DOI: https://doi.org/10.1007/s12008-026-02513-9
تاريخ النشر: 2026-02-24
المؤلف: Luca Martuscelli وآخرون
الموضوع الرئيسي: تقنيات التعرف على النصوص المكتوبة بخط اليد
نظرة عامة
يتناول قسم ورقة البحث تطبيق تقنية التعرف على النصوص المكتوبة بخط اليد (HTR) في سياق صناعي، وبالتحديد ضمن عمليات أخذ العينات القبولية لشركة تصنيع أدوية. تهدف HTR إلى أتمتة رقمنة السجلات المكتوبة بخط اليد، مما يعزز كفاءة استخراج البيانات. تقيم الدراسة برنامج HTR محمي ببراءة اختراع يستخدم طريقة التعرف المعتمدة على الضربات الهجينة، حيث يجمع بين المصنفات العصبية والإحصائية مع المطابقة الهيكلية. تشير النتائج الأولية إلى أنه بينما يمكن أن تقلل HTR من وقت المعالجة وتحسن الكفاءة التشغيلية، فإن التحديات المتعلقة بدقة التعرف وضرورة التحقق البشري تعيق الأتمتة الكاملة.
تؤكد الخاتمة على إمكانية HTR لدعم سير العمل الصناعي، خاصة في مراقبة الجودة، مع الاعتراف بحدود الدراسة، مثل طبيعتها التجريبية المسيطر عليها ومجموعة البيانات الصغيرة والمتجانسة المستخدمة. تؤثر هذه القيود على إمكانية تعميم النتائج، التي قد لا تمثل القدرات الأوسع لتقنيات HTR. يدعو المؤلفون إلى أن تركز الأبحاث المستقبلية على تحسين دقة التعرف، واستخدام مجموعات بيانات متنوعة، وإجراء تجارب عملية في بيئات الإنتاج الحقيقية. بالإضافة إلى ذلك، يوصون بإدراج تقييمات اقتصادية لتقييم الجدوى الاقتصادية لحلول HTR، مما يوفر فهماً شاملاً لجدواها الصناعية.
مقدمة
تناقش مقدمة ورقة البحث التقدم في تقنية التعرف على النصوص المكتوبة بخط اليد (HTR) كمنطقة حيوية ضمن الذكاء الاصطناعي (AI) والتعرف على الأنماط، مدفوعة بالحاجة إلى معالجة البيانات بكفاءة والتحول الرقمي. بينما حقق التعرف الضوئي على الأحرف (OCR) للنصوص المطبوعة دقة عالية، تواجه HTR تحديات بسبب تنوع خط اليد وعيوب الوثائق. أدت التطورات الأخيرة في التعلم العميق، وخاصة باستخدام الشبكات العصبية التلافيفية (CNNs) والمحولات، إلى تحسين أداء HTR، إلا أن تطبيقها في البيئات الصناعية لا يزال محدودًا. تسلط الورقة الضوء على إمكانية HTR في تعزيز إمكانية الوصول إلى البيانات وتقليل أخطاء النسخ في مجالات متنوعة، بما في ذلك رقمنة الوثائق التاريخية ومعالجة السجلات الطبية، مع التأكيد على الحاجة إلى مزيد من الاستكشاف لدمجها في سير العمل الصناعي.
للتحقيق في جدوى HTR في العمليات الصناعية، تركز الدراسة على مراقبة الجودة ضمن فحص أخذ العينات القبولية، وهي منطقة تعتمد تقليديًا على تسجيل البيانات يدويًا. تقيم الأبحاث نظامًا مدعومًا بـ HTR في سياق تصنيع الأدوية، وتحلل دقة التعرف، وسرعة المعالجة، والفعالية العامة. تتناول أسئلة البحث الرئيسية دقة HTR في التعرف على البيانات الرقمية المكتوبة بخط اليد، وإمكانيتها لتحسين كفاءة معالجة البيانات، والتحديات التقنية المرتبطة بتنفيذها. من خلال دراسة قابلية تطبيق HTR في سير العمل الصناعي المنظم، تهدف الورقة إلى المساهمة في فهم مزاياها وقيودها، وبالتالي معالجة فجوة كبيرة في الأدبيات وتمهيد الطريق لأبحاث مستقبلية في التصنيع والعمليات.
