Nghiên cứu và xây dựng hệ thống chuyển đổi tài liệu PDF dạng ảnh sang văn bản sử dụng công nghệ OCR

Abstract

Trong kỷ nguyên Cách mạng Công nghiệp 4.0, dữ liệu được coi là nguồn tài nguyên vô giá. Sự bùng nổ của Internet vạn vật (IoT), Dữ liệu lớn (Big Data) và Trí tuệ nhân tạo (AI) đang định hình lại phương thức hoạt động của mọi tổ chức. Tuy nhiên, một nghịch lý đang diễn ra: Mặc dù hạ tầng viễn thông đã rất phát triển, một khối lượng tri thức khổng lồ vẫn đang bị đóng băng dưới dạng văn bản giấy hoặc tập tin ảnh không thể tìm kiếm. Tại các trung tâm lưu trữ quốc gia, thư viện đại học và cơ quan hành chính, hàng triệu trang tài liệu quý giá đang hằng ngày đối mặt với nguy cơ xuống cấp, mờ chữ dưới tác động của thời gian và khí hậu nhiệt đới. Đề tài "Nghiên cứu và xây dựng hệ thống chuyển đổi tài liệu PDF dạng ảnh sang văn bản sử dụng công nghệ OCR " được chọn thực hiện là một giải pháp tích hợp kết hợp sức mạnh của ba công nghệ: Tesseract OCR 5.x (nhận dạng ký tự nhanh và miễn phí), OpenCV 4.9 (xử lý ảnh số học để khử nhiễu và bóng tối), và các mô hình ngôn ngữ lớn GPT-4o/GPT-4o-mini của OpenAI (sửa lỗi thông minh dựa trên ngữ cảnh và trích xuất metadata tự động). Sự phối hợp của ba công nghệ này tạo ra một giải pháp cân bằng hoàn hảo giữa chi phí, tốc độ và độ chính xác.