Igenkänning av scentext läser text som förekommer i foton och videor av verkliga miljöer, som gatuskyltar, förpackningar eller registreringsskyltar. Till skillnad från klassisk OCR för skannade dokument måste den klara sneda perspektiv, växlande ljus, ovanliga typsnitt och stökiga bakgrunder. Ett typiskt angreppssätt arbetar i två steg: först lokaliseras textområden, sedan känns tecknen i dem igen.
Optisk teckenigenkänning (OCR) omvandlar text i bilder, som skanningar, foton eller fax, till maskinläsbar text. Först då kan dokument sökas, kopieras eller bearbetas automatiskt. Modern OCR använder neurala nätverk och kan även känna igen tabeller, layouter och i vissa fall handskrift. Typiska användningsområden är fakturahantering, digitalisering av arkiv och inläsning av formulär; kvaliteten beror starkt på bildkvaliteten.
Datorseende är ett område inom AI där datorer tolkar bilder och video. Typiska uppgifter är att upptäcka och lokalisera föremål, läsa text i bilder och mäta komponenter. Tekniken används till exempel för kvalitetskontroll i tillverkningen, i förarassistanssystem, inom logistik och vid medicinsk bilddiagnostik.
Bildigenkänning är ett område inom datorseende där programvara identifierar vad en bild visar – föremål, personer, text, logotyper eller scener. Den bygger oftast på neurala nätverk som tränats på stora mängder märkta bilder. Användningsområdena sträcker sig från kvalitetskontroll i tillverkningen och sortering av produktfoton till stöd vid medicinsk bilddiagnostik. Vid bilder på människor kräver dataskydd och möjlig bias särskild uppmärksamhet.