الطرق
في هذه الدراسة، كانت المنهجية المستخدمة لتقييم تأثير برنامج HTR على عملية الفحص تتضمن مرحلة اختبار منظمة تقيم دقة البرنامج، ووقت المعالجة، وكفاءة التعامل مع الأخطاء. استخدمت التقييم ثلاثة أنواع متميزة من نماذج الفحص، كل منها يتوافق مع مادة تعبئة أولية محددة، وشملت ما مجموعه ستة مفاتيح منتجات مستمدة من نوعين لكل مادة. تم تصميم النماذج، التي اختارها مالك العملية، لتعكس إجراءات الفحص البعدية القياسية للمواد الواردة، حيث تم هيكلة كل نموذج لتقييم عينة من 50 وحدة. من الجدير بالذكر أن النموذجين 17 و18 تطلبا أربع قياسات لكل وحدة، مما أسفر عن 200 قيمة مسجلة، بينما تطلب النموذج 19، المستخدم لفحص الزجاجات، خمس قياسات لكل وحدة، مما أدى إلى 250 قيمة مسجلة.
تم إجراء الاختبار بواسطة عدد محدود من المشغلين باستخدام بيانات وهمية للحفاظ على الاتساق، على الرغم من الاعتراف بتأثير أنماط خط اليد الفردية على أداء التعرف كمتغير محتمل للدراسات المستقبلية. تم تقسيم عملية التقييم إلى ثلاث مراحل رئيسية: المسح والتحميل، القراءة الآلية، والتصحيح والتحقق. كان الهدف من هذا التقسيم هو قياس كفاءة الوقت وتحديد التحديات المتعلقة بدقة البرنامج والحاجة إلى التدخل البشري. بشكل عام، قدمت المنهجية إطارًا شاملاً لتقييم أداء برنامج HTR في عملية الفحص.
النتائج
يستعرض قسم النتائج تقييم أداء برنامج التعرف على النصوص المكتوبة بخط اليد (HTR)، مع التركيز بشكل خاص على دقة التعرف على البيانات ووقت المعالجة عند تطبيقه على وحدات من مجموعة الاختبار. يسعى التقييم إلى قياس قدرة البرنامج على تحسين الكفاءة في عملية الفحص ضمن سياق دراسة الحالة. بالإضافة إلى ذلك، يهدف إلى تقديم رؤى حول نضج وجدوى تقنية HTR للتطبيقات الصناعية الأوسع، مع تسليط الضوء على تأثيرها المحتمل على الفعالية التشغيلية.
المناقشة
تتوسع قسم المناقشة في ورقة البحث حول التقدم والتطبيقات لتقنيات التعرف على النصوص المكتوبة بخط اليد (HTR)، مع التأكيد على دورها في أتمتة تفسير الوثائق المكتوبة بخط اليد. تهدف HTR إلى تقليد قدرات القراءة البشرية، مما يسهل تحويل النصوص المكتوبة بخط اليد إلى تنسيقات رقمية قابلة للتعديل. يميز القسم بين أنظمة HTR المتصلة بالإنترنت وغير المتصلة، حيث تلتقط الأنظمة المتصلة بيانات الكتابة الديناميكية وتحقق معدلات تعرف أعلى. يوضح سير العمل النموذجي لأنظمة HTR غير المتصلة، والذي يتضمن خطوات مثل رقمنة الصور، والمعالجة المسبقة، والتقسيم، واستخراج الميزات، والتصنيف، مما يؤدي إلى المعالجة اللاحقة لتعزيز الدقة.
تسلط الورقة الضوء على التطبيقات المهمة لـ HTR في مجالات متنوعة، بما في ذلك رقمنة المخطوطات التاريخية، والبنوك لمعالجة الشيكات، والرعاية الصحية لإدارة الوصفات الطبية المكتوبة بخط اليد والسجلات الطبية. من الجدير بالذكر أن تقنيات HTR مثل Transkribus قد أظهرت معدلات دقة عالية، مما يجعلها أدوات قيمة للمكتبات والمؤسسات المالية. تركز دراسة الحالة المقدمة على تنفيذ HTR في عملية فحص أخذ العينات القبولية لشركة أدوية، بهدف تحسين الكفاءة وتقليل الأخطاء اليدوية في سير عمل مراقبة الجودة. تقوم حل HTR المقترح بأتمتة استخراج البيانات المكتوبة بخط اليد من نماذج الفحص، مما يسهل الأنشطة اللاحقة مع الحفاظ على الإشراف البشري اللازم، مما يتماشى مع مبادئ الصناعة 5.0 التي تدعو إلى الأتمتة المتمحورة حول الإنسان.
