Naar de inhoud
maarten.
Twee personen wijzen naar financiële details op een document.
Alle stories

Documenten uitlezen met OCR en AI

Maarten Soetens 11 min lezen

OCR haalt tekst uit scans en afbeeldingen; AI kan die tekst vervolgens classificeren en omzetten naar velden die software verder verwerkt. Lees hoe de stappen samenhangen, waar documentkwaliteit invloed heeft en hoe validatie en uitzonderingsafhandeling fouten beheersbaar maken.

OCR en AI: twee verschillende stappen bij documentverwerking

OCR staat voor optical character recognition. Het leest tekens uit een afbeelding en zet ze om in tekst. Dus stel, je scant een factuur: dan krijg je tekst terug waarin woorden, bedragen, datums letterlijk van de pagina gekopieerd zijn. Maar OCR weet niet wat die tekst inhoudt. Het ziet een getallenreeks, maar begrijpt niet of het om subtotaal, btw of het totaalbedrag gaat.

AI komt daarna pas kijken, zodra alle tekst (en eventueel de plek waar die stond) bekend is. Je laat een classificatiemodel inschatten: heb ik een factuur, een orderbevestiging, een brief? Daar bovenop wijst extractie elk herkend stukje tekst toe aan een veld als factuurnummer, leverancier of totaalbedrag. Dit gebeurt niet puur op woordniveau; context en samenhang doen ertoe.

Je hebt dat onderscheid nodig als er fouten zijn. Wordt een teken verkeerd gelezen? Dan kijk je naar je OCR-instelling of de scan. Staat een waarde wel goed herkend, maar in het verkeerde veld? Nu moet extractie of validatie onder de loep. Een goede verwerking houdt die stappen apart: beeldinvoer, OCR, classificatie, extractie, controle. Dat maakt het makkelijker te achterhalen waar informatie zoekraakt en of het aan OCR, extractie of regels ligt. De uitkomst kan via API-koppelingen door naar andere systemen.

Scan- en documentkwaliteit bepaalt de herkenbaarheid

Als het bronbestand slecht is, krijg je dat terug in de herkenning. Scheef, vaag, lage resolutie, rare kleuren, gecomprimeerd: tekst raakt vervaagd, tekens gaan op elkaar lijken. Een 0 wordt zomaar een O, een komma in een getal kan verdwijnen. Papierkleur, vouwen, schaduw, een handgeschreven krabbel, of zelfs een stempel spelen allemaal mee.

Niet ieder PDF-bestand bevat daadwerkelijk tekst. Soms zit er enkel een afbeelding in en valt er niks te doorzoeken. Stel dus vast welke bestandstypen en kwaliteit je nodig hebt. PDF met ingesloten tekst hoeft geen OCR; foto's wel. Bij foto’s zijn correcties als perspectief en randdetectie soms nodig. Hogere resolutie helpt tot een punt, maar te hoog maakt het soms juist slechter.

Kwaliteitscontrole meet dingen als scherpte, contrast en scheefstand, maar ook hoe zeker de herkenning was. Je kunt bestanden automatisch laten goedkeuren, opnieuw laten proberen of apart laten zetten. De grens bepaal je zelf, afhankelijk van hoeveel risico je accepteert en hoeveel werk je zelf wilt doen. Test met je echte documenten, inclusief de mindere en afwijkende exemplaren, niet alleen de netjes gescande monsters. Beeldvoorbewerking zoals rescaling, ruis verwijderen en scheefstand corrigeren kan de OCR-uitvoer verbeteren.

Beeldvoorbewerking en de keuze van een OCR-engine

Met beeldvoorbewerking maak je het OCR makkelijker. Staat de scan scheef? Correctie. Teveel ruis? Filter toepassen. Ongelijke achtergrond? Contrast verhogen. Binariseren, alles zwart-wit maken, kan tekst verscherpen, maar dunne letters daarbij ook laten verdwijnen. Vooropgezette bewerkingen werken niet overal; sommige scans gaan er juist slechter van worden.

Kies een OCR-engine niet puur op gemiddelde nauwkeurigheid. Kijk naar taalaanbod, herkent het tabellen, kunnen meerdere pagina’s worden verwerkt, krijg je coordinaten bij de tekstblokjes? Sommige OCR-systemen geven ook de locatie, anderen leveren vooral kale tekst. Bij formulieren met kolommen of vaste opmaak is positie onmisbaar.

Vergelijk engines met je eigen documenten, niet met wat erbij staat. Kijk niet alleen naar foute tekens, maar naar het effect op velden: een fout in een naam is iets anders dan een fout in een bedrag. Documenteer gebruikte engine, versie en instellingen, want een update kan plots resultaten veranderen. Bewaar waar mogelijk plaatje én OCR-uitvoer samen, anders wordt het lastig om fouten terug te zoeken.

Leesvolgorde, tabellen en documenten met meerdere pagina’s

Documenten zijn opgebouwd met blokken, tabellen, kop- en voetteksten, kolommen, zijbalken. Een OCR kan alle tekst nog zo goed herkennen maar alsnog de regels door elkaar halen. Bij kolommen wordt het vaak een warboel: linker- en rechterkolom gaan om en om in de tekstuitvoer. Stuur je zo’n door elkaar gehaalde tekst naar AI, dan raken context en veldrelaties makkelijk zoek.

Een layoutanalyse probeert structