શિતા વધારી રહ્યું છે. કાગળની માહિતીને ડિજિટલ બનાવવાની આ સાદી રીત દરેક નાગરિકના કામકાજને સરળ, સુરક્ષિત અને ઝડપી બનાવે છે.