Benchmark di riconoscimento della scrittura a mano: LLMs vs OCRs

OCR strumenti raggiungono oltre il 99% di accuratezza sul testo digitato in immagini di alta qualità. Tuttavia, la scrittura a mano rimane difficile a causa delle variazioni di stile, spaziatura e irregolarità. Introduciamo un benchmark di scrittura corsiva con 100 campioni di scrittura a mano scritti dal nostro team per prevenire l'overfitting.

Risultati del benchmark di scrittura corsiva

In questo benchmark, GPT-5, Gemini 3 Pro Preview e olmOCR-2-7B-1025-FP8 sono i modelli con le migliori prestazioni, ottenendo i punteggi più alti di similarità semantica e l'interpretazione più coerente del testo in corsivo su tutti i campioni.

I nomi completi dei prodotti sono elencati di seguito, li abbiamo abbreviati nel grafico. In questo benchmark, sono state utilizzate le loro ultime versioni a partire da novembre 2025:

• GPT-5
• Gemini 3 Pro Preview
• Gemini 2.5 Pro
• olmOCR-2-7B-1025-FP8
• Moondream OCR
• Claude Sonnet 4.5
• Nanonets-OCR2-3B
• Dots OCR
• Azure Cognitive Service
• Google Vision
• Mistral OCR
• PaddleOCR-VL
• Amazon Textract
• Deepseek OCR

Metodologia del benchmark di scrittura corsiva

Per questo benchmark, 10 scrittori hanno scritto a mano 10 paragrafi ciascuno in corsivo, ottenendo un dataset di 100 campioni di scrittura corsiva. Non è stato chiesto agli scrittori di scrivere in modo ordinato. La connettività naturale delle lettere, la variabilità dei tratti, la distorsione della spaziatura e la fluidità delle linee sono state intenzionalmente preservate per riflettere la complessità realistica della scrittura corsiva.

Il dataset include:

• Inclinazione variabile, pressione del tratto e modelli di legatura
• Testo misto a numeri, punteggiatura e maiuscole
• Risoluzioni e sfondi diversi per garantire robustezza

Tutti i campioni sono stati valutati utilizzando la nostra pipeline di valutazione OCR unificata, basata sulla similarità del coseno per un confronto equo.

Esempio di immagine scansionata:

Che cos'è il riconoscimento della scrittura a mano?

Il riconoscimento della scrittura a mano, noto anche come OCR della scrittura a mano o OCR corsivo, è un sottocampo della OCR tecnologia che traduce le lettere scritte a mano nel corrispondente testo digitale o comandi in tempo reale. Per svolgere questo compito, questi sistemi traggono vantaggio dal riconoscimento di pattern per identificare vari stili di lettere scritte a mano. Wikipedia definisce il riconoscimento della scrittura a mano come:

La capacità di un computer di ricevere e interpretare input scritti a mano intellegibili da fonti come documenti cartacei, fotografie, touch-screen e altri dispositivi.

Le capacità di riconoscimento della scrittura a mano degli LLM sono anche molto sviluppate; nel nostro benchmark, gemini-3-pro è accurato al 100%.

Cosa include la scrittura a mano?

Per scrittura a mano, intendiamo testi scritti in stampatello e in corsivo. I testi in stampatello sono più facili da riconoscere poiché i caratteri sono scritti separatamente come lettere in stampatello. Tuttavia, la scrittura in corsivo coinvolge caratteri uniti mentre vengono scritti.

Questo aspetto richiede che gli strumenti di riconoscimento della scrittura a mano percepiscano correttamente ogni carattere separato e li identifichino accuratamente. Di seguito sono riportati esempi di scrittura in stampatello e in corsivo.

Fonte: Quora¹

Gli strumenti di riconoscimento della scrittura a mano possono identificare anche la scrittura su schermi digitali. Questo tipo di scrittura può essere tracciato mentre viene scritto. Il software può sfruttare il movimento dinamico per fornire risultati più accurati. Di seguito è riportato un esempio di riconoscimento della scrittura a mano digitale, fornito da Microsoft Azure Ink Recognizer API.

Quali sono le sfide della conversione della scrittura a mano in testo?

Anche se gli strumenti OCR tradizionali sono sul mercato dagli anni '70, non ci sono ancora molti strumenti in grado di gestire il riconoscimento della scrittura a mano. Poiché ognuno ha il proprio stile di scrittura, gli strumenti OCR tradizionali non riescono a percepire la scrittura a mano di tutti.

