Handwriting recognition — inson qo‘lda yozgan matnni digital belgilar ketma-ketligiga aylantirish texnologiyasi. Offline recognition qog‘oz skani yoki rasm bilan, online recognition esa stylus harakati, vaqt, bosim va stroke ketma-ketligi bilan ishlaydi. Qo‘lyozma har bir insonda farqlanishi sabab bosma OCR’dan murakkabroq bo‘lishi mumkin.
Offline va online input
Offline rasm faqat yakuniy pixel ko‘rinishini saqlaydi. Qaysi chiziq oldin chizilgani noma’lum, bir-biriga tegib ketgan belgilarni segmentlash qiyin. Preprocessing fon, qog‘oz chizig‘i, skew va contrastni tuzatadi. Text line detection satrlarni alohida recognitionga beradi.
Online input x, y, timestamp, pen-up/pen-down va ixtiyoriy pressure ketma-ketligini beradi. Stroke order o‘xshash shakllarni ajratishga yordam beradi. Sampling rate va qurilma koordinatasi normalize qilinadi. Palm yoki tasodifiy teginish filtrlansa ham haqiqiy nuqta va diakritika yo‘qolmasligi kerak.
Model yondashuvlari
Klassik usul character segmentation, contour va stroke feature bilan classifier ishlatadi. Cursive yozuvda belgilar ulanib ketgani uchun aniq segment chegarasi yo‘q. Sequence model butun satr feature’idan CTC yoki attention decoder orqali matn chiqaradi. CNN visual feature, recurrent network yoki transformer kontekstni o‘rganadi.
Writer-independent model ko‘p kishining yozuvida ishlashga mo‘ljallangan. Writer adaptation ma’lum foydalanuvchining namunasi bilan aniqlikni oshiradi, lekin shaxsiy writing biometrikasini saqlash maxfiylik talabini kuchaytiradi. Few-shot personalization umumiy modelni butunlay qayta o‘qitmasdan moslashishi mumkin.
Til va kontekst
Language model ehtimoliy so‘z va gapni tanlashga yordam beradi. Kuchli lug‘at ism, manzil, kod va yangi terminni keng tarqalgan so‘zga almashtirishi mumkin. Form field turi kontekst beradi: sana maydonida raqam va separator, ismda harf kutiladi. Lexicon domain bo‘yicha boshqariladi.
Script farqi muhim. Lotin, kirill va arab yozuvida stroke hamda bog‘lanish boshqa. Bir hujjatda aralash yozuv bo‘lsa script detection va multilingual decoder kerak. O‘zbek apostrofi, diakritika va kirill-lotin transliteratsiyasi evaluation’da aniq qoidaga ega bo‘ladi.
Segmentatsiya va layout
Daftar chizig‘i, margin va ustunlar reading orderni belgilashga yordam beradi. Forma boxlari har character uchun alohida katak bersa recognition osonlashadi, ammo yozuv chegaradan chiqishi mumkin. Free-form note’da satr qiyshiq, so‘z oralig‘i notekis va qo‘shimcha belgi bo‘ladi.
Matematik yozuv oddiy text sequence emas: superscript, fraction va ikki o‘lchamli tuzilma mavjud. Formula recognition symbol detection bilan spatial grammarni birlashtiradi. Imzo handwriting text recognition’dan farqli vazifa; imzoni ismga aylantirish identity verificationni bermaydi.
Baholash va review
CER va WER asosiy metrikalar. Stroke-level online model uchun sequence accuracy va latency ham o‘lchanadi. Natija writer, pen turi, scan sifati, til va character class bo‘yicha kesiladi. Bir kishining sahifalari train va testga bo‘linib ketishi writer leakage va sun’iy yuqori natija beradi.
Tibbiy retsept, imtihon yoki moliyaviy formadagi xato katta ta’sirga ega. Low-confidence satr original crop bilan reviewerga ko‘rsatiladi. Human correction audit qilinadi. Model outputi huquqiy hujjatning asl nusxasini almashtirmaydi.
Maxfiylik
Qo‘lyozma shaxsni aniqlovchi uslubiy xususiyat olib yurishi mumkin. Dataset rozilik, maqsad, retention va access bo‘yicha boshqariladi. Public model trainingiga hujjat matni va yozuvchi identifikatori avtomatik qo‘shilmaydi. Image hamda extracted text bir xil himoya talab qiladi.
Bog‘liq tushunchalar
Optical Character Recognition, CTC, Online handwriting recognition, Text recognition, Sequence model, Character Error Rate, Document AI