معماری کلی سامانه OCR در اکوسیستم .NET

یک خط لوله (Pipeline) استاندارد OCR شامل سه مرحله حیاتی است:

1. پیش‌پردازش تصویر (Image Preprocessing): پاکسازی نویز، اصلاح زاویه (Deskew)، باینری‌سازی و بخش‌بندی (Segmentation).
2. موتور تشخیص (Recognition Engine): تبدیل پیکسل‌ها به کاراکترها با استفاده از مدل‌های یادگیری عمیق یا شبکه‌های عصبی (مانند LSTM).
3. پست‌پرسسینگ (Post-processing): اصلاح خطای املایی، تطبیق با واژه‌نامه (Dictionary Lookup) و ساختاردهی خروجی (JSON یا XML).

در پلتفرم .NET، ما به کتابخانه‌های متن‌باز و تجاری قدرتمندی دسترسی داریم که می‌توانند این پایپ‌لاین را به بهترین شکل پیاده‌سازی کنند.

بررسی ابزارها و کتابخانه‌های کلیدی .NET

برای ساخت چنین سیستمی، انتخاب ابزار مناسب براساس نوع پروژه (متن‌باز، تجاری، ویندوز-محور یا跨-platform) حیاتی است:

• Tesseract OCR (Tesseract / TesseractOCR): محبوب‌ترین و قدرتمندترین موتور متن‌باز OCR که توسط گوگل نگهداری می‌شود. نسخه‌های ۵ به بالا از شبکه‌های عصبی LSTM بهره می‌برند که دقت تشخیص را به شدت افزایش داده است.
• OpenCvSharp: پورت رسمی و فوق‌العاده قدرتمند کتابخانه پردازش تصویر OpenCV برای دات‌نت. این کتابخانه ستون فقرات مرحله پیش‌پردازش تصویر است.
• Windows.Media.Ocr: یک API بومی و رایگان در سیستم‌عامل ویندوز (مخصوص برنامه‌های WinUI, WPF, UWP) که سرعت پردازش بسیار بالایی دارد.
• گزینه‌های تجاری (مانند IronOCR): کتابخانه‌های تجاری آماده‌ای که پیچیدگی‌های تنظیمات Tesseract را پنهان کرده و بسته‌های زبانی آماده ارائه می‌دهند.

پیاده‌سازی گام‌به‌گام سامانه OCR

در ادامه، سناریویی را پیاده‌سازی می‌کنیم که در آن ابتدا تصویر دست‌خط توسط OpenCvSharp بهینه‌سازی شده و سپس توسط موتور Tesseract پردازش می‌شود.

گام اول: نصب پکیج‌های مورد نیاز (NuGet)

از طریق پکیج منیجر دات‌نت، ابزارهای لازم را نصب کنید:

dotnet add package Tesseract
dotnet add package OpenCvSharp4
dotnet add package OpenCvSharp4.runtime.win

گام دوم: پیاده‌سازی لایه پیش‌پردازش تصویر (Image Preprocessing)

تصاویر دست‌خط معمولاً دارای نویز، نور ناهموار یا پس‌زمینه کدر هستند. اعمال فیلتر آستانه‌گذاری (Thresholding) و حذف نویز پیش از ورود به OCR الزامی است:

using OpenCvSharp;

public class ImageProcessor
{
    public static Mat PrepareHandwritingImage(string inputPath)
    {
        // ۱. خواندن تصویر به صورت خاکستری (Grayscale)
        Mat src = Cv2.ImRead(inputPath, ImreadModes.Grayscale);
        Mat processed = new Mat();

        // ۲. حذف نویز با فیلتر GaussianBlur
        Cv2.GaussianBlur(src, processed, new Size(3, 3), 0);

        // ۳. باینری‌سازی تطبیقی (Adaptive Thresholding) مناسب برای دست‌خط با نور نامتوازن
        Cv2.AdaptiveThreshold(
            processed, 
            processed, 
            255, 
            AdaptiveThresholdTypes.GaussianC, 
            ThresholdTypes.Binary, 
            11, 
            2
        );

        return processed;
    }
}

گام سوم: موتور تشخیص متن با Tesseract

پس از آماده‌سازی تصویر، آن را به موتور Tesseract ارسال می‌کنیم. توجه داشته باشید که برای متون دست‌خط، دانلود فایل‌های آموزشی اختصاصی (.traineddata) مربوط به آن خط یا زبان (مانند fas برای فارسی یا eng برای انگلیسی) از مخزن رسمی Tesseract ضروری است.

