跳至主要內容

數學公式的 OCR:依序檢查掃描原稿、算式與說明文字

把掃描的數學 PDF 轉檔後,逐一核對下標、希臘字母、公式編號與周邊的說明文字。

公式看起來眼熟,不代表它正確。少了一個下標,某個符號代表的量就變了;減號被讀成破折號,運算方式也跟著改變。校對 PDF 的 OCR 數學公式時,請拿算式和掃描原稿比對,而不是和你想像中應該出現的公式比對。

意義是否正確、排版是否可用,這兩件事要分開確認。算式本身正確卻顯示得很糟,和符號辨識錯誤但排得整整齊齊,處理方式並不相同。

挑一頁涵蓋多種標記方式的樣本

選一頁同時包含行內符號、獨立成行的公式、有編號的算式,以及公式後面的說明文字。如果文件裡有矩陣、積分或多行推導,也一併抽樣檢查。只含一般敘述文字的頁面,幾乎測不出數學辨識的效果。

把原始頁面開在看得清楚的縮放比例下。如果掃描本身就有模糊之處,請把無法確定的地方標記下來。放大圖片有助於檢視,但原本沒掃清楚的筆畫,放大也補不回來。

記錄原始位置時,檢視器的頁碼和紙本上印的頁碼都要寫下。公式通常另有編號,這是你回頭找原文的另一條線索。公式即使到了 EPUB 裡換了位置,仍然要能追回原本的出處。

先檢查細小符號,再接受整個算式

下標和上標要與主符號分開檢查。以示意算式 x_i² 為例,下標和指數各有各的作用;若把它們壓平成一般相鄰字元,這層區別就消失了。

常見的混淆包括:

  • 數字 0 與大寫 O;數字 1、小寫 l 與大寫 I。
  • 希臘字母 nu 與拉丁字母 v;某些字體下 rho 與 p 也容易混淆。
  • 乘號與字母 x。
  • 減號、連字號、小數點與標點符號。
  • 括號、大括號,以及加總或積分符號附帶的上下限。

每個出現的地方都要放回上下文判斷。同一個符號在不同章節本來就可能代表不同意思,所以整份文件一次取代,反而可能製造新的錯誤。也不要因為兩個字形長得像,就認定它們一定是同一個變數。

分清行內數學與獨立公式

行內算式必須留在它所屬的句子裡。確認算式前後的文字、標點,以及緊接在公式後面的單位。換行不應該讓行內算式的一部分變成獨立標題。

獨立成行的公式則要檢查分行結構。對齊的等號、分段函數、矩陣列、分數和續行都要逐一檢視。轉換工具可能每個字元都認對了,組合起來的關係卻是錯的。

下載下來的檔案和實際顯示的畫面都要比對。各家 Markdown 編輯器對數學標記的支援不一,CommonMark 本身並沒有定義完整的數學排版機制。如果原始文字看起來正確、顯示卻不對,先檢查你用的編輯器,再決定要不要改動數學內容。

輸出格式的語法與顯示方式,請參考Markdown 中的 PDF 公式。這篇談的是掃描原稿原本寫了什麼。

讓公式編號跟著正確的算式

像「代入 (4)」這樣的引用,要一路追到它指的那個公式。編號不該被併進算式裡,兩個公式的編號也不該互換。

接著讀公式前後的定義:「其中」後面帶出的變數對不對?前提假設、邊界條件和單位是否都還在?公式本身可能辨識無誤,但限制它適用範圍的那句話,卻在跨頁處被漏掉了。

檢查推導過程時,相鄰的幾個步驟要一起看。只看單獨一行,無法判斷某個項是被刻意消去,還是轉換時不小心漏掉。發現前後似乎對不上時,先回去比對原文的說明,再決定怎麼改。

下載、顯示,並留下校對紀錄

PDF Craft 可以處理掃描版 PDF,並在轉換過程中辨識公式。想要可編輯的內容時,請用PDF 轉 Markdown,上傳後選擇 Markdown,再下載轉換完成的檔案。辨識品質取決於原始檔案,沒有任何工具能保證每份文件都準確。

建議準備一張小表,欄位包括公式位置、有疑問的符號、原稿讀法、建議修正,以及查核狀態。如果計算結果事關重大,請在採用前交由具備相關專業的人員核對修正後的算式。OCR 的結果只是輔助閱讀,並不構成數學上的驗證。

最後,用你之後實際會使用的編輯器或閱讀軟體重新開啟檔案。複製一個算式,連同它的編號和說明它的段落一起檢查。原始 PDF 請和你的研究筆記放在一起,日後引用或重新計算時才能再核對一次。

把方法用在你的文件上

先用有代表性的檔案試一次,檢查結果,再選擇適合整套資料的處理方式。

轉換數學 PDF