Den uløste udfordring ved rensning af OCR-tekst fra fødevareemballage

Hver dag tager millioner af muslimer over hele verden en fødevareprodukt, vender den om og kigger på den lille ingrediensliste på bagsiden. Teksten er ofte proppet ind på en smal panel, viklet rundt om kurvede overflader, trykt med lav kontrast og nogle gange delvist skjult af folder, blænding eller beskadigelse. For et menneske er det allerede en udfordring at læse disse etiketter. For en maskine — for vores OCR-pipeline hos HalalLens — er det et slagmark, vi endnu ikke har vundet.

Denne artikel er et ærligt blik på, hvor vi står. Vi har bygget et system, der kan scanne en fødevareetikette, udtrække tekst, identificere enkeltingredienser og bestemme deres halal-status — alt sammen på få sekunder. Det fungerer bemærkelsesværdigt godt på rene, flade, velbelyste etiketter. Men emballage i den virkelige verden er sjældent ren, flad eller velbelyst. Kløften mellem laboratorienøjagtighed og køkkenbordsrealiteten er, hvor vores sværeste uløste problemer findes, og vi mener, at vores brugere fortjener at vide præcis, hvad disse problemer er.

Hvorfor Fødevareemballage Er Unikt Svært for OCR

Optisk Tegngenkendelse har gjort store fremskridt. Moderne OCR-motorer kan læse trykte dokumenter med næsten perfekt nøjagtighed. Men en fødevareetikette er ikke et dokument. Det er et tredimensionelt objekt fotograferet under ukontrollerede forhold af et telefonkamera holdt i en vilkårlig vinkel. Teksten kan være trykt i fire-point skrift på en skinnende metallisk indpakning, hvor ingredienslisten fortsætter rundt om et hjørne, der er fysisk umuligt at fange på et enkelt fotografi.

Tag en typisk chokoladebar. Ingredienslisten kunne lyde: "Sukker, kakaosmør, sødmælkspulver, kakaomasse, emulgator (E471), naturlige aromaer, citronsyre." På papir er det ligetil. På en buet, reflekterende indpakning fotograferet under fluorescerende supermarkedsbelysning, kunne OCR-motoren returnere: "Sukker, coc0a butt3r, whol€ mælk powdr, cocoa ma55, emulsifi€r (E47I), natural f1avors, citr1c ac1d." Hver eneste forvansket karakter er en potentiel fejlidentifikation — og i halal-verifikation kan en fejlidentifikation betyde forskellen på, om et produkt markeres som sikkert eller mistænkeligt.

Rengøringsproblemet: Fra Rå OCR til Brugbare Ingredienser

Selv når vores OCR-motor med succes udtrækker tekst fra en etiket, er den rå output sjældent klar til halal-analyse. Teksten skal "renses" — et bedragersk simpelt ord for en enormt kompleks proces. Rensning betyder at adskille ingredienslisten fra omkringliggende tekst som næringsoplysninger, allergenadvarsler og markedsføringstekst. Det betyder at opdele en lang kommasepareret streng i individuelle ingredienser. Det betyder at genkende, at "E471" og "emulgator (E471)" og "mono- og diglycerider af fedtsyrer" alle henviser til samme stof.

Det er her, tingene bliver virkelig svære. Fødevareetiketter følger ikke et universelt format. I Europa er ingredienser typisk listet i faldende vægtorden, adskilt af kommaer, med allergener i fed. I USA er formatet lignende, men reglerne for allergimærkning er anderledes. I Sydøstasien kan etiketter forekomme på malajisk, indonesisk, arabisk og engelsk på samme pakke. I Skandinavien kan man finde norske, svenske, danske og finske ingredienslister stablet oven på hinanden, med E-numre brugt inkonsekvent.

Vores pipeline bruger i øjeblikket en kombination af regelbaseret parsing og LLM-assisteret ekstraktion. Det regelbaserede system håndterer velformaterede etiketter pålideligt: find "Ingredienser:", opdel ved kommaer, normaliser hver post. Men det fejler på edge cases — og i den virkelige verden er edge cases flertallet. Indlejrede parentetiske ingredienser som "chokoladeovertræk (sukker, kakaosmør, gelatin, glycerin)" skal parses korrekt for at identificere, at gelatin og glycerin er underingredienser i overtrækket, ikke selvstændige emner. At få parentes-indlejringen rigtig er overraskende skrøbelig.

