Benchmark del riconoscimento della scrittura a mano: LLM vs OCR

Gli strumenti OCR raggiungono oltre il 99% di accuratezza sul testo dattiloscritto in immagini di alta qualità. Tuttavia, la scrittura a mano rimane impegnativa a causa delle variazioni di stile, spaziatura e irregolarità. Introduciamo un benchmark di scrittura corsiva con 100 campioni di scrittura a mano redatti 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, raggiungendo i punteggi di similarità semantica più elevati e l'interpretazione più coerente del testo corsivo su tutti i campioni.

I nomi completi dei prodotti sono riportati di seguito, li abbiamo abbreviati nel grafico. In questo benchmark, sono state utilizzate le loro ultime versioni a 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 scriventi hanno scritto a mano 10 paragrafi ciascuno in corsivo, dando origine a un dataset di 100 campioni di scrittura corsiva. Agli scriventi non è stato chiesto di scrivere in modo ordinato. La connettività naturale delle lettere, la variabilità del tratto, la distorsione della spaziatura e la fluidità della linea sono state intenzionalmente preservate per riflettere la complessità realistica della scrittura corsiva.

Il dataset include:

• Inclinazione, pressione del tratto e modelli di legatura variabili
• Testo con numeri, punteggiatura e maiuscole
• Risoluzioni e sfondi di immagini diversificati per garantire robustezza

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

Esempio di immagine scannerizzata:

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 corsivo, è un sottocampo della tecnologia OCR che traduce le lettere scritte a mano nel corrispondente testo digitale o comandi in tempo reale. Per eseguire questo compito, questi sistemi si avvalgono del 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 intelligibili da fonti come documenti cartacei, fotografie, touch-screen e altri dispositivi.

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

Cosa include la scrittura a mano?

Per scrittura a mano, ci riferiamo a testi scritti in stampatello e in corsivo. I testi in stampatello sono più facili da riconoscere poiché i caratteri sono scritti separatamente come lettere stampate. Tuttavia, la scrittura corsiva coinvolge caratteri uniti man mano che vengono scritti.

Questo aspetto richiede che gli strumenti di riconoscimento della scrittura a mano percepiscano correttamente ogni singolo carattere e li 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 tuo movimento dinamico per fornire risultati più accurati. Di seguito è riportato un esempio di riconoscimento della scrittura digitale, fornito dall'API Ink Recognizer di Microsoft Azure. 

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

Anche se gli strumenti OCR tradizionali sono 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 possono percepire 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 di sfide che gli strumenti di riconoscimento della scrittura a mano incontrano frequentemente:

Sfide

• Qualità dell'immagine: Il testo scritto a mano viene spesso catturato in bassa risoluzione o 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 righe scritte a mano raramente sono perfettamente diritte. Le parole possono inclinarsi, curvarsi o addirittura 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 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 ha ancora difficoltà con la scrittura a mano. Oggi si stanno facendo progressi attraverso:

• Migliorare la qualità dell'input: Acquisire o scannerizzare documenti a risoluzione più elevata e 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 connesse vari.
• Correzione dell'inclinazione: Utilizzare strumenti di elaborazione delle immagini per rilevare e correggere il testo inclinato o ruotato.
• Progettazione amichevole per 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 vari fattori da considerare durante la progettazione dei documenti. Il più importante è il dato da acquisire dai documenti. Poiché esistono modi diversi per rappresentare lo stesso tipo di dato, devi considerare velocità, accuratezza e facilità d'uso di ciascuna opzione mentre costruisci il tuo documento.² ,³ ,⁴

1. Scannerizzazione e preprocessing

• 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 vaganti o ombre e correggere qualsiasi inclinazione nel documento. Evitare sfondi colorati. Utilizzare elementi di allineamento per prevenire documenti inclinati.

2. Tecniche di segmentazione

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

Fonte: Come funziona l'OCR⁵

• Segmentazione delle righe di testo: Questo è un prerequisito per altri compiti e comporta la separazione del 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 cruciale 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 chiaramente le caselle di controllo sulla pagina, assicurandoti che siano abbastanza grandi da essere facilmente riconosciute dal software OCR. 
• Formattazione chiara: Assicurati 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 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: Utilizza lo stesso tipo di casella di controllo e lo stesso stile in tutti i tuoi appunti per coerenza. 

4. Utilizzo del software OCR 

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

C'è 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 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 su algoritmi di reti neurali.

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

• Introduzione di tutti i caratteri possibili da diversi alfabeti
• Addestramento dello strumento per segmentare ogni carattere in un testo
• Addestramento dello strumento per l'estrazione di caratteristiche per 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 appropriato 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 del carattere 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. Mentre 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 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 lock-in del fornitore sono essenziali.

Di seguito puoi trovare un breve elenco di fornitori di 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, potrebbero interessarti anche questi articoli:

• Stato attuale dell'OCR: È un problema risolto?
• Benchmark dell'OCR per fatture: Accuratezza dell'estrazione di LLM vs OCR
• Benchmark OCR: Accuratezza dell'estrazione / acquisizione del testo

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 del riconoscimento della scrittura a mano: LLM vs OCR}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Consultato il 29 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 l'analista principale di AIMultiple dal 2017. AIMultiple informa centinaia di migliaia di aziende (secondo SimilarWeb) compreso il 60% delle Fortune 500 ogni mese.

Il lavoro di Cem è stato citato da importanti pubblicazioni globali tra cui Business Insider, Forbes, Washington Post, aziende globali come Deloitte, HPE e ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione europea.

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

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha anche 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 0 in 2 anni. Il lavoro di Cem in Hypatos è stato trattato da importanti pubblicazioni tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato in ingegneria informatica all'Università Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Ezgi Arslan, PhD.

Analista di settore

Segui

Ezgi ha conseguito un dottorato di ricerca in Economia aziendale con specializzazione in finanza e lavora come Analista di settore presso AIMultiple. Guida attività di ricerca e approfondimenti all'intersezione tra tecnologia e business, con competenze che spaziano dalla sostenibilità alle indagini e all'analisi del sentiment, dalle applicazioni degli agenti IA nella finanza all'ottimizzazione per i motori di risposta, dalla gestione dei firewall alle tecnologie di approvvigionamento.

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