كل يوم، يلتقط ملايين المسلمين حول العالم منتجًا غذائيًا، يقلبونه، ويحدقون في قائمة المكونات الصغيرة المطبوعة على الظهر. غالبًا ما تكون النصوص مكتظة في لوحة ضيقة، ملفوفة حول أسطح منحنية، مطبوعة بتباين منخفض، وأحيانًا تكون محجوبة جزئيًا بسبب الطيات أو الوهج أو التلف. بالنسبة للإنسان، قراءة هذه الملصقات تمثل تحديًا بالفعل. أما بالنسبة للآلة — بالنسبة لخط أنابيب التعرف الضوئي على الحروف (OCR) الخاص بنا في HalalLens — فهي ساحة معركة لم ننتصر فيها بعد.
هذه المقالة هي نظرة صادقة على مكان وقوفنا. لقد بنينا نظامًا يمكنه مسح ملصق غذائي، واستخراج النص، وتحديد المكونات الفردية، وتحديد حالتها الحلال — كل ذلك في غضون ثوانٍ. يعمل النظام بشكل رائع على الملصقات النظيفة المسطحة جيدة الإضاءة. لكن تغليف المنتجات في العالم الحقيقي نادرًا ما يكون نظيفًا أو مسطحًا أو جيد الإضاءة. الفجوة بين دقة المختبر وواقع طاولة المطبخ هي حيث تكمن أصعب مشاكلنا التي لم تحل بعد، ونعتقد أن مستخدمينا يستحقون معرفة ماهية تلك المشاكل بالضبط.
لماذا يمثل تغليف الأطعمة تحديًا فريدًا للتعرف الضوئي على الحروف (OCR)
قطع التعرف الضوئي على الحروف (OCR) شوطًا طويلاً. يمكن لمحركات OCR الحديثة قراءة المستندات المطبوعة بدقة شبه مثالية. لكن ملصق الطعام ليس مستندًا. إنه جسم ثلاثي الأبعاد يتم تصويره تحت ظروف غير خاضعة للتحكم بواسطة كاميرا هاتف محمول بزاوية عشوائية. قد يكون النص مطبوعًا بخط حجم 4 نقاط على غلاف معدني لامع، مع استمرار قائمة المكونات حول زاوية من المستحيل ماديًا التقاطها في صورة واحدة.
فكر في لوح شوكولاتة نموذجي. قد تقرأ قائمة المكونات: "سكر، زبدة كاكاو، مسحوق حليب كامل الدسم، كتلة كاكاو، مستحلب (E471)، نكهات طبيعية، حمض الستريك." على الورق، هذا واضح. على غلاف منحني عاكس تم تصويره تحت إضاءة الفلورسنت في متجر البقالة، قد يعيد محرك OCR: "Sugar, coc0a butt3r, whol€ milk powdr, cocoa ma55, emulsifi€r (E47I), natural f1avors, citr1c ac1d." كل حرف مشوه هو احتمال لخطأ في التعريف — وفي التحقق من الحلال، قد يعني الخطأ في التعريف الفرق بين تصنيف المنتج على أنه آمن أو مشبوه.
| التحدي | ما الذي يحدث | التأثير على فحص الحلال |
|---|---|---|
| الأسطح المنحنية | يتشوه النص، تتمدد الأحرف وتتشوش عند الحواف | يتم اقتطاع أسماء المكونات أو دمجها |
| طباعة منخفضة التباين | نص رمادي فاتح على أبيض، أو نص داكن على خلفيات داكنة | يتم تفويت أقسام مكونات كاملة |
| الوهج والانعكاسات | فلاش الكاميرا يخلق مناطق بيضاء على التغليف اللامع | مكونات حرجة مخفية تحت بقع الوهج |
| ملصقات متعددة اللغات | نفس الملصق يحتوي على نص بـ 3-6 لغات، غالبًا ما تكون متداخلة | يمزج OCR بين اللغات، مما يخلق كلمات هجينة |
| أحجام الخطوط الصغيرة جدًا | النص المطلوب قانونيًا مطبوع بأصغر حجم ممكن | تصبح الأحرف غامضة: I مقابل l مقابل 1 |
مشكلة التنظيف: من مخرجات OCR الخام إلى مكونات قابلة للاستخدام
حتى عندما ينجح محرك OCR الخاص بنا في استخراج النص من ملصق، نادرًا ما تكون المخرجات الخام جاهزة للتحليل الحلال. يحتاج النص إلى "تنظيف" — وهي كلمة تبدو بسيطة بشكل مخادع لعملية معقدة للغاية. التنظيف يعني فصل قائمة المكونات عن النص المحيط مثل المعلومات الغذائية، تحذيرات مسببات الحساسية، ونصوص التسويق. يعني تقسيم سلسلة طويلة مفصولة بفواصل إلى مكونات فردية. يعني التعرف على أن "E471" و "مستحلب (E471)" و "أحادي وثنائي جليسريدات الأحماض الدهنية" جميعها تشير إلى نفس المادة.