القيود
يسلط قسم القيود الضوء على عدة تحديات حاسمة تعيق فعالية وموثوقية تقنيات التعرف على النصوص المكتوبة بخط اليد (HTR). تعتبر دقة التعرف المتغيرة مصدر قلق رئيسي، حيث تتأثر بعوامل مثل نمط الكتابة، والسياق التاريخي، والاختلافات الفردية. على سبيل المثال، أظهرت الكتابة غير المنتظمة للموثقين في القرن السابع عشر تأثيرًا كبيرًا على أداء النموذج، مما أدى إلى معدلات خطأ عالية. بالإضافة إلى ذلك، تعقد التعقيدات مثل الاختصارات والرموز غير القياسية مهام التعرف. حتى مع الضبط الدقيق لمؤلفين محددين، غالبًا ما تتطلب أنظمة HTR تدخلًا بشريًا لتصحيح الأخطاء، مما يحد من الأتمتة والكفاءة في سير عمل النسخ.
تشكل جودة الصورة أيضًا حاجزًا كبيرًا، حيث يمكن أن تؤدي الصور منخفضة الدقة والمستندات الممسوحة بشكل سيئ إلى تدهور أداء التعرف بشكل كبير. وهذا يتطلب نماذج مدربة خصيصًا أو تصحيحات يدوية، مما يمكن أن يعيق عملية التدريب وتعلم النموذج. علاوة على ذلك، تعتبر توفر وتنوع مجموعات بيانات التدريب أمرًا حيويًا لتطوير نماذج HTR قوية، ومع ذلك، يبقى الوصول إلى مجموعات بيانات شاملة تغطي مجموعة واسعة من أنماط الكتابة تحديًا. يختتم القسم بالإشارة إلى أنه بينما يمكن أن تعزز HTR الكفاءة، فإن معدلات الخطأ العالية والتغيرات تشير إلى أنه من الأفضل استخدامها كأداة داعمة بدلاً من استبدال الجهد البشري بالكامل. يتم اقتراح استراتيجيات مستقبلية لتحسين قوة النموذج، مثل زيادة البيانات وتحسينات الهيكل، جنبًا إلى جنب مع الحاجة إلى آليات تقييم ثقة أفضل لتسهيل سير العمل التكيفي. أخيرًا، ستعتمد التنفيذ الصناعي الناجح لأنظمة HTR على معالجة الأداء الفني بالإضافة إلى العوامل البشرية والتنظيمية.
DOI: https://doi.org/10.1007/s12008-026-02513-9
Publication Date: 2026-02-24
Author(s): Luca Martuscelli et al.
Primary Topic: Handwritten Text Recognition Techniques
Overview
The research paper section discusses the application of Handwritten Text Recognition (HTR) technology in an industrial context, specifically within the acceptance sampling processes of a pharmaceutical manufacturing company. HTR aims to automate the digitization of handwritten records, thereby enhancing data extraction efficiency. The study evaluates a patented HTR software that utilizes a hybrid stroke-based recognition method, combining neural and statistical classifiers with structural matching. Preliminary findings suggest that while HTR can reduce processing time and improve operational efficiency, challenges related to recognition accuracy and the necessity for human validation hinder full automation.
The conclusion emphasizes the potential of HTR to support industrial workflows, particularly in quality control, while acknowledging the limitations of the study, such as its controlled experimental nature and the small, homogeneous dataset used. These constraints affect the generalizability of the results, which may not represent the broader capabilities of HTR technologies. The authors advocate for future research to focus on enhancing recognition accuracy, utilizing diverse datasets, and conducting practical trials in real production environments. Additionally, they recommend incorporating economic assessments to evaluate the cost-effectiveness of HTR solutions, thereby providing a comprehensive understanding of its industrial viability.
Introduction
The introduction of the research paper discusses the advancements in Handwritten Text Recognition (HTR) as a vital area within Artificial Intelligence (AI) and pattern recognition, driven by the need for efficient data processing and digital transformation. While Optical Character Recognition (OCR) for printed text has achieved high accuracy, HTR faces challenges due to handwriting variability and document imperfections. Recent developments in deep learning, particularly using Convolutional Neural Networks (CNNs) and Transformers, have improved HTR performance, yet its application in industrial settings remains limited. The paper highlights the potential of HTR in enhancing data accessibility and reducing transcription errors in various fields, including historical document digitization and medical record processing, while emphasizing the need for further exploration of its integration into industrial workflows.
