در دنیای امروز، با گسترش روزافزون فناوری اطلاعات، تبادل اطلاعات به سرعت در حال تغییر است و نیاز به دیجیتالی کردن اسناد چاپی بیش از پیش احساس می‌شود. یکی از چالش‌های مهم در این زمینه، استخراج دقیق و سریع اطلاعات از اسناد هویتی مانند کارت‌های شناسایی است. این امر به ویژه در جلوگیری از تقلب و تسهیل ورود اطلاعات در سیستم‌های مختلف اهمیت بسزایی دارد. مقاله حاضر به بررسی روشی برای استخراج اطلاعات از کارت‌های شناسایی اندونزیایی (KTP) با استفاده از بازشناسی نوری نویسه‌ها (OCR) و پس‌پردازش زبان طبیعی (NLP) می‌پردازد.

این تحقیق توسط فرهان مولانا روسلی، کوین اکبر ادیگونا و هندی ایراوان انجام شده است. نویسندگان در زمینه بینایی ماشین و تشخیص الگو فعالیت دارند و هدف آنها ارائه راهکاری کارآمد برای استخراج اطلاعات از اسناد هویتی و افزایش دقت این فرایند است. انتخاب اندونزی به عنوان مورد مطالعه، به دلیل اهمیت این کشور و نیازهای خاص آن در زمینه مدیریت اطلاعات هویتی انجام شده است.

چکیده این مقاله بر اهمیت دیجیتالی کردن اسناد چاپی و مقابله با تقلب از طریق استخراج اطلاعات کارت شناسایی با استفاده از OCR و NLP تاکید دارد. OCR به عنوان فناوری اصلی برای تبدیل تصویر به متن معرفی شده است. هدف اصلی این تحقیق، تسهیل ورود اطلاعات توسط اپراتورها و افزایش دقت اطلاعات استخراج شده با استفاده از روش‌های NLP برای تصحیح متن. نتایج نشان می‌دهد که با استفاده از 50 تصویر کارت شناسایی اندونزیایی، امتیاز F برابر با 0.78 حاصل شده و زمان مورد نیاز برای استخراج اطلاعات از هر کارت شناسایی حدود 4510 میلی‌ثانیه بوده است.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

• جمع‌آوری داده‌ها: مجموعه داده‌ای شامل 50 تصویر کارت شناسایی اندونزیایی (KTP) جمع‌آوری شده است.
• پیش‌پردازش تصویر: تصاویر جمع‌آوری شده برای بهبود کیفیت و افزایش دقت OCR، پیش‌پردازش شده‌اند. این پیش‌پردازش می‌تواند شامل مواردی مانند حذف نویز، تنظیم کنتراست و یکنواخت‌سازی نور باشد.
• بازشناسی نوری نویسه‌ها (OCR): از یک موتور OCR برای تبدیل تصاویر به متن استفاده شده است. این مرحله، اطلاعات موجود در کارت شناسایی را به صورت متن دیجیتال استخراج می‌کند.
• پس‌پردازش زبان طبیعی (NLP): برای تصحیح خطاهای احتمالی ناشی از OCR، از روش‌های NLP استفاده شده است. این روش‌ها شامل تشخیص و تصحیح املایی، استفاده از فرهنگ لغات و مدل‌های زبانی برای اطمینان از صحت اطلاعات استخراج شده می‌باشد.
• ارزیابی عملکرد: عملکرد سیستم با استفاده از معیار F-score ارزیابی شده است. همچنین، زمان مورد نیاز برای استخراج اطلاعات از هر کارت شناسایی اندازه‌گیری شده است.

