פיתוח אפליקציית סריקת כרטיסי ביקור עם OCR
המשימה נראית פשוטה: לצלם כרטיס ביקור ולקבל איש קשר בפנקס הכתובות. בפועל, בין הצילום לבין CNContact מאוכלס כראוי, יש שרשרת שבה כל מה שיכול להיכשל נכשל: תאורה חלשה, גופנים לא סטנדרטיים, כרטיסים דו-לשוניים, טקסט אנכי על כרטיסים יפניים. אנו מפתחים סורקי כרטיסי ביקור במפתח מלא שמתמודדים עם בעיות אלו ומספקים דיוק זיהוי של מעל 95%.
מה סריקת כרטיסי ביקור נותנת לעסק שלך
סריקת כרטיסי ביקור פותרת שלוש משימות: הזנת איש קשר מיידית ללא הקלדה ידנית, העשרה אוטומטית של CRM, וביטול טעויות אנוש. בממוצע, איש קשר אחד מוזן תוך 3 שניות במקום 30 — חיסכון של 27 שניות לכל כרטיס. עבור מנהל שמעבד 50 כרטיסים בשבוע, זה משחרר מעל 20 שעות בשנה. בשכר שעתי ממוצע של $30, זה חיסכון של $600 בחודש. עלות הפיתוח מתחילה ב-$5,000 עם החזר השקעה תוך 2-3 חודשים.
בעיות שאנו פותרים
-
איכות תמונה. רוב המשתמשים מצלמים כרטיסים ברישול: בזווית, תוך כדי תנועה, בתאורה חלשה. המערכת שלנו מזהה אוטומטית את הכרטיס באמצעות
VNDetectRectanglesRequest(iOS) אוObjectDetector(ML Kit), מתקנת פרספקטיבה (CIPerspectiveCorrection), משפרת ניגודיות, ולוכדת רק כשהכרטיס תופס >60% מהמסגרת ויציב למשך 0.5 שניות. אנו לא משתמשים בצילום ידני — הוא מייצר 30% יותר דחיות. -
זיהוי טקסט בתנאים קשים. ב-iOS אנו משתמשים ב-
VNRecognizeTextRequestשל אפל (לא מקוון, 18 שפות). באנדרואיד — ML Kit Text Recognition v2 (לא מקוון, לטינית + קירילית + CJK). לדיוק מרבי, אנו מחברים את Google Cloud Vision או AWS Textract — הם מחזירים פלט מובנה עם תיבות גבול. השוואת גישות:
| תכונה | Vision (iOS) | ML Kit (אנדרואיד) | Cloud API |
|---|---|---|---|
| לא מקוון | כן | כן | לא |
| שפות | 18 | לטינית, קירילית, CJK | 200+ |
| דיוק על טקסט פשוט | 98% | 97% | 99.5% |
| מהירות | 0.5–1 שניות | 0.5–1 שניות | 1–3 שניות (רשת) |
| עלות | חינם | חינם | $1.50/1000 עמודים |
Vision מהיר ופשוט יותר, אבל בגופנים מורכבים Cloud API מנצח ב-2-3%. הבחירה תלויה בדרישות הלא מקוונות.
-
ניתוח טקסט לא מובנה. OCR מחזיר מערך של שורות, לא שדות איש קשר. אנו משתמשים בביטויים רגולריים לטלפונים ואימיילים, וב-NER (CoreML ל-iOS,
nlpב-ML Kit לאנדרואיד) לשמות ותפקידים. כרטיסים דו-לשוניים (רוסית/אנגלית) מעובדים בנפרד: אנו קובעים את השפה של כל שורה באמצעותNLLanguageRecognizerומיישמים כללי ניתוח שונים.
כדי להגביר את הדיוק, אנו משלבים כללים דטרמיניסטיים (טלפונים, אימייל) עם מודלי NER מאומנים. ב-iOS, אנו משתמשים במודל CoreML מאומן על קורפוס של 10,000 כרטיסי ביקור. באנדרואיד, ML Kit Entity Extraction תומך ב-6 קטגוריות. זה מאפשר חילוץ נכון של שמות גם בפורמטים לא סטנדרטיים (למשל, "John M. Smith Jr.").
