Perché l'OCR sbaglia equazioni, note, tabelle e diagrammi

L'OCR trasforma le immagini delle pagine in testo ricercabile, ma i libri contengono strutture diverse dalle normali frasi. Equazioni, note a piè di pagina, tabelle, diagrammi, layout a più colonne ed etichette piccole possono essere riconosciuti male anche quando la pagina appare nitida.

In breve: usa l'OCR per trovare la pagina probabile. Per formule, citazioni, nomi e numeri, verifica sempre la pagina visibile o il testo sorgente ufficiale.

Perché le pagine dei libri sono difficili

L'OCR testuale presume di solito un ordine di lettura riga per riga. I libri violano spesso questa aspettativa.

Contenuto	Errore OCR comune
Equazione	Perde frazioni, apici, pedici o l'ordine dei simboli
Nota a piè di pagina	La inserisce nel paragrafo principale o salta i caratteri piccoli
Tabella	Legge la riga sbagliata o unisce le colonne
Diagramma	Acquisisce le etichette senza frecce né relazioni spaziali
Pagina a due colonne	Salta da una colonna all'altra
Notazione chimica	Confonde legami, cariche e simboli degli elementi
Esempio di codice	Modifica punteggiatura, rientri o caratteri simili
Pagina scansionata	Aggiunge errori causati da sfocatura, inclinazione, ombre o compressione

Un livello OCR può quindi essere ricercabile senza essere abbastanza fedele da usare per una citazione.

Le equazioni sono bidimensionali

Pensa a una frazione con un apice nel numeratore. Chi legge interpreta la posizione verticale e il raggruppamento, mentre un OCR generico può produrre una sequenza piatta senza confini affidabili.

Controlla soprattutto:

• segni meno trasformati in trattini;
• segni di moltiplicazione trasformati in x;
• lettere greche trasformate in lettere latine;
• apici spostati sulla riga principale;
• pedici omessi;
• barre di frazione mancanti;
• righe di una matrice lette nell'ordine sbagliato;
• numeri delle equazioni inseriti nella formula.

Non incollare mai in un compito un'equazione ricavata dall'OCR senza confrontarla carattere per carattere con la pagina.

Questi sono esempi rappresentativi di errori da cercare, non previsioni per ogni motore OCR:

Notazione visibile	Possibile risultato OCR	Perché conta
x²	x2	L'esponente diventa un coefficiente o una cifra adiacente
H₂O	H20	Il pedice 2 diventa il numero 20
5 × 10⁻³	5 x 10-3	La struttura di moltiplicazione ed esponente viene appiattita
−0.05	-0.05 o 0.05	Il meno matematico può cambiare o scomparire
25 µg	25 ug	Il simbolo dell'unità cambia e può essere interpretato male

Le note a piè di pagina sono piccole e fuori sequenza

Le note usano caratteri più piccoli e si trovano fuori dal flusso principale. L'OCR può inserirle nel mezzo di un paragrafo, associare il richiamo alla frase sbagliata o saltarle del tutto.

Quando citi una nota, controlla il richiamo visibile, il testo, il numero di pagina e l'edizione. Conserva il numero della nota insieme alla citazione.

Le tabelle richiedono righe e colonne

Un testo semplice non sempre conserva una griglia. Un valore può finire sotto l'intestazione sbagliata anche se tutti i caratteri sono stati riconosciuti correttamente.

Usa l'immagine della pagina per controllare:

• intestazioni delle colonne;
• unità di misura;
• cifre decimali;
• segni negativi;
• celle unite;
• etichette delle righe;
• note sotto la tabella.

Se devi riutilizzare dei dati, trascrivi soltanto la sezione necessaria e fai un secondo controllo sull'immagine.

Le etichette non costituiscono il diagramma

Riconoscere parole come "mitocondrio", "input" o "nord" non conserva la direzione delle frecce. L'OCR non trasforma la relazione visiva in un modello semantico completo.

Conserva l'immagine del diagramma insieme alla didascalia e al numero della figura. Quando disponibile, usa una descrizione accessibile fornita dall'editore. La guida del W3C alle immagini complesse spiega che diagrammi, grafici e mappe richiedono spesso sia una breve identificazione sia una descrizione più lunga di struttura, valori e relazioni. Un elenco di etichette riconosciute dall'OCR non è un sostituto equivalente.

Se manca una descrizione accessibile, comunica a editore o ufficio per l'accessibilità titolo, edizione, numero della figura, pagina e tecnologia assistiva necessaria.

Una procedura pratica di verifica

Per il materiale che sei autorizzato a elaborare:

1. Preferisci il livello di testo del PDF o EPUB ufficiale.
2. Conserva invariata l'immagine originale della pagina.
3. Aggiungi l'OCR come aiuto per la ricerca.
4. Cerca un termine distintivo per trovare la pagina.
5. Prima di copiare, verifica la frase o il simbolo visibile.
6. Controlla una pagina di prosa, un'equazione, una tabella e una figura.
7. Registra insieme al documento i limiti noti.

Considera la pagina visibile come riferimento e il livello OCR come indice.

Controlla quattro pagine rappresentative

Non giudicare un intero libro da un solo paragrafo ben leggibile. Usa un piccolo campione che copra i tipi di pagina più soggetti a errori:

Pagina campione	Che cosa confrontare	Condizione per il superamento
Prosa normale	Due frasi, un nome proprio, un numero di pagina	Parole e ordine di lettura corrispondono alla pagina
Pagina con equazioni	Operatori, frazioni, apici, pedici, numero dell'equazione	Ogni simbolo e raggruppamento coincide visivamente
Pagina con tabella	Due etichette di riga, due intestazioni, quattro valori di intersezione, unità	Ogni valore resta sotto l'intestazione corretta
Pagina con figura	Didascalia, etichette, destinazione delle frecce, legenda	La ricerca trova le etichette; le relazioni visive sono controllate separatamente

Registra le pagine che non superano la verifica e usa i risultati OCR per quei tipi di pagina soltanto come indicazioni per la navigazione.

Migliora il riconoscimento prima dell'acquisizione

Quando il materiale è tuo o sei autorizzato ad acquisirlo:

• usa il massimo ingrandimento leggibile senza tagliare la pagina;
• mantieni la pagina dritta;
• usa la modalità chiara con testo scuro su sfondo chiaro, se la fonte lo consente;
• attendi il caricamento completo di caratteri e immagini;
• evita barre traslucide sopra il testo;
• acquisisci tutte le pagine alle stesse dimensioni;
• prova una pagina complessa prima di avviare una sequenza lunga.

Aumentare la risoluzione non può riparare una pagina già sfocata, tagliata o caricata a metà.

Non usare l'OCR per aggirare un divieto di copia

L'OCR non concede autorizzazioni. Non usarlo per aggirare una funzione di copia disabilitata, il DRM, una quota di stampa o un divieto di estrazione del lettore.

Se ti serve testo accessibile, contatta l'editore, la biblioteca o l'ufficio per l'accessibilità del tuo istituto. Un file sorgente autorizzato può conservare titoli, ordine di lettura, markup matematico e testi alternativi molto meglio dell'OCR.

L'articolo sui PDF di sole immagini e quelli ricercabili chiarisce che cosa aspettarsi dal livello di testo.

Una nota da conservare con il file

L'OCR serve soltanto per la ricerca.
Verifica citazioni, equazioni, valori delle tabelle, note a piè di pagina,
etichette delle figure e riferimenti alle pagine confrontandoli con la pagina visibile.

Questo semplice avviso impedisce ad altri di scambiare un testo approssimativo per una trascrizione verificata.

Domande frequenti

Perché l'OCR incontra difficoltà con le equazioni?

La matematica dipende dalla posizione bidimensionale e da simboli specializzati che un normale OCR testuale può appiattire.

L'OCR riesce a comprendere un diagramma?

Può trovare le etichette, ma di solito non conserva le loro relazioni visive.

L'OCR è sufficiente per cercare in un libro?

Spesso sì per la prosa ben leggibile. Usalo per trovare le pagine, poi controlla visivamente i dettagli importanti.

Come posso migliorare i risultati?

Quando possibile usa la fonte ufficiale, mantieni le acquisizioni nitide e dritte, attendi il caricamento e prova presto le pagine complesse.