Benchmark di riconoscimento della scrittura a mano con 14 LLM e OCR

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

Risultati del benchmark sulla scrittura in corsivo

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 di similarità semantica più elevati e l'interpretazione più coerente del testo in corsivo in tutti i campioni.

Su 100 campioni di scrittura in corsivo scritti da 10 scriventi, Gemini 3 Pro Preview ha ottenuto un punteggio perfetto, mentre Deepseek OCR ha registrato il 79%.

I nomi completi dei prodotti sono riportati di seguito; li abbiamo abbreviati nel grafico.

• 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 sulla scrittura in corsivo

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

Il dataset include:

• Inclinazione variabile, pressione del tratto e modelli di legature
• Testo misto con numeri, punteggiatura e maiuscole
• Risoluzioni e sfondi delle immagini diversificati per garantire robustezza

Tutti i campioni sono stati valutati utilizzando la nostra pipeline unificata di valutazione OCR, basata sulla similarità 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 per la scrittura a mano o OCR per il corsivo, è un sottocampo della tecnologia OCR che traduce le lettere scritte a mano in testo digitale o comandi corrispondenti in tempo reale. Per svolgere questo compito, questi sistemi sfruttano il pattern matching 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 comprensibili da fonti come documenti cartacei, fotografie, touch screen e altri dispositivi.

Le capacità di riconoscimento della scrittura a mano degli LLM sono anch'esse 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 maiuscolo. Il corsivo, invece, presenta caratteri uniti tra loro mentre vengono scritti.

Questo aspetto richiede che gli strumenti di riconoscimento della scrittura percepiscano correttamente ogni singolo carattere e lo identifichino con precisione. Di seguito sono riportati esempi di scrittura in stampatello e in corsivo.

Fonte: Quora¹

Gli strumenti di riconoscimento della scrittura a mano possono anche identificare 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 digitale della scrittura, fornito da Microsoft Azure Ink Recognizer API.

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

Sebbene gli strumenti OCR tradizionali siano sul mercato dagli anni 70, non esistono 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 interpretare la scrittura 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 con bassa risoluzione o scarsa illuminazione. Le pagine possono presentare macchie, ombre o sbavature che fungono da 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 righe scritte a mano raramente sono perfettamente dritte. Le parole possono inclinarsi, curvarsi o apparire ad angolazioni insolite.
• Caratteri collegati: Nel corsivo o nella scrittura veloce, lettere e simboli spesso si uniscono, rendendoli più difficili da separare.
• Degrado: I documenti più vecchi o molto utilizzati possono presentare 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 fatica ancora con la scrittura a mano. Oggi i progressi avvengono attraverso:

• Migliorare la qualità dell'input: Acquisire o scansionare i documenti con una risoluzione più elevata e una migliore illuminazione.
• Pulizia dello sfondo: Utilizzare tecniche di machine learning o fotografiche per rimuovere il rumore e migliorare la chiarezza.
• Algoritmi di riconoscimento avanzati: Applicare modelli di deep learning progettati per gestire stili di scrittura, alfabeti e lettere collegate differenti.
• Correzione dell'inclinazione: Utilizzare strumenti di elaborazione delle immagini per rilevare e correggere il testo inclinato o ruotato.
• Progettazione compatibile con l'OCR: Quando possibile, creare moduli e documenti facili da elaborare per gli strumenti OCR.

Preparazione per convertire gli appunti scritti a mano

Ci sono diversi fattori da considerare durante la progettazione dei documenti. Il più importante è il dato da acquisire dai documenti. Poiché esistono diversi modi per rappresentare lo stesso tipo di dato, è necessario considerare velocità, accuratezza e facilità d'uso di ciascuna opzione durante la creazione 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 ad alta risoluzione e ben illuminata 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 gli elementi di allineamento per prevenire documenti inclinati.

2. Tecniche di segmentazione

La segmentazione è il processo di suddivisione dell'immagine in componenti più piccoli e gestibili, come righe di testo, parole e singoli caratteri. Per garantire ciò, le aziende possono utilizzare i metodi di segmentazione illustrati di seguito.