איך אנו משיגים דיוק של 95%+
הדיוק מובטח על ידי שילוב של שלבים:
| תנאי צילום | דיוק Vision | דיוק Cloud API |
|---|---|---|
| תאורה אחידה | 98% | 99.5% |
| בוהק או צל | 70% | 85% |
| גופן קטן (<8pt) | 85% | 92% |
| גופן לא סטנדרטי | 80% | 95% |
למקרים קריטיים, אנו ממליצים על גישה היברידית: על המכשיר לתצוגה מהירה, ענן לאימות סופי. לפי תיעוד Apple Vision, זיהוי על המכשיר משיג עד 98% דיוק בתאורה טובה. הסורק שלנו מהיר פי 3 מהזנה ידנית — 5 שניות לעומת 30 שניות לכל כרטיס.
מהניסיון שלנו: מקרה בוחן
יישמנו סורק עבור חברת מסחר עם 150+ מנהלים. מחסנית: iOS — SwiftUI + Vision + CoreData, אנדרואיד — Jetpack Compose + ML Kit + Room. מורכבות מיוחדת הייתה אינטגרציה עם AmoCRM דרך REST API. לאחר הסריקה, המנהל מאשר שדות בממשק, והנתונים מגיעים לעסקה תוך 2 שניות. הזנה ידנית בוטלה. תוצאה: מהירות עיבוד לכל כרטיס — 5 שניות, חיסכון של 25 שעות בחודש לכל מנהל. ההשקעה בפיתוח הוחזרה תוך חודשיים.
התהליך שלנו
- בדיקת צרכים: אילו שפות, צורך לא מקוון, אינטגרציה עם CRM או רק אנשי קשר במכשיר.
- עיצוב: ארכיטקטורת מודולים (צילום → תיקון → OCR → ניתוח → עריכה → ייצוא).
- יישום: אנו מתכנתים לפי שיטות עבודה מומלצות (תיקון פרספקטיבה, צילום אוטומטי, NER).
- בדיקות: על סט של 100+ כרטיסי ביקור אמיתיים באיכויות ופורמטים שונים.
- פריסה: פרסום ב-App Store / Google Play, הגדרת התראות push (APNs/FCM), deep linking.
מה כלול בעבודה
- קוד מקור של האפליקציה (iOS/אנדרואיד/Flutter) עם תיעוד.
- גישה למאגר (Git) ו-CI/CD (GitHub Actions / GitLab).
- שתי איטרציות בדיקה עם סט כרטיסי הביקור שלנו.
- הדרכה של צוות הלקוח על פאנל הניהול ופונקציות ייצוא.
- אחריות ל-3 חודשים על באגים הקשורים לזיהוי.
הערכות לוחות זמנים
סורק עם Vision/ML Kit, ניתוח בסיסי, ושמירה לאנשי קשר — 2–3 שבועות. עם OCR בענן, NER, תמיכה רב-לשונית, ואינטגרציית CRM — 5–7 שבועות. אנו מחדדים את לוחות הזמנים במהלך בדיקת הצרכים — קבלו ייעוץ.
טעויות נפוצות בפיתוח עצמי
- ללא צילום אוטומטי: המשתמש מצלם בידיים רועדות → תמונה מטושטשת.
- שימוש רק ב-regex לניתוח: מפספס שמות בפורמט לא סטנדרטי.
- התעלמות מתיקון פרספקטיבה: טקסט מוטה מזוהה גרוע ב-20%.
היישום שלנו מנצל טכניקות של lemmatization ו-tokenization כדי להגביר את דיוק הניתוח. תוצאה: דיוק של 95%+ בכל תנאי.
צרו קשר כדי לדון בפרויקט שלכם. יש לנו 5+ שנות ניסיון בפיתוח מובייל ומעל 50 פרויקטים ב-OCR וסריקה. אנו מבטיחים תוצאה — נפרט את דיוק הזיהוי במפרט הטכני.