OCR לטפסים בעברית

שלב 1: זיהוי סוג הטופס

שלב 2: עיבוד מקדים של התמונה הסרוקה

ראו scripts/preprocess_image.py לצנרת העיבוד המקדים המלאה. שלבים עיקריים:

1. המרה לגווני אפור
2. יישור — טפסים ישראליים לעיתים סרוקים בסיבוב קל
3. בינאריזציה עם סף מסתגל — מטפל בתאורה לא אחידה מסורקים
4. הסרת רעש באמצעות פעולות מורפולוגיות

שלב 3: הרצת OCR בעברית עם Tesseract

ראו scripts/extract_form_fields.py לצנרת החילוץ המלאה.

הגדרות Tesseract לטפסים בעברית:

config = (
    '--oem 1 '          # LSTM neural net (best for Hebrew)
    '--psm 6 '          # Assume uniform block of text
    '-l heb+eng '       # Hebrew + English (forms have both)
    '-c preserve_interword_spaces=1'  # Keep spacing for field alignment
)

• לטפסים טבלאיים (טאבו, טופס 106), יש להשתמש ב-PSM 4 במקום PSM 6
• תמיד להשתמש במצב LSTM (--oem 1) לדיוק מיטבי בעברית
• יש לכלול גם heb וגם eng כיוון שטפסים מכילים עברית ואנגלית/מספרים

שלב 4: חילוץ שדות לפי סוג טופס

נסח טאבו — שדות עיקריים:

• מספר גוש: חיפוש "גוש" ואחריו ספרות
• מספר חלקה: חיפוש "חלקה" ואחריו ספרות
• שם בעלים: מופיע אחרי "בעלים" או "שם הבעלים"
• מספר זהות (ת.ז.): מופיע אחרי "ת.ז." או "מספר זהות", 9 ספרות

טופס מס (טופס 106) — שדות עיקריים:

• שנת מס: מופיע אחרי "שנת מס"
• מספר מעביד: מופיע אחרי "מספר מעביד" או "מס׳ עוסק", 9 ספרות
• שכר ברוטו: מופיע אחרי "שכר ברוטו" או "הכנסה חייבת"
• מס שנוכה: מופיע אחרי "מס שנוכה" או "ניכוי מס"

שלב 5: טיפול ב-RTL וטקסט דו-כיווני

import unicodedata

def normalize_bidi_text(text):
    """Normalize bidirectional text from Hebrew OCR output."""
    lines = text.split('\n')
    normalized = []
    for line in lines:
        # Strip bidi control characters
        clean = ''.join(
            c for c in line
            if unicodedata.category(c) != 'Cf'
        )
        clean = ' '.join(clean.split())
        if clean:
            normalized.append(clean)
    return '\n'.join(normalized)

שלב 6: אימות נתונים שחולצו

לאחר החילוץ, יש לאמת שדות מפתח:

• מספרי ת.ז.: הרצת אלגוריתם אימות ת.ז. ישראלית (ספרת ביקורת)
• תאריכים: אימות פורמט DD/MM/YYYY וטווחי תאריכים תקינים
• סכומים: בדיקה שהשדות הנומריים מפוענחים נכון, ללא ארטיפקטים של OCR בספרות
• גוש/חלקה: אימות פורמט מספרי, טווחים סבירים
• הצלבה: אם ת.ז. מופיעה במספר שדות, יש לוודא עקביות

דוגמה 1: עיבוד נסח טאבו

המשתמש אומר: "חלץ נתונים ממסמך טאבו סרוק" תוצאה: עיבוד מקדים של התמונה, הרצת OCR בעברית, זיהוי כנסח טאבו, חילוץ שדות גוש/חלקה/בעלים/זכויות, אימות ת.ז., החזרת JSON מובנה.

דוגמה 2: עיבוד אצוות של טפסי מס

המשתמש אומר: "יש לי 50 טפסי 106 סרוקים — חלץ נתוני שכר ומס" תוצאה: הקמת צנרת אצווה — עיבוד מקדים לכל תמונה, OCR בעברית+אנגלית, חילוץ שדות טופס 106, אימות, פלט ל-CSV/JSON עם ציוני ביטחון.

דוגמה 3: בעיות איכות OCR

המשתמש אומר: "ה-OCR לא קורא את הטקסט בעברית נכון" תוצאה: אבחון עיבוד מקדים — בדיקת רזולוציית תמונה (מומלץ מינימום 300 DPI), אימות יישור, התאמת סף בינאריזציה, ניסיון מצבי PSM שונים, בדיקת התקנת חבילת השפה העברית.

סקריפטים

• scripts/preprocess_image.py — הכנת תמונות של טפסים ישראליים סרוקים ל-OCR: המרה לגווני אפור, יישור סריקות מסובבות, בינאריזציה מסתגלת לתאורה לא אחידה, הסרת רעש מורפולוגית, שיפור ניגודיות CLAHE אופציונלי, והסרת שוליים. הרצה: python scripts/preprocess_image.py --help
• scripts/extract_form_fields.py — הרצת Tesseract OCR בעברית על תמונות טפסים מעובדות וחילוץ שדות מובנים לפי סוג טופס. תומך בזיהוי אוטומטי של טאבו, טופס 106 וטפסי ממשלה ישראליים נוספים. פלט JSON עם שדות שחולצו ואימות ת.ז. ישראלית. הרצה: python scripts/extract_form_fields.py --help

קובצי עזר

• references/israeli-form-types.md — קטלוג מפורט של סוגי טפסים ממשלתיים ישראליים (טאבו/מקרקעין, טפסי רשות המסים, מסמכי ביטוח לאומי) עם תיאורי שדות, ביטויי regex לחילוץ, כללי אימות ת.ז., פורמטי תאריך/מטבע, וטיפים ל-OCR לפי פריסת טופס. יש לעיין בו בעת זיהוי טופס לא מוכר או בניית לוגיקת חילוץ שדות למסמך ספציפי.

שגיאה: "חבילת שפה עברית של Tesseract לא נמצאה"

סיבה: קובץ traineddata בעברית לא מותקן פתרון: התקנה עם sudo apt-get install tesseract-ocr-heb (Ubuntu) או brew install tesseract-lang (macOS). אימות עם tesseract --list-langs.

שגיאה: "פלט ה-OCR משובש או הפוך"

סיבה: בעיית סדר טקסט דו-כיווני פתרון: שימוש בפונקציה normalize_bidi_text(). יש לוודא שה-Tesseract משתמש ב---oem 1 (מצב LSTM). בדיקה שהתמונה לא מראתית.

שגיאה: "דיוק נמוך בחלקים מסוימים של הטופס"

סיבה: איכות סריקה ירודה, חותמות/חתימות חופפות לטקסט, רקעים צבעוניים פתרון: הגברת עיבוד מקדים — יישום הסרת רעש חזקה יותר, חיתוך לאזורים ספציפיים בטופס, שימוש בחילוץ מבוסס ROI לפריסות טפסים מוכרות.