Den Flersprogede Labyrint

HalalLens betjener brugere i hele Skandinavien, Sydøstasien, Mellemøsten og Vesteuropa. Et enkelt produkt scannet i en norsk dagligvarebutik kan have sine ingredienser opført på norsk, svensk, dansk og finsk — nogle gange med et arabisk eller engelsk afsnit også. Vores OCR-motor skal ikke kun læse teksten korrekt, men også afgøre hvilket sprog den kigger på, fordi det samme fysiske ord kan betyde forskellige ting på forskellige sprog.

Det virkelige mareridt begynder, når OCR-fejl interagerer med flersproget parsing. Hvis motoren fejllæser et norsk "ø" som et "o", kan ordet ved et uheld blive gyldigt på et andet sprog — men med en helt anden betydning. Vores NLP-renseproces forsøger først at detektere kildesproget og derefter anvende sprogspecifikke normaliseringsregler, men denne detektion i sig selv er upålidelig, når OCR-teksten er rodet. Det bliver et cirkulært problem: du har brug for ren tekst for at detektere sproget, men du har brug for sproget for at rense teksten.

Vi har eksperimenteret med flere tilgange: at køre OCR med eksplicitte sprog-hints, at bruge ensemble-modeller, der stemmer om den mest sandsynlige læsning, og efterbehandling med LLM'er, der kan ræsonnere om, hvad et rodet ord "sandsynligvis" skulle have været. Hver tilgang forbedrer nøjagtigheden trinvis, men ingen har løst den grundlæggende udfordring. Et produkt som E120 (carmine) kan være opført som "karmin" på norsk, "karmiini" på finsk og "cochineal" på engelsk — alt sammen på samme etiket, og alle skal genkendes som den samme halal-kritiske ingrediens.

Hvor Vi Står I Dag — Og Hvad Der Kommer Næste

Vi ønsker at være åbne om vores nuværende nøjagtighed. På velbelyste, flade, højkontrast-etiketter på engelsk opnår vores proces stærke resultater — korrekt identifikation og klassifikation af langt de fleste ingredienser. På flersprogede, buede eller beskadigede emballager falder nøjagtigheden mærkbart. Vi kompenserer for dette med konfidensscoring: når systemet er usikkert på en OCR-læsning eller en ingrediensidentifikation, markerer det resultatet og opfordrer brugeren til manuelt at dobbelttjekke.

Vores roadmap for at forbedre OCR-rensning inkluderer flere lovende retninger. For det første udforsker vi vision-sprog-modeller — AI-systemer, der kan se på det rå billede og forstå kontekst, ikke kun enkelte tegn. I stedet for at læse "ge1atin" og forsøge at rette det bagefter, kan en vision-sprog-model genkende ud fra den visuelle kontekst, at dette er en ingrediensliste, og ordet med al sandsynlighed er "gelatin." For det andet bygger vi en voksende database af kendte OCR-fejllæsninger — et fuzzy matching-lag, der kortlægger almindelige fejl som "E47l" tilbage til "E471" baseret på mønstre, vi har set på tusindvis af scanninger. For det tredje investerer vi i brugerfeedback-løkker, der tillader vores fællesskab at rette OCR-fejl, som derefter træner systemet til at undgå lignende fejl i fremtiden.

Ingen af disse løsninger vil være perfekte. Den grundlæggende udfordring ved at læse lille, buet, flersproget tekst fra et mobilkamerafoto bliver måske aldrig fuldt ud løst — det er et problem i skæringspunktet mellem optik, typografi, lingvistik og kulturel variation, der presser mod grænserne for den nuværende teknologi. Men vi mener, at ærlig kommunikation om disse begrænsninger, kombineret med stabil trinvis forbedring, er den rigtige tilgang. Hver rodet etiket vi behandler, lærer vores system noget nyt. Hver brugerrettelse gør den næste scanning mere nøjagtig.