به عنوان مثال، در مرحله NLP، ممکن است از الگوریتم‌های فاصله لوونشتین (Levenshtein distance) برای تشخیص و تصحیح املایی کلمات استفاده شود. این الگوریتم‌ها با محاسبه تفاوت بین دو رشته متنی، می‌توانند پیشنهاداتی برای اصلاح کلمات نادرست ارائه دهند.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• دقت استخراج اطلاعات: با استفاده از روش پیشنهادی، امتیاز F-score برابر با 0.78 حاصل شده است. این نشان می‌دهد که سیستم قادر به استخراج اطلاعات با دقت قابل قبولی است. F-score به عنوان یک معیار واحد، دقت (Precision) و بازخوانی (Recall) را با هم ترکیب می‌کند.
• زمان استخراج اطلاعات: زمان مورد نیاز برای استخراج اطلاعات از هر کارت شناسایی حدود 4510 میلی‌ثانیه (4.5 ثانیه) بوده است. این زمان نشان می‌دهد که سیستم از سرعت مناسبی برخوردار است و می‌تواند به صورت عملی در برنامه‌های کاربردی مورد استفاده قرار گیرد.
• اثرگذاری NLP: استفاده از روش‌های NLP برای تصحیح متن، به طور قابل توجهی دقت استخراج اطلاعات را بهبود بخشیده است. این امر نشان می‌دهد که پس‌پردازش زبان طبیعی نقش مهمی در کاهش خطاهای ناشی از OCR دارد.

به عنوان مثال، اگر بدون استفاده از NLP، سیستم OCR کلمه “Jakarta” را به صورت “Jakrta” تشخیص دهد، الگوریتم‌های NLP می‌توانند با بررسی context و استفاده از فرهنگ لغات، این خطا را تصحیح کرده و کلمه اصلی را بازیابی کنند.

این تحقیق دارای کاربردهای فراوانی در زمینه‌های مختلف است:

• جلوگیری از تقلب: استخراج دقیق اطلاعات از کارت‌های شناسایی می‌تواند به جلوگیری از تقلب در سیستم‌های بانکی، ثبت نام و سایر فرایندهایی که نیاز به احراز هویت دارند، کمک کند.
• تسهیل ورود اطلاعات: با استفاده از این سیستم، اپراتورها می‌توانند به سرعت و به آسانی اطلاعات کارت‌های شناسایی را وارد سیستم کنند. این امر باعث کاهش زمان و هزینه ورود اطلاعات می‌شود.
• بهبود خدمات عمومی: با دیجیتالی کردن اطلاعات هویتی، امکان ارائه خدمات عمومی به صورت آنلاین و سریع‌تر فراهم می‌شود.
• پایگاه داده هویتی: ساخت پایگاه داده هویتی دقیق و قابل اعتماد با استفاده از این روش، مدیریت و تحلیل اطلاعات را تسهیل می‌کند.

یکی از دستاوردهای مهم این تحقیق، ارائه یک سیستم کاربردی برای استخراج اطلاعات از کارت‌های شناسایی اندونزیایی است که می‌تواند به صورت عملی در سازمان‌ها و شرکت‌های مختلف مورد استفاده قرار گیرد. این سیستم می‌تواند به عنوان یک ابزار قدرتمند برای مدیریت اطلاعات هویتی و افزایش امنیت در برابر تقلب مورد استفاده قرار گیرد.

در مجموع، این مقاله یک راهکار کارآمد برای استخراج اطلاعات از کارت‌های شناسایی اندونزیایی با استفاده از OCR و NLP ارائه می‌دهد. نتایج نشان می‌دهد که این سیستم قادر به استخراج اطلاعات با دقت قابل قبولی و در زمان مناسب است. استفاده از روش‌های NLP برای تصحیح متن، نقش مهمی در بهبود دقت استخراج اطلاعات دارد. این تحقیق می‌تواند به عنوان یک مبنا برای توسعه سیستم‌های مشابه در سایر کشورها و برای اسناد هویتی دیگر مورد استفاده قرار گیرد. همچنین، این تحقیق نشان می‌دهد که ترکیب OCR و NLP می‌تواند به بهبود دقت و کارایی سیستم‌های استخراج اطلاعات از اسناد چاپی کمک کند. از نکات قابل توجه در اینده میتوان به بهبود الگوریتم های NLP برای درک بهتر context زبان اندونزیایی و افزایش دقت تشخیص نویسه ها در شرایط نوری مختلف اشاره کرد.