جدول المحتويات
لتطبيق التعرف الضوئي على الحروف (OCR) على الوثائق التقنية الممسوحة بشكل جيد، امسحوا الصفحات بدقة 300 dpi أو أكثر، ونظّفوها وقوّموا ميلها، واختاروا محركًا يقرأ لغاتكم وجداولكم، وعاملوا مخططات P&ID بوصفها رسومات لا صفحات نصية، وقيسوا الأخطاء على عينة مُدقّقة يدويًا. واربطوا كل قيمة مستخرجة بصورة صفحتها ليتمكن المهندسون من التحقق منها.
أهم النقاط
- يعمل Tesseract على أفضل وجه مع صور لا تقل دقتها عن 300 dpi (وثائق Tesseract)، وتشترط القواعد الفيدرالية الأمريكية لرقمنة السجلات الدائمة 300 ppi للنصوص و400 ppi للرسومات (36 CFR 1236.50).
- الجداول والأرقام نقاط إخفاق متكررة، خاصة في العربية (Heakl et al., 2025)، وهي التي تحمل القيم التي يعمل بها الفنيون.
- تقرأ نماذج الرؤية واللغة العربية أفضل من المحركات التقليدية في KITAB-Bench، لكنها قد تنتج في الصفحات المتدهورة نصًا غير موجود فيها (He et al., 2025).
- مخطط P&ID رسم هندسي لا صفحة نصية. ففي إحدى السلاسل المنشورة، استغرقت رقمنة مخطط اختباري نحو 2.4 ساعة في المتوسط، منها نحو 78 دقيقة من العمل اليدوي (Kim et al., 2022).
- قيسوا معدل الخطأ على مستوى الحرف ودقة المطابقة التامة للرموز التعريفية والقيم، على صفحاتكم أنتم.
لماذا تعطّل الوثائق الممسوحة مساعد الذكاء الاصطناعي؟
لا يستطيع مساعد الوثائق أن يجيب إلا من نص يقدر على قراءته. والدليل الممسوح مجموعة من الصور: لا ترى فيه محركات البحث ولا النماذج اللغوية شيئًا إلى أن يحوّل OCR البكسلات إلى نص. ولهذا يتناول دليلنا حول RAG لأدلة الصيانة عملية OCR بوصفها مشروعًا قائمًا بذاته.
وتزيد الرسومات المشكلة تعقيدًا. إذ يلاحظ مؤلفو إحدى سلاسل رقمنة مخططات P&ID أن المنشآت التي تعمل منذ وقت طويل تحتفظ بمخططات P&ID الخاصة بها بصيغة صور، مما يستلزم رقمنتها (Kim et al., 2022).
وبعض ملفات PDF سليمة في الظاهر فقط. تصف وثائق Docling ملفات يظهر نصها بشكل صحيح على الشاشة لكنه يُنسخ رموزًا بلا معنى، لأن الخط لا يربط أشكال حروفه بالحروف الحقيقية؛ ويكتشف خيار replace_broken_text_layer فيه هذه الصفحات ويقرؤها بـ OCR بدلًا من ذلك (وثائق Docling). تحققوا من طبقة النص الموجودة قبل الاعتماد عليها.
ما جودة المسح التي يحتاجها OCR؟
الدقة أولًا. تذكر وثائق Tesseract أنه يعمل على أفضل وجه مع صور لا تقل دقتها عن 300 dpi (وثائق Tesseract). وللمقارنة، تشترط قاعدة الأرشيف الوطني الأمريكي لرقمنة السجلات الورقية الدائمة 300 ppi على الأقل للوثائق النصية و400 ppi للرسومات، وأكثر من ذلك عندما يكون أصغر تفصيل مهم 1.0 مم أو أقل (36 CFR 1236.50). إنها قاعدة أمريكية، لكنها مرجع مفيد للرسومات ذات الكتابة الدقيقة.
ثم تأتي تهيئة الصورة. وتسرد صفحة Tesseract نفسها أهم المعالجات:
- تقويم الميل حتى تصبح أسطر النص أفقية.
- التحويل إلى الأبيض والأسود (binarisation) بعناية. قد تكون النتائج ضعيفة عندما تكون خلفية الصفحة متفاوتة القتامة. وقد أضاف Tesseract 5 طريقتي Adaptive Otsu وSauvola للتحويل.
- إزالة التشويش مثل النقاط المتناثرة، لأن بعض التشويش يبقى بعد التحويل ويخفض الدقة.
- الإبقاء على هامش صغير في حدود 10 بكسلات، وقصّ الهوامش الفارغة الكبيرة.
- اختيار نمط تقسيم الصفحة المناسب. يتوقع Tesseract افتراضيًا صفحة نصية؛ أما النمط 11 فيبحث عن نص متناثر «دون ترتيب معين»، وهو ما قد يفيد في الرسومات.
- تعطيل القاموس عندما لا يتكون معظم النص من كلمات قاموسية، مثل أرقام القطع والرموز التعريفية.
ويجمع OCRmyPDF كثيرًا من هذه الخطوات لملفات PDF: فهو يستخدم Tesseract، ويوفر خيارات مثل تقويم الميل (deskew)، ويضيف طبقة نص قابلة للبحث إلى ملف PDF الممسوح، افتراضيًا بصيغة الأرشفة PDF/A. وتحذّر وثائقه من أن النتائج قد تكون ضعيفة عندما يحتوي المستند على لغات لم تُحدَّد بالخيار -l، ومن أن التحويل إلى PDF/A قد يعيد ترميز الصور مع فقدان في الجودة، لذا احتفظوا بالمسوحات الأصلية.
أي محرك OCR نختار؟
هذه هي الخيارات المفتوحة الشائعة للاستخدام داخل المنشأة، كما تحققنا منها في نوفمبر 2026. تتغير الإصدارات بسرعة؛ اختبروا على صفحاتكم.
| الخيار | ما هو | نقاط القوة | ما يجب الانتباه إليه |
|---|---|---|---|
| Tesseract، وغالبًا عبر OCRmyPDF | محرك تقليدي بوحدة تعرّف على الأسطر من نوع LSTM، بترخيص Apache 2.0 | أكثر من 100 لغة؛ وثائق جيدة | ضعف معروف في الجداول؛ يحتاج إلى تهيئة جيدة للصور |
| PaddleOCR | مجموعة أدوات OCR مفتوحة المصدر، بترخيص Apache 2.0 | أضافت نماذج PP-OCRv5 متعددة اللغات العربية؛ ويحوّل PP-StructureV3 الصفحات إلى Markdown أو JSON مع إحداثيات خلايا الجداول | عدة عائلات من النماذج وإصدارات متكررة؛ ثبّتوا الإصدار الذي تحققتم منه |
| Docling | إطار لتحويل الوثائق يستدعي محرك OCR الذي تختارونه | سلسلة واحدة للوثائق وOCR؛ RapidOCR وEasyOCR وTesseract وغيرها؛ يمكن تنزيل النماذج مسبقًا للعمل دون اتصال | جودة OCR هي جودة المحرك المستخدم |
| نماذج الرؤية واللغة، مثل PaddleOCR-VL | نموذج متعدد الوسائط يقرأ صورة الصفحة ويكتب نصًا أو Markdown | أفضل من المحركات التقليدية في العربية ضمن KITAB-Bench | قد يكتب نصًا معقولًا غير موجود في الصفحة |
والسطر الأخير يستحق الحذر. ففي KITAB-Bench، وهو معيار لـ OCR العربي يضم 8,809 عينات، تفوقت نماذج الرؤية واللغة الحديثة على EasyOCR وPaddleOCR وSurya بمتوسط 60% في معدل الخطأ على مستوى الحرف (Heakl et al., 2025). وفي معيار أوسع، حصلت معظم النماذج متعددة الوسائط على أقل من 50 من 100، مع نقاط ضعف في الإدراك الدقيق وإدراك التخطيط وتحليل العناصر المعقدة (Fu et al., OCRBench v2). وفي الوثائق المتدهورة، كثيرًا ما تعجز النماذج عن إدراك التدهور وتعتمد على أنماطها اللغوية المسبقة، مما يؤدي في أحيان كثيرة إلى توليد محتوى متوهَّم (He et al., 2025). والخطر العملي هو قيمة معقولة لكنها خاطئة لا ينتبه إليها أحد، لذا يجب التحقق من الأرقام أيًا كان المحرك.
لماذا تُعدّ الجداول والأرقام والنص العربي الجزء الأصعب؟
قيم الصيانة موجودة في الجداول: الخلوصات، وعزوم الشد، ونقاط الضبط، وفترات التشحيم. وتقرّ وثائق Tesseract نفسها بأنه يواجه صعوبة في التعرف على النصوص والبيانات في الجداول (وثائق Tesseract). استخدموا أداة تراعي تخطيط الصفحة وتعيد بنية الجدول، ثم تحققوا من أن كل قيمة في الصف والعمود الصحيحين.
وفي العربية، يذكر مؤلفو KITAB-Bench من بين المشكلات القائمة أخطاء التعرف على الأرقام، وتطويل الكلمات (الكشيدة)، والخطوط المعقدة، واكتشاف بنية الجداول، ولم يتجاوز أفضل نموذج اختبروه دقة 65% في تحويل ملفات PDF العربية إلى Markdown (Heakl et al., 2025). والصفحات التي تمزج العربية والفرنسية والإنجليزية تحتاج إلى تحميل اللغات الثلاث ومعالجة الأرقام بعناية؛ ويتناول مقالنا حول الوثائق التي تمزج العربية والفرنسية والإنجليزية ذلك بالتفصيل.
بماذا يختلف مخطط P&ID عن الصفحة النصية؟
يحتوي مخطط P&ID على القليل من النص المتصل. ففيه رموز للمعدات والصمامات وأجهزة القياس، وخطوط للأنابيب والإشارات، وتسميات قصيرة بعضها مُدار بزاوية. وتتبع رموز أجهزة القياس والتحكم وطريقة تعريفها معيارًا مثل ANSI/ISA-5.1-2024، أو معيارًا داخليًا للشركة مشتقًا منه، ولذلك يحمل رمز تعريفي مثل FT-1001 معنى لا يلتقطه OCR وحده.
ويسرد مؤلفو Digitize-PID العقبات: تفاوت المقياس والحجم والتشويش من مخطط إلى آخر، وتعقيد الأوراق وازدحامها، والمعرفة المتخصصة اللازمة لتفسيرها (Paliwal et al., 2021). لذلك تقسّم السلاسل البحثية العمل إلى مراحل. ففي سلسلة Kim et al. (2022):
| المرحلة | الطريقة في الورقة البحثية | النتيجة على خمسة مخططات P&ID اختبارية |
|---|---|---|
| التعرف على الرموز | كاشف بالتعلم العميق، 76 فئة من الرموز | دقة 96.65%، استرجاع 96.40% |
| التعرف على النص | CRAFT للاكتشاف وTesseract للتعرف | دقة 90.65%، استرجاع 92.16% |
| التعرف على الخطوط | كاشف لعلامات الخطوط وأسهم اتجاه التدفق، ومعالجة الصور للخطوط المتصلة | دقة 95.25%، استرجاع 87.91% |
| إعادة بناء الطوبولوجيا | مخطط بياني (graph) يُبنى من قواعد القرب والهندسة | دقة 99.56%، استرجاع 96.07% |
| توليد مخطط P&ID الرقمي | المخرجات وفق نموذج بيانات DEXPI | السمات والإطار وخانة العنوان تُدخل يدويًا |
ومع ذلك بقي الإنسان جزءًا من العملية. فقد صُحّحت أخطاء التعرف يدويًا قبل إعادة بناء الروابط، واستغرق كل مخطط اختباري 8,488 ثانية في المتوسط، منها 4,654 ثانية من العمل اليدوي. وكثيرًا ما فاتت الرموزُ الكبيرة النموذجَ لقلة أمثلتها في بيانات التدريب، وكان النص يُربط أحيانًا بالعنصر الخطأ.
وصيغة المخرجات لا تقل أهمية عن التعرف نفسه. فـ DEXPI معيار مفتوح لتبادل البيانات في الصناعات التحويلية؛ يغطي إصداره 2.0 المخططات الكتلية ومخططات تدفق العملية (PFD) ومخططات P&ID، ونُشر الإصدار التصحيحي 2.0.1 في سبتمبر 2026. والرقمنة إلى نموذج معياري كهذا، بدل نص حر، تتيح تغذية أدوات الهندسة لا البحث فقط.
ولمعظم مساعدات الوثائق يكفي هدف أبسط: استخراج الرموز التعريفية وأرقام الخطوط وخانة العنوان (رقم المخطط، ومؤشر المراجعة، والتاريخ) بوصفها بيانات وصفية، وفهرستها للبحث المطابق، وربط كل إجابة بصورة المخطط.
كيف نقيس دقة OCR؟
يحسب معدل الخطأ على مستوى الحرف (CER) عدد الاستبدالات والحذوفات والإضافات اللازمة لتحويل مخرجات OCR إلى النص الصحيح، مقسومًا على عدد حروف النص الصحيح. وقد يتجاوز 1 عندما تكثر الإضافات (Hugging Face Evaluate, CER). ويناسب هذا المعدل النص السردي. أما في الوثائق التقنية فأضيفوا دقة المطابقة التامة للحقول التي يُبنى عليها العمل.
- اختاروا من 30 إلى 50 صفحة لكل عائلة من الوثائق: أدلة مطبوعة، وجداول، وأوراق بيانات، وسجلات مكتوبة بخط اليد، ومخططات.
- اكتبوا النص الصحيح يدويًا، بما في ذلك كل رمز تعريفي ورقم قطعة وقيمة.
- شغّلوا كل تركيبة مرشحة من المحرك والإعدادات على الصفحات نفسها.
- احسبوا CER لكل عائلة، ونسبة الرموز التعريفية والقيم المقروءة بشكل مطابق تمامًا.
- افحصوا الأخطاء: فاصل عشري مقلوب، أو حرف O مقروء صفرًا في رمز تعريفي، أو قيمة منزاحة إلى الصف التالي في الجدول.
- حددوا مستويات القبول لكل عائلة، وقرروا أي الصفحات تحتاج إلى مراجعة بشرية.
- أعيدوا تشغيل العينة كلما غيّرتم إعدادات الماسح الضوئي أو المحرك أو النموذج أو الإصدار.
ثم اختبروا المساعد كاملًا، كما في دليلنا حول تقييم نموذج LLM على وثائقكم الخاصة: فالإجابة الخاطئة قد تأتي من OCR أو من الاسترجاع أو من النموذج.
أين يجب تشغيل OCR؟
على بنيتكم التحتية الخاصة، إذا كانت الوثائق سرية. فجميع الخيارات في الجدول أعلاه يمكن تشغيلها محليًا، وتشرح وثائق Docling كيفية تنزيل نماذج OCR مسبقًا للاستخدام دون اتصال (وثائق Docling). وللمواقع التي لا تتصل بالإنترنت، راجعوا نشر الذكاء الاصطناعي في بيئة معزولة.
وكثيرًا ما تحتوي تقارير التفتيش وسجلات الورديات على بيانات شخصية مثل أسماء الفنيين. وفي الجزائر، ينظّم القانون 18-07 المؤرخ في 10 يونيو 2018، المعدّل بالقانون 25-11 المؤرخ في 24 يوليو 2025، معالجة المعطيات ذات الطابع الشخصي؛ وبحسب مكتب المحاماة Gide، يجب التصريح المسبق بكل معالجة لدى السلطة الوطنية (ANPDP)، ويتطلب نقل المعطيات الشخصية إلى الخارج عمومًا ترخيصها المسبق (Gide). وإرسال المسوحات إلى خدمة OCR في سحابة أجنبية يطرح هذه المسألة. تأكدوا مع مستشاركم القانوني من كيفية تطبيق القانون على وثائقكم.
ما لاحظناه في KABAS AI
DALILE، مساعدنا الذكي لإدارة المعرفة، يقرأ الوثائق التقنية وجداول البيانات وقواعد البيانات، ويجيب مع ذكر المصادر الدقيقة، ويعمل دون اتصال على خوادم العميل. وكأي مساعد وثائق، لا تتجاوز جودته جودة النص الذي يتلقاه، لذلك ننصح بتقييم الأرشيف الممسوح أولًا. وتدرس ADFC (مجمع سوناطراك)، التي تستخدم Virtual Lab، التكامل مع DALILE لاكتشاف المعرفة ومراجعة الأدبيات العلمية والتوثيق التقني (دراسة حالة ADFC).
نصائحنا العملية:
- ابدؤوا بالجرد. عدّوا الصفحات حسب العائلة واللغة، وسجّلوا أيها ممسوح، وأيها يحتوي على طبقة نص، وأيها مخططات.
- ابدؤوا بالوثائق الأكثر طلبًا، لا بالأرشيف كله.
- وجّهوا المعالجة حسب نوع الوثيقة. فالنص المطبوع والجداول والمخططات تحتاج إلى إعدادات مختلفة، وأحيانًا إلى محركات مختلفة.
- أبقوا على تحقق بشري من القيم المتعلقة بالسلامة، كما نوضح في مقالنا حول الإنسان ضمن الحلقة.
تنشر خدمة الذكاء الاصطناعي الوكيلي لدينا DALILE وتربطه بأنظمة إدارة الوثائق وقواعد البيانات لديكم.