هنا تصبح الأمور صعبة حقًا. لا تتبع ملصقات الطعام تنسيقًا عالميًا موحدًا. في أوروبا، عادةً ما تُدرج المكونات بترتيب تنازلي حسب الوزن، مفصولة بفواصل، مع كتابة مسببات الحساسية بخط عريض. في الولايات المتحدة، التنسيق مشابه لكن قواعد وضع علامات على مسببات الحساسية تختلف. في جنوب شرق آسيا، قد تظهر الملصقات باللغة الملايوية، الإندونيسية، العربية، والإنجليزية على نفس العبوة. في دول إسكندنافيا، قد تجد قوائم مكونات بالنرويجية، السويدية، الدنماركية، والفنلندية مكدسة فوق بعضها البعض، مع استخدام أرقام E بشكل غير متسق.
يستخدم خط أنابيبنا حاليًا مزيجًا من التحليل القائم على القواعد والاستخراج بمساعدة نماذج اللغة الكبيرة (LLM). يتعامل النظام القائم على القواعد بموثوقية مع الملصقات ذات التنسيق الجيد: ابحث عن "المكونات:"، افصل على الفواصل، طبيع كل مدخل. لكنه يفشل في الحالات المتطرفة — وفي العالم الحقيقي، الحالات المتطرفة هي الأغلبية. يجب تحليل المكونات المتداخلة بين قوسين مثل "غلاف الشوكولاتة (سكر، زبدة كاكاو، جيلاتين، جليسرين)" بشكل صحيح لتحديد أن الجيلاتين والجليسرين هما مكونان فرعيان للغلاف، وليسا عنصرين مستقلين. تحقيق التداخل الصحيح بين الأقواس هش بشكل مدهش.
| مخرجات OCR الخام | النتيجة النظيفة المتوقعة | الفشل الشائع |
|---|---|---|
| sugar, palm 0il, whey p0wder | سكر، زيت النخيل، مسحوق الشرش | لم يتم التعرف على "palm 0il" كزيت نخيل |
| E47l (mono-and diglycer1des) | E471 (أحادي وثنائي جليسريدات) | تم تحليل "E47l" ككود غير معروف |
| ge1atin (bovlne) | جيلاتين (بقري) | "ge1atin" يفوت علامة حرجة للحلال |
| Ingredienser: Sukker, melk... | [النرويجية] سكر، حليب... | لم يتم اكتشاف اللغة، تم تحليلها ككلام إنجليزي غير مفهوم |
متاهة تعدد اللغات
تخدم HalalLens مستخدمين في جميع أنحاء إسكندنافيا وجنوب شرق آسيا والشرق الأوسط وأوروبا الغربية. قد تحتوي منتج واحد تم مسحه ضوئيًا في متجر بقالة نرويجي على قائمة مكوناته باللغات النرويجية والسويدية والدنماركية والفنلندية — وأحيانًا مع قسم بالعربية أو الإنجليزية أيضًا. يجب على محرك التعرف الضوئي على الحروف (OCR) لدينا ليس فقط قراءة النص بشكل صحيح ولكن أيضًا تحديد اللغة التي ينظر إليها، لأن نفس الكلمة المادية يمكن أن تعني أشياء مختلفة في لغات مختلفة.
يبدأ الكابوس الحقيقي عندما تتفاعل أخطاء OCR مع التحليل متعدد اللغات. إذا أساء المحرك قراءة الحرف النرويجي "ø" على أنه "o"، فقد تصبح الكلمة صحيحة بالخطأ في لغة أخرى — ولكن بمعنى مختلف تمامًا. تحاول خطتنا التنقية للمعالجة اللغوية الطبيعية (NLP) اكتشاف اللغة المصدر أولاً ثم تطبيق قواعد تطبيع خاصة باللغة، ولكن هذا الاكتشاف نفسه غير موثوق به عندما يكون نص OCR مشوّشًا. تصبح المشكلة دائرية: تحتاج إلى نص نظيف لاكتشاف اللغة، ولكنك تحتاج إلى اللغة لتنظيف النص.
لقد جربنا نهجًا متعددة: تشغيل OCR مع تلميحات لغة صريحة، واستخدام نماذج مجمعة تصوت على القراءة الأكثر احتمالية، والمعالجة اللاحقة باستخدام نماذج اللغة الكبيرة (LLMs) التي يمكنها التفكير فيما كان من "المحتمل" أن تكون عليه الكلمة المشوّشة. كل نهج يحسن الدقة بشكل تدريجي، ولكن لم يحل أي منها التحدي الأساسي. قد يُدرج منتج مثل E120 (كارمين) على أنه "karmin" بالنرويجية، و"karmiini" بالفنلندية، و"cochineal" بالإنجليزية — كل ذلك على نفس الملصق، وكلها تحتاج إلى التعرف عليها كمكون حرج واحد فيما يتعلق بالحلال.
