Wat is OCR (tekstherkenning)?

Definitie: OCR, kort voor Optical Character Recognition of optische tekenherkenning, is technologie die tekst in een afbeelding, scan of foto omzet naar tekst die een computer kan lezen, doorzoeken en bewerken. Zo wordt een gescande factuur, brief of formulier bruikbaar voor software.

In het kort

• OCR herkent letters, cijfers en tekens in een afbeelding en zet ze om in digitale tekst.
• Moderne OCR gebruikt machine learning en herkent ook lastige lettertypen, foto’s onder een hoek en soms handschrift.
• OCR is de basis van documentherkenning: pas als de tekst leesbaar is, kun je gegevens zoals bedragen en datums eruit halen.
• De kwaliteit van de uitkomst hangt sterk af van de kwaliteit van de scan of foto.

Wat is OCR?

OCR is de techniek die een computer laat lezen. Een scan of foto is voor een computer een verzameling pixels. Wie in een gescande PDF op Ctrl+F drukt, vindt niets, omdat er geen tekst in staat, alleen een afbeelding van tekst. OCR analyseert die afbeelding, herkent de vormen van letters en cijfers en maakt er echte tekst van. Daarna kun je het document doorzoeken, kopiëren, laten voorlezen of automatisch verwerken.

In het Nederlands wordt OCR ook tekstherkenning of optische tekenherkenning genoemd. Bij documentherkenning gaat het vaak een stap verder: de software leest niet alleen de tekst, maar herkent ook wat voor document het is en waar welke informatie staat.

Hoe werkt OCR?

1. Invoer. Een scan, foto, screenshot of PDF zonder tekstlaag.
2. Voorbewerking. De software maakt het beeld rechter, scherper en zwart-wit, verwijdert ruis en corrigeert een scheve hoek.
3. Indeling herkennen. Waar staan tekstblokken, kolommen, tabellen en afbeeldingen?
4. Tekens herkennen. Elke regel wordt opgedeeld in woorden en tekens, die worden vergeleken met wat het model heeft geleerd.
5. Nabewerking. Woordenlijsten en taalmodellen corrigeren waarschijnlijke fouten, zoals een 0 die eigenlijk een O is.
6. Uitvoer. Doorzoekbare tekst, een PDF met tekstlaag of gestructureerde gegevens.

Oudere OCR werkte vooral met het vergelijken van vormen met vaste sjablonen. Moderne systemen gebruiken neurale netwerken die op miljoenen voorbeelden zijn getraind. Daardoor herkennen ze veel meer lettertypen, talen en lastige omstandigheden.

Een korte geschiedenis van OCR

De eerste machines die tekst konden lezen, ontstonden al in het begin van de twintigste eeuw. Emanuel Goldberg ontwikkelde rond 1914 een apparaat dat tekens omzette in telegraafcode, en Gustav Tauschek kreeg in 1929 patent op een leesmachine. Een belangrijke doorbraak kwam in de jaren zeventig, toen Ray Kurzweil een OCR-systeem bouwde dat veel verschillende lettertypen kon lezen. Dat werd gebruikt in een leesmachine voor blinde en slechtziende mensen, die tekst omzette in spraak.

Tesseract, een van de bekendste OCR-programma’s, werd tussen 1985 en 1994 bij HP ontwikkeld en in 2005 als open source vrijgegeven. Google ondersteunde de verdere ontwikkeling. Inmiddels zit OCR in smartphones, scanners, boekhoudsoftware en zoekmachines.

OCR, ICR, OMR en AI-documentverwerking

OCR levert tekst op. AI-documentverwerking gebruikt die tekst om te begrijpen wat er staat en welke gegevens belangrijk zijn. In moderne systemen lopen die stappen in elkaar over, en sommige AI-modellen lezen afbeeldingen direct zonder aparte OCR-stap.

Wat levert OCR op?

De uitkomst van OCR kan verschillende vormen hebben, afhankelijk van wat je ermee wilt:

• Platte tekst. Alleen de woorden, zonder opmaak. Handig om te doorzoeken of verder te verwerken.
• Doorzoekbare PDF. De originele afbeelding blijft zichtbaar, met een onzichtbare tekstlaag eronder. Je ziet het document zoals het was, maar kunt zoeken en kopiëren.
• Tekst met posities. Per woord of regel staat vast waar het op de pagina stond. Dat is nodig om velden zoals een bedrag rechtsonder te herkennen.
• Gestructureerde gegevens. Velden en tabellen in een vast formaat, zoals JSON of een spreadsheet, klaar voor een ander systeem.