المصادر
- Tesseract documentation, Improving the quality of the output
- Tesseract OCR on GitHub
- US Code of Federal Regulations, 36 CFR 1236.50, Digitizing permanent paper records (Cornell LII)
- OCRmyPDF documentation, Introduction
- PaddleOCR on GitHub
- Docling documentation, OCR
- Heakl et al., KITAB-Bench: A Comprehensive Multi-Domain Benchmark for Arabic OCR and Document Understanding (arXiv 2502.14949, 2025)
- Fu et al., OCRBench v2: An Improved Benchmark for Evaluating Large Multimodal Models on Visual Text Localization and Reasoning (arXiv 2501.00321)
- He et al., Seeing is Believing? Mitigating OCR Hallucinations in Multimodal Large Language Models (arXiv 2506.20168, 2025)
- Paliwal et al., Digitize-PID: Automatic Digitization of Piping and Instrumentation Diagrams (arXiv 2109.03794, 2021)
- Kim et al., End-to-end digitization of image format piping and instrumentation diagrams at an industrially applicable level, Journal of Computational Design and Engineering 9(4), 2022
- ISA, ISA-5 standards: ANSI/ISA-5.1-2024, Instrumentation and Control Symbols and Identification
- DEXPI, Specifications
- Hugging Face Evaluate, Character error rate (CER)
- Gide, Protection of personal data: focus on Algerian regulations
الأسئلة الشائعة
ما الدقة التي ينبغي أن نمسح بها الوثائق التقنية؟
تذكر وثائق Tesseract أنه يعمل على أفضل وجه مع صور لا تقل دقتها عن 300 نقطة في البوصة (dpi). وتحدد القواعد الفيدرالية الأمريكية لرقمنة السجلات الدائمة 300 ppi للوثائق النصية و400 ppi للرسومات، مع دقة أعلى عندما يكون أصغر تفصيل 1 مم أو أقل. اختبروا عينة من صفحاتكم قبل مسح أرشيف كامل.
هل يستطيع OCR رقمنة مخطط P&ID تلقائيًا؟
جزئيًا. تكتشف سلاسل المعالجة البحثية الرموز والنصوص والخطوط وتعيد بناء الروابط بينها، لكنها لا تزال تحتاج إلى تدخل بشري. ففي إحدى السلاسل الكاملة المنشورة، استغرق كل مخطط P&ID اختباري نحو 2.4 ساعة في المتوسط، منها نحو 78 دقيقة من العمل اليدوي مثل تصحيح أخطاء التعرف وإدخال السمات.
هل نماذج الرؤية واللغة أفضل من محركات OCR التقليدية؟
في العربية، وجد مؤلفو KITAB-Bench أن نماذج الرؤية واللغة تتفوق على أدوات OCR التقليدية بمتوسط 60% في معدل الخطأ على مستوى الحرف. لكنها قد تنتج أيضًا نصًا معقولًا غير موجود في صفحة متدهورة الجودة. قارنوا النوعين على صفحاتكم وتحققوا يدويًا من الأرقام والرموز التعريفية.
كيف نعرف أن OCR لدينا جيد بما يكفي؟
اكتبوا يدويًا النص الصحيح لعينة من الصفحات، ثم احسبوا معدل الخطأ على مستوى الحرف ونسبة الرموز التعريفية وأرقام القطع والقيم المقروءة بشكل مطابق تمامًا. وحددوا مستوى القبول لكل نوع من الوثائق، لأن معدل خطأ صغيرًا في النص السردي قد يخفي قيمة خاطئة في جدول عزوم الشد.
هل يجب أن يعمل OCR في السحابة؟
لا. تعمل محركات مفتوحة المصدر مثل Tesseract وPaddleOCR على خوادمكم الخاصة، ويمكن لـ Docling تنزيل نماذج OCR الخاصة به مسبقًا للاستخدام دون اتصال. وتشغيل OCR محليًا يبقي المخططات والتقارير السرية، وما فيها من بيانات شخصية، داخل بنيتكم التحتية.
هل يجب الاحتفاظ بالصور الممسوحة بعد OCR؟
نعم. الصورة هي المرجع، والنص المستخرج نسخة مشتقة قد تحتوي على أخطاء. وتضيف أدوات مثل OCRmyPDF طبقة نص قابلة للبحث إلى ملف PDF الممسوح بدل استبداله، وينبغي لمساعد الوثائق أن يربط كل مقطع يستشهد به بصورة صفحته.