أين نقف اليوم — وما الخطوة التالية
نريد أن نكون شفافين بشأن دقتنا الحالية. على الملصقات عالية التباين والمسطحة وجيدة الإضاءة باللغة الإنجليزية، تحقق خطتنا نتائج قوية — حيث تحدد وتصنف الغالبية العظمى من المكونات بشكل صحيح. على العبوات متعددة اللغات أو المنحنية أو التالفة، تنخفض الدقة بشكل ملحوظ. نعوض عن ذلك من خلال نظام تسجيل الثقة: عندما يكون النظام غير متأكد من قراءة OCR أو تحديد هوية مكون، يقوم بوضع علامة على النتيجة وتشجيع المستخدم على التحقق يدويًا.
| الحالة | استخراج المكونات | تصنيف الحلال |
|---|---|---|
| ملصق إنجليزي نظيف ومسطح | عالية | عالية |
| ملصق أوروبي متعدد اللغات | متوسطة | متوسطة |
| عبوة منحنية/عاكسة | متوسطة | متوسطة |
| تالفة، أو خط صغير جدًا، أو تباين منخفض | منخفضة | منخفضة |
تتضمن خارطة طريقنا لتحسين تنظيف OCR عدة اتجاهات واعدة. أولاً، نستكشف نماذج الرؤية واللغة — أنظمة الذكاء الاصطناعي التي يمكنها النظر إلى الصورة الخام وفهم السياق، وليس فقط الأحرف الفردية. بدلاً من قراءة "ge1atin" ومحاولة إصلاحها لاحقًا، قد يتعرف نموذج الرؤية واللغة من السياق المرئي على أن هذه قائمة مكونات وأن الكلمة هي على الأرجح "gelatin". ثانيًا، نبني قاعدة بيانات متنامية لأخطاء القراءة الشائعة في OCR — طبقة مطابقة ضبابية تربط الأخطاء الشائعة مثل "E47l" بـ "E471" بناءً على أنماط رأيناها عبر آلاف عمليات المسح. ثالثًا، نستثمر في حلقات التغذية الراجعة من المستخدمين، مما يسمح لمجتمعنا بتصحيح أخطاء OCR والتي بدورها تدرب النظام على تجنب أخطاء مماثلة في المستقبل.
لن تكون أي من هذه الحلول مثالية. قد لا يتم حل التحدي الأساسي المتمثل في قراءة نص صغير ومنحني ومتعدد اللغات من صورة كاميرا هاتف بشكل كامل أبدًا — إنها مشكلة عند تقاطع البصريات والطباعة واللغويات والتباين الثقافي التي تدفع ضد حدود التكنولوجيا الحالية. لكننا نعتقد أن التواصل الصريح بشأن هذه القيود، مقترنًا بتحسين تدريجي ثابت، هو النهج الصحيح. كل ملصق مشوّش نعالجه يعلم نظامنا شيئًا جديدًا. كل تصحيح من المستخدم يجعل المسح التالي أكثر دقة.
النقاط الرئيسية
- ✓ تقدم عبوات الطعام الواقعية تحديات — أسطح منحنية، وهج، خطوط صغيرة جدًا، نص متعدد اللغات — تجعل OCR أصعب بكثير من مسح المستندات المسطحة.
- ✓ يمكن أن تتسبب أخطاء OCR مثل "ge1atin" أو "E47l" في تحديد مكونات حلال حرجة بشكل خاطئ أو تفويتها تمامًا.
- ✓ تخلق الملصقات متعددة اللغات مشكلة دائرية: النص النظيف مطلوب لاكتشاف اللغة، ولكن اكتشاف اللغة مطلوب لتنظيف النص.
- ✓ يستخدم HalalLens نظام تسجيل الثقة لوضع علامة على النتائج غير المؤكدة، مما يشجع المستخدمين على التحقق يدويًا عندما تكون جودة OCR منخفضة.
- ✓ نماذج الرؤية واللغة، وقواعد البيانات للمطابقة الضبابية، وحلقات التغذية الراجعة المجتمعية هي أكثر المسارات الواعدة للمستقبل.
جرب HalalLens — ساعدنا لنصبح أفضل
كل مسح ضوئي تقوم به يساعد نظامنا على التعلم. استخدم HalalLens للتحقق من حالة الحلال فورًا — وعندما يخطئ نظام OCR الخاص بنا، فإن تصحيحاتك تجعل المسح التالي أكثر دقة للجميع.
جرب HalalLens مجانًاإخلاء المسؤولية: هذا المقال لأغراض تعليمية ويعكس الحالة الحالية لتقنيتنا اعتبارًا من فبراير 2026. تقدم HalalLens التحقق من الحلال بمساعدة الذكاء الاصطناعي كأداة مساعدة، وليس كحكم ديني قاطع. استشر دائمًا علماء الشريعة المؤهلين للحصول على توجيهات موثوقة في مسائل النظام الغذائي الحلال.