using System;
using Tesseract;
using OpenCvSharp;

public class OcrEngineService
{
    private readonly string _tessDataPath;

    public OcrEngineService(string tessDataPath)
    {
        _tessDataPath = tessDataPath;
    }

    public string RecognizeText(Mat processedImage, string languageCode = "eng")
    {
        // تبدیل ماتریس OpenCvSharp به آرایه بایت برای استفاده در Tesseract
        Cv2.ImEncode(".png", processedImage, out byte[] buf);

        using var engine = new TesseractEngine(_tessDataPath, languageCode, EngineMode.Default)
        {
            // تنظیمات بهینه برای دقت بالاتر
            DefaultPageSegMode = PageSegMode.Auto
        };

        using var img = Pix.LoadFromMemory(buf);
        using var page = engine.Process(img);
        
        string extractedText = page.GetText();
        float meanConfidence = page.GetMeanConfidence();

        Console.WriteLine($"Mean Confidence: {meanConfidence * 100:F2}%");
        
        return extractedText;
    }
}

معماری سرویس‌دهی در مقیاس سازمانی (ASP.NET Core)

اگر این سیستم قرار است به عنوان یک وب‌سیس یا میکروسرویس در بستر ASP.NET Core پیاده‌سازی شود، رعایت نکات زیر از منظر معماری نرم‌افزار حیاتی است:

1. مدیریت چرخه حیات (Singleton / Pooled): راه‌اندازی TesseractEngine پرهزینه است. نباید به ازای هر درخواست HTTP یک موتور جدید بسازید. استفاده از الگوهای Pooling یا ثبت آن به صورت Singleton (با مدیریت thread-safety) توصیه می‌شود.
2. پردازش غیرهمگام (Background Processing): پردازش تصویر و OCR سنگین است و نباید ترد اصلی (Thread Pool) وب‌سرویس را بلوکه کند. استفاده از صف‌های پیام (مثل RabbitMQ یا Channelهای داخلی دات‌نت) همراه با BackgroundService برای پردازش‌های دسته‌ای (Batch Processing) بهترین رویکرد است.

public class OcrBackgroundWorker : BackgroundService
{
    private readonly IChannel _taskQueue;

    public OcrBackgroundWorker(IChannel taskQueue)
    {
        _taskQueue = taskQueue;
    }

    protected override async Task ExecuteAsync(CancellationToken stoppingToken)
    {
        await foreach (var task in _taskQueue.Reader.ReadAllAsync(stoppingToken))
        {
            try
            {
                // اجرای پردازش تصویر و OCR
                var preparedImg = ImageProcessor.PrepareHandwritingImage(task.ImagePath);
                // ذخیره یا ارسال نتیجه به کلاینت از طریق SignalR / Database
            }
            catch (Exception ex)
            {
                // ثبت لاگ خطا
            }
        }
    }
}

چالش‌های ویژه تشخیص دست‌خط (Handwriting Nuances)

پیاده‌سازی OCR برای دست‌خط با چالش‌های ساختاری روبه‌روست که کتابخانه‌های سنتی به‌خودی‌خود قادر به حل100 درصدی آن‌ها نیستند:

• چسبندگی حروف: در خطوط پیوسته، کاراکترها به هم چسبیده‌اند و الگوریتم‌های بخش‌بندی سنتی دچار خطا می‌شوند. موتورهای مبتنی بر LSTM (مانند Tesseract 5) این مشکل را تا حد زیادی با تحلیل توالی حل کرده‌اند.
• آموزش سفارشی (Custom Fine-Tuning): اگر دست‌خط کاربران خاصی مد نظر باشد (مثلاً فرم‌های پزشکی یا اوراق اداری خاص)، باید مدل Tesseract را با ابزار JTessBoxEditor و نمونه‌های دست‌خط واقعی آموزش مجدد (Fine-tune) داد.

ساخت سیستم تشخیص دست‌خط با اکوسیستم .NET به لطف وجود ابزارهای قدرتمندی نظیر OpenCvSharp برای پیش‌پردازش و Tesseract برای تشخیص، کاملاً امکان‌پذیر، بهینه و مقرون‌به‌صرفه است. با طراحی یک پایپ‌لاین استاندارد، مدیریت صحیح حافظه در پردازش‌های سنگین تصویر، و بهره‌گیری از معماری غیرهمگام در ASP.NET Core، می‌توان سامانه‌ای با پایداری و دقت بالا برایکاربردهای سازمانی خلق کرد.