To investigate the feasibility of HTR in industrial processes, the study focuses on quality control within acceptance sampling inspection, an area that traditionally relies on manual data recording. The research evaluates an HTR-assisted system in a pharmaceutical manufacturing context, analyzing its recognition accuracy, processing speed, and overall effectiveness. Key research questions address the accuracy of HTR in recognizing handwritten numerical data, its potential to improve data processing efficiency, and the technical challenges associated with its implementation. By examining HTR’s applicability in structured industrial workflows, the paper aims to contribute to the understanding of its advantages and limitations, thereby addressing a significant gap in the literature and paving the way for future research in manufacturing and operations.
Methods
In this study, the methodology employed to evaluate the impact of HTR software on the inspection process involved a structured test phase that assessed the software’s accuracy, processing time, and error-handling efficiency. The evaluation utilized three distinct inspection form types, each corresponding to a specific primary packaging material, and included a total of six product keys derived from two variations per material. The forms, selected by the process owner, were designed to reflect standard dimensional inspection procedures for incoming materials, with each form structured to assess a sample of 50 units. Notably, Forms 17 and 18 required four measurements per unit, yielding 200 recorded values, while Form 19, used for bottle inspection, necessitated five measurements per unit, resulting in 250 recorded values.
The testing was conducted by a limited number of operators using fictitious data to maintain consistency, although the influence of individual handwriting styles on recognition performance was acknowledged as a potential variable for future studies. The evaluation process was divided into three primary phases: scanning and uploading, automated reading, and correction and validation. This segmentation aimed to quantify time efficiency and identify challenges related to software accuracy and the need for human intervention. Overall, the methodology provided a comprehensive framework for assessing the HTR software’s performance in the inspection process.
Results
The results section details the evaluation of the Handwritten Text Recognition (HTR) software’s performance, specifically examining its data recognition accuracy and processing time when applied to modules from the test set. The assessment seeks to quantify the software’s ability to improve efficiency in the inspection process within the case study context. Additionally, it aims to offer insights into the maturity and feasibility of HTR technology for broader industrial applications, highlighting its potential impact on operational effectiveness.
Discussion
The discussion section of the research paper elaborates on the advancements and applications of Handwritten Text Recognition (HTR) technologies, emphasizing their role in automating the interpretation of handwritten documents. HTR aims to mimic human reading capabilities, facilitating the conversion of handwritten text into editable digital formats. The section distinguishes between online and offline HTR systems, with online systems capturing dynamic writing data and achieving higher recognition rates. It outlines the typical workflow of offline HTR systems, which includes steps such as image digitization, pre-processing, segmentation, feature extraction, and classification, culminating in post-processing to enhance accuracy.
The paper highlights significant applications of HTR in various fields, including historical manuscript digitization, banking for check processing, and healthcare for managing handwritten prescriptions and medical records. Notably, HTR technologies like Transkribus have demonstrated high accuracy rates, making them valuable tools for libraries and financial institutions. The case study presented focuses on the implementation of HTR in a pharmaceutical company’s acceptance sampling inspection process, aiming to improve efficiency and reduce manual errors in quality control workflows. The proposed HTR solution automates the extraction of handwritten data from inspection forms, thereby streamlining post-processing activities while maintaining necessary human oversight, aligning with the principles of Industry 5.0 that advocate for human-centered automation.
Limitations
The section on limitations highlights several critical challenges that hinder the effectiveness and reliability of Handwritten Text Recognition (HTR) technologies. A primary concern is the variability in recognition accuracy, which is influenced by factors such as handwriting style, historical context, and individual differences. For example, the irregular handwriting of 17th-century notaries has been shown to significantly impact model performance, resulting in high error rates. Additionally, complexities such as abbreviations and non-standard symbols further complicate recognition tasks. Even with fine-tuning for specific authors, HTR systems often require human intervention for error correction, which limits automation and efficiency in transcription workflows.
Image quality also poses a significant barrier, as low-resolution images and poorly scanned documents can severely degrade recognition performance. This necessitates custom-trained models or manual corrections, which can hinder the training process and model learning. Furthermore, the availability and diversity of training datasets are crucial for developing robust HTR models, yet access to comprehensive datasets covering a wide range of handwriting styles remains a challenge. The section concludes by noting that while HTR can enhance efficiency, its high error rates and variability indicate that it is best utilized as a supportive tool rather than a complete replacement for human effort. Future strategies to improve model robustness, such as data augmentation and architectural refinements, are suggested, alongside the need for better confidence evaluation mechanisms to facilitate adaptive workflows. Finally, the successful industrial implementation of HTR systems will depend on addressing not only technical performance but also human and organizational factors.