Oltre alla tecnologia di visione artificiale, sono necessari algoritmi di deep learning altamente complessi per identificare con successo tutte queste variazioni. Di seguito è riportato un elenco delle sfide che gli strumenti di riconoscimento della scrittura a mano incontrano frequentemente:

Sfide

• Qualità dell'immagine: Il testo scritto a mano viene spesso acquisito a bassa risoluzione o in condizioni di scarsa illuminazione. Le pagine possono includere macchie, ombre o sbavature che agiscono come rumore di fondo.
• Varietà di stili di scrittura: Ogni individuo ha un modo unico di scrivere. Le differenze negli alfabeti, nelle forme delle lettere e nelle dimensioni dei caratteri rendono il riconoscimento più difficile.
• Testo inclinato: Le linee scritte a mano sono raramente perfettamente diritte. Le parole possono inclinarsi, curvarsi o persino apparire ad angoli insoliti.
• Caratteri connessi: Nella scrittura corsiva o veloce, lettere e simboli spesso si uniscono, rendendoli più difficili da separare.
• Degrado: Documenti più vecchi o molto utilizzati possono avere inchiostro sbiadito, ingiallimento o danni alla pagina, riducendo la chiarezza del testo.

Soluzioni

I moderni strumenti HTR combinano la visione artificiale con il deep learning per superare queste sfide. Questi approcci vanno oltre l'OCR tradizionale, che esiste dagli anni '70 ma ancora fatica con la scrittura a mano. Oggi, si stanno facendo progressi attraverso:

• Migliorare la qualità dell'input: Catturare o scansionare documenti a risoluzione più alta e migliore illuminazione.
• Pulizia dello sfondo: Utilizzare tecniche di apprendimento automatico o fotografia per rimuovere il rumore e migliorare la chiarezza.
• Algoritmi di riconoscimento avanzati: Applicare modelli di deep learning progettati per gestire diversi stili di scrittura, alfabeti e lettere connesse.
• Correzione dell'inclinazione: Utilizzare strumenti di elaborazione delle immagini per rilevare e correggere il testo inclinato o ruotato.
• Design adatto all'OCR: Quando possibile, creare moduli e documenti che siano facili da elaborare per gli strumenti OCR.

Preparazione per la conversione di appunti scritti a mano

Ci sono vari fattori da considerare durante la progettazione dei documenti. Il più importante è i dati da acquisire dai documenti. Poiché ci sono diversi modi per rappresentare lo stesso tipo di dati, è necessario considerare la velocità, l'accuratezza e la facilità d'uso di ciascuna opzione durante la costruzione del documento.² ,³ ,⁴

1. Scansione e pre-elaborazione

• Garantire una scansione chiara: Utilizzare uno scanner o un'app dedicata per creare un'immagine ben illuminata ad alta risoluzione dei tuoi appunti.
• Binarizzazione: Convertire l'immagine scansionata in bianco e nero per migliorare il contrasto e rendere il testo più distinto dallo sfondo.

Fonte: Datacap.hk

• Rimozione del rumore e correzione dell'inclinazione: Applicare filtri per rimuovere eventuali segni spuri o ombre e correggere qualsiasi inclinazione nel documento. Evitare sfondi colorati. Sfruttare elementi di allineamento per prevenire documenti inclinati.

2. Tecniche di segmentazione

La segmentazione è il processo di suddivisione dell'immagine in componenti più piccole e gestibili, come linee di testo, parole e singoli caratteri. Per garantire ciò, le aziende possono utilizzare metodi di segmentazione, che puoi vedere di seguito.

Fonte: How OCR Works⁵

• Segmentazione delle linee di testo: Questo è un prerequisito per altre attività e comporta la separazione del documento in singole linee di testo. Mantenere i dati all'interno dei margini.
• Segmentazione di parole e caratteri: Dopo la segmentazione delle linee, è possibile suddividere ulteriormente le linee in singole parole e poi in caratteri, il che è cruciale per un riconoscimento accurato del testo.
• Utilizzo di strumenti AI avanzati: Strumenti basati su AI come Transkribus possono eseguire automaticamente una segmentazione sofisticata di testo e layout per appunti complessi.

3. Incorporare caselle di controllo per una digitalizzazione più semplice

• Caselle prestampate: Se sai che digitalizzerai i tuoi appunti, disegna o stampa caselle di controllo chiaramente sulla pagina, assicurandoti che siano abbastanza grandi da essere facilmente riconosciute dal software OCR.
• Formattazione chiara: Assicurarsi che le caselle di controllo non siano troppo vicine al testo a cui sono associate e abbiano un contrasto sufficiente con la carta.
• Sfruttare l'OCR basato su AI: Gli strumenti possono essere addestrati a riconoscere queste caselle di controllo, consentendo un'elaborazione e un'estrazione più semplici delle informazioni selezionate/non selezionate.
• Standardizzare: Utilizzare lo stesso tipo di casella di controllo e lo stesso stile in tutti gli appunti per coerenza.

4. Utilizzo del software OCR

• Applicare l'OCR: Una volta scansionati e segmentati gli appunti, utilizzare il software di riconoscimento ottico dei caratteri (OCR) per convertire le immagini del testo in testo digitale leggibile dalla macchina.
• Post-elaborazione: Rivedere il testo digitalizzato per errori, specialmente nelle aree con scrittura a mano complessa o layout insoliti.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

C'è ricerca attiva sul riconoscimento della scrittura a mano?

Poiché la capacità di riconoscimento della scrittura a mano dipende fortemente dalle reti neurali, i progressi in questi algoritmi influenzano profondamente le prestazioni degli strumenti di riconoscimento della scrittura a mano. Pertanto, la ricerca attiva sul riconoscimento della scrittura a mano si basa generalmente su algoritmi di reti neurali.

La ricerca di Google sul riconoscimento della scrittura a mano inizia con diversi passaggi di addestramento:

• Introduzione di tutti i possibili caratteri da diversi alfabeti
• Addestramento dello strumento a segmentare ogni carattere in un testo
• Addestramento dello strumento per l'estrazione delle caratteristiche per un'identificazione accurata dei caratteri

Google sta anche utilizzando algoritmi di elaborazione del linguaggio per migliorare le prestazioni del riconoscimento della scrittura a mano. Ad esempio, se lo strumento deve decidere tra “i” e “l”, può analizzare l'intera parola e decidere il carattere adatto per fornire risultati accurati.

Il software OCR di solito ha diversi motori di riconoscimento della scrittura a mano integrati nel software. Questi motori lavorano in modo sincrono per generare la rappresentazione più accurata dei caratteri corrispondenti all'input.

Fornitori di riconoscimento della scrittura a mano

Poiché il riconoscimento della scrittura a mano è un sottocampo dell'OCR, i criteri per scegliere il riconoscimento della scrittura a mano appropriato sono simili a quelli degli strumenti OCR. Durante la selezione di un fornitore di riconoscimento della scrittura a mano, dovresti considerare i seguenti fattori:

• Accuratezza del riconoscimento dei caratteri
• Capacità di apprendimento continuo
• Velocità di calcolo nel caso in cui i risultati debbano essere forniti in tempo reale
• Facilità d'uso dell'interfaccia, se l'interfaccia sarà utilizzata da esseri umani

Oltre a questi, le migliori pratiche di procurement come garantire un costo totale di proprietà (TCO) minimo, flessibilità, migliori pratiche di sicurezza dei dati ed evitare il vendor lock-in sono essenziali.

Di seguito puoi trovare un breve elenco di fornitori di riconoscimento della scrittura a mano. Dovresti anche tenere presente che questi fornitori possono anche fornire servizi OCR per la tua azienda.

• Abbyy
• Google Cloud Vision API
• Hanvon Technology
• Hanwang Technology
• Infrrd.ai
• MicroBlink
• Microsoft Azure Read API
• Mitek
• MyScript
• Selvasai
• Unitek.ai
• Vidado

FAQ

Se vuoi saperne di più sugli strumenti di riconoscimento della scrittura a mano, questi articoli potrebbero interessarti anche:

• Stato attuale dell'OCR: È un problema risolto?
• Benchmark OCR delle fatture: Accuratezza di estrazione degli LLM rispetto agli OCR

Cita questo benchmark

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Benchmark di riconoscimento della scrittura a mano: LLMs vs OCRs}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Consultato il 2 Luglio 2026}
}

Collegamenti di riferimento

1.

When you write, do you print or use cursive? - Quora

2.

Enhanced Hybrid Technique for Efficient Digitization of Handwritten Marksheets

3.

Page restricted | ScienceDirect

4.

Preprocessing Techniques for Online Handwriting Recognition | Springer Nature Link

Springer Berlin Heidelberg

5.

Putting the Hardware to Work | How OCR Works

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Commenti 4

Condividi i tuoi pensieri

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento

Swanidhi Singh

Aug 07, 2025 at 00:28

Exactly what I was looking for. Thank you!

Rispondere

Sara

Sep 22, 2021 at 06:40

Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.

Rispondere

Vivienne

Feb 10, 2021 at 00:03

See Transkribus from readcoop for handwritten text recognition for cursive writing.

Rispondere

Leonard

Dec 10, 2020 at 11:08

Which service or software would you recommend in this case: - manuscript/diary 100s of pages written by one author - other language than English (German in this case) I need the software to learn my handwriting, that is not in English and preferably with a good tool to correct all the error.

Rispondere

Cem Dilmegani

Dec 12, 2020 at 19:54

Thank you for reaching out. You can try Google Cloud Vision. It is not bad at handwriting recognition and is free to try. I don't know if it can get user feedback to improve its models. Let us know if you find that functionality.

Rispondere