OCR op de smartphone

Veel mensen gebruiken OCR zonder het te weten. Op recente smartphones kun je tekst op een foto selecteren en kopiëren, een telefoonnummer op een visitekaartje direct bellen of een menukaart in een andere taal laten vertalen. Bankapps lezen een acceptgiro of factuur in, en scanner-apps maken van een foto een doorzoekbare PDF. Voor bedrijven is dat een laagdrempelige manier om documenten bij de bron te digitaliseren, bijvoorbeeld een monteur die een werkbon fotografeert.

Toepassingen van OCR

• Administratie. Facturen en bonnen inlezen, zodat bedragen en leveranciers niet worden overgetypt.
• Archivering. Papieren archieven doorzoekbaar maken.
• Klantenservice. Ingestuurde documenten, zoals identiteitsbewijzen of schadeformulieren, sneller verwerken.
• Logistiek. Vrachtbrieven, labels en pakbonnen uitlezen.
• Toegankelijkheid. Tekst laten voorlezen voor mensen met een visuele beperking.
• Mobiele apps. Tekst uit een foto kopiëren of vertalen.
• Kentekenherkenning. Parkeergarages en tolpoorten lezen kentekens met een vorm van OCR.

Uitgewerkt voorbeeld: van factuur naar boeking

Zo ziet een proces met OCR er bij inkomende facturen vaak uit:

1. Binnenkomst. Een factuur komt binnen per mail als PDF, of op papier en wordt gescand.
2. Tekst lezen. OCR zet de afbeelding om in tekst, inclusief bedragen, datums en adressen.
3. Gegevens herkennen. Documentherkenning zoekt het factuurnummer, de leverancier, het totaalbedrag, de btw en de vervaldatum.
4. Controleren. De software vergelijkt de leverancier met bekende relaties en het bedrag met een eventuele inkooporder.
5. Twijfel naar een mens. Velden met een lage betrouwbaarheid of een afwijking worden gemarkeerd voor controle.
6. Boeken. Na akkoord gaan de gegevens naar het boekhoudpakket, met de originele factuur als bijlage.

Het voordeel zit niet alleen in de snelheid. Omdat elke stap wordt vastgelegd, is achteraf te zien wie wat heeft gecontroleerd en goedgekeurd.

Hoe nauwkeurig is OCR?

Bij goed gescande, gedrukte tekst in een gangbaar lettertype is moderne OCR zeer nauwkeurig. De nauwkeurigheid daalt bij slechte foto’s, kleine letters, gekleurde achtergronden, stempels over tekst en handschrift. Belangrijk is het verschil tussen tekens en velden. Een systeem dat 99 procent van de tekens goed leest, kan nog steeds een fout maken in een bedrag van zes cijfers. Meet de nauwkeurigheid daarom op het niveau van de gegevens die ertoe doen, zoals het totaalbedrag of het IBAN, en op een steekproef van je eigen documenten.

OCR en AI-modellen

Nieuwere AI-modellen die zowel tekst als beeld begrijpen, kunnen een document soms direct lezen en vragen beantwoorden over de inhoud, zonder aparte OCR-stap. Dat is handig bij documenten met wisselende opmaak. Tegelijk zijn zulke modellen minder voorspelbaar en duurder per pagina dan klassieke OCR. In de praktijk worden beide gecombineerd: OCR voor betrouwbare tekst, en een AI-model om die tekst te interpreteren en te structureren.

Wat kost OCR?

Voor losse documenten is OCR vaak gratis beschikbaar in een smartphone, scanner of PDF-programma. Open source software zoals Tesseract kost geen licentie, wel tijd om in te richten. Clouddiensten rekenen meestal per pagina of per duizend pagina’s, waarbij gespecialiseerde modellen voor facturen of formulieren duurder zijn dan alleen tekst lezen. Gespecialiseerde software werkt vaak met een abonnement op basis van volume. De grootste kostenpost zit meestal niet in de OCR zelf, maar in de koppeling met bestaande systemen en de controle van twijfelgevallen.

Voordelen van OCR

• Minder overtypen, en daardoor minder fouten en minder tijd per document.
• Doorzoekbaarheid van archieven en dossiers.
• Snellere doorlooptijd van processen waarin documenten binnenkomen.
• Basis voor automatisering. Pas als tekst leesbaar is, kan software er iets mee.

Beperkingen van OCR

• Kwaliteit van de bron. Een onscherpe, scheve of donkere foto levert meer fouten op.
• Handschrift. Herkenning van handschrift is sterk verbeterd, maar blijft minder betrouwbaar dan gedrukte tekst.
• Tabellen en complexe opmaak. Kolommen en tabellen worden niet altijd in de juiste volgorde gelezen.
• Verwarrende tekens. Een l en een 1, of een O en een 0, worden soms verwisseld. Bij bedragen en codes kan dat gevolgen hebben.
• Privacy. Gescande documenten bevatten vaak persoonsgegevens. Ga na waar een OCR-dienst de bestanden verwerkt en bewaart.

Wanneer is OCR de moeite waard?

OCR loont vooral als er regelmatig dezelfde soort documenten binnenkomt en de gegevens daaruit in een ander systeem terecht moeten. Denk aan tientallen facturen per week, vaste formulieren van klanten of werkbonnen van monteurs. Bij een paar documenten per maand is overtypen vaak sneller dan een systeem inrichten. Stel jezelf daarom drie vragen: hoeveel documenten zijn het, hoe gelijk zijn ze aan elkaar, en wat kost een fout in de overgenomen gegevens?

Is het antwoord veel, redelijk gelijk en een fout is te corrigeren, dan is OCR een logische stap. Zijn de documenten heel verschillend, of heeft elke fout grote gevolgen, dan heb je naast OCR een goede controle-stap nodig, of een combinatie met AI-documentverwerking.

OCR-software en -diensten

• Ingebouwd in apparaten en apps. Smartphones, scanners en PDF-programma’s hebben vaak OCR aan boord.
• Open source. Tesseract is gratis en wordt veel gebruikt door ontwikkelaars.
• Clouddiensten. Grote cloudaanbieders bieden OCR- en documentdiensten via een API, met betaling per pagina.
• Gespecialiseerde software. Voor facturen, identiteitsdocumenten of specifieke branches, vaak met extra controle en koppelingen.

Zo haal je meer uit OCR

1. Zorg voor goede invoer. Scan bij voldoende resolutie, recht en met goed licht.
2. Beperk het soort documenten in het begin, zodat je per soort kunt testen en verbeteren.
3. Bouw een controle in voor velden waar een fout gevolgen heeft, zoals bedragen en rekeningnummers.
4. Gebruik betrouwbaarheidsscores. Veel systemen geven aan hoe zeker ze zijn; laat twijfelgevallen langs een mens gaan.
5. Meet de foutmarge op een steekproef van echte documenten, niet op nette voorbeelden.
6. Vraag digitale documenten aan bij de bron. Een PDF met tekstlaag of een e-factuur in een gestructureerd formaat zoals UBL heeft helemaal geen OCR nodig.
7. Bewaar het origineel naast de herkende gegevens, zodat je bij twijfel altijd kunt terugkijken.

Wat betekent dit voor jouw project?

Bij Contentooo, een workflow met intake, onderzoek, conceptgeneratie, controle en klantakkoord, zie ik steeds hetzelfde: goede invoer bepaalt wat een volgende stap oplevert. Bij OCR is dat letterlijk zo. Een duidelijke scan en een vaste route voor twijfelgevallen bepalen of de gegevens daarna betrouwbaar genoeg zijn om mee verder te werken.

Als ik naar een proces met documenten kijk, vraag ik daarom eerst wat er binnenkomt, wie ermee verder moet en welke informatie die persoon nodig heeft. Pas daarna kies je of OCR, een bestaand pakket of een koppeling met een documentdienst het beste past.

Worden bij jullie documenten nog met de hand overgetypt? Stuur me welke documenten het zijn, hoeveel er binnenkomen en wat er daarna mee gebeurt. Dan bepalen we samen de logische eerste stap.

Veelgestelde vragen over OCR

Wat is OCR?

OCR, Optical Character Recognition, is technologie die tekst in een afbeelding, scan of foto omzet naar digitale tekst. Daardoor kun je een gescand document doorzoeken, bewerken en automatisch verwerken.

Wat is het verschil tussen OCR en tekstherkenning?

Er is geen verschil: tekstherkenning en optische tekenherkenning zijn Nederlandse benamingen voor OCR. Documentherkenning gaat vaak verder en herkent ook het soort document en de plaats van gegevens.

Kan OCR handschrift lezen?

Moderne OCR-systemen kunnen handschrift steeds beter lezen, vaak aangeduid als ICR of handschriftherkenning. De betrouwbaarheid blijft wel lager dan bij gedrukte tekst, vooral bij slordig of doorlopend schrift.

Verwante termen

AI-documentverwerking · Workflow-automatisering · AI-automatisering · Machine learning · API-koppeling · AVG / privacy by design