Fonte: How OCR Works⁵

• Segmentazione delle righe di testo: È un prerequisito per le altre attività e consiste nel separare il documento in singole righe di testo. Mantenere i dati entro i margini.
• Segmentazione di parole e caratteri: Dopo la segmentazione delle righe, è possibile dividere ulteriormente le righe in singole parole e poi in caratteri, il che è fondamentale per un riconoscimento accurato del testo.
• Utilizzo di strumenti IA avanzati: Strumenti basati sull'IA come Transkribus possono eseguire automaticamente una sofisticata segmentazione del testo e del 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 le caselle di controllo in modo chiaro 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 che abbiano un contrasto sufficiente con la carta.
• Sfruttare l'OCR basato sull'IA: 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 che gli appunti sono stati scansionati e segmentati, utilizzare il software di riconoscimento ottico dei caratteri (OCR) per convertire le immagini del testo in testo digitale leggibile dalla macchina.
• Post-elaborazione: Revisionare il testo digitalizzato per individuare errori, soprattutto nelle aree con scrittura complessa o layout insoliti.

Esiste una ricerca attiva sul riconoscimento della scrittura a mano?

Poiché la capacità di riconoscimento della scrittura a mano dipende fortemente dalle reti neurali, i progressi di 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 sugli algoritmi delle reti neurali.

La ricerca di Google sul riconoscimento della scrittura a mano inizia con diverse fasi di addestramento:

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

Google utilizza anche 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 integra diversi motori di riconoscimento della scrittura a mano. Questi motori lavorano in modo sincrono per generare la rappresentazione dei caratteri più accurata corrispondente all'input.

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

Fornitori di riconoscimento della scrittura a mano

Poiché il riconoscimento della scrittura a mano è un sottocampo dell'OCR, i criteri per scegliere il giusto riconoscimento della scrittura a mano sono simili a quelli degli strumenti OCR. Quando selezioni 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 verrà utilizzata da persone

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

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

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

FAQ

Se desideri leggere di più sugli strumenti di riconoscimento della scrittura a mano, possono interessarti anche questi articoli:

• Stato attuale dell'OCR: è un problema risolto?
• OCR Benchmark: Accuratezza di estrazione / acquisizione del testo
• Documentazione sull'automazione dei test con le migliori pratiche

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 and PhD., Ezgi Arslan,},
  title  = {{Benchmark di riconoscimento della scrittura a mano con 14 LLM e OCR}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Consultato il 25 Agosto 2026}
}

Registro delle modifiche

9 aggiornamenti

Tutte9Generale7Metodologia2

1. 202625 Ago

   Rimosso Vidado dall'elenco dei fornitori di riconoscimento della scrittura.

2. 22 Gen

   Rimossa la sezione del benchmark di scrittura a mano del manoscritto.

3. 20254 Dic

   Rimosso l'API Azure Ink Recognizer dall'elenco delle fonti.

4. 27 Nov

   Aggiunta la sezione Risultati del benchmark della scrittura corsiva.

5. 27 Nov

   Rimossi i campioni di scrittura corsiva dalla metodologia.

6. 16 Set

   Aggiornata l'introduzione alla sezione Risultati del Benchmark con nuovi dati.

7. 23 Gen

   Rimossa la comparazione dei risultati con la distanza coseno dalla metodologia.

8. 202424 Ott

   Aggiunta una sezione Risultati del Benchmark, inclusa una lista dei prodotti principali e una sottosezione Metodologia.

9. 20231 Dic

   Aggiunto Abbyy all'elenco dei fornitori di riconoscimento della scrittura a mano.

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.

Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]

Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di Bogazici e possiede un MBA della Columbia Business School.

Visualizza il profilo completo

Ricercato da

Ezgi Arslan, PhD.

Analista di settore

Segui

Ezgi ha conseguito un PhD in Economia aziendale con specializzazione in finanza e ricopre il ruolo di analista di settore presso AIMultiple. Conduce ricerche e approfondimenti all'intersezione tra tecnologia e business, con competenze che spaziano dalla sostenibilità alle indagini e all'analisi del sentiment, dalle applicazioni di agenti AI nella finanza all'ottimizzazione dei motori di risposta, dalla gestione dei firewall alle tecnologie di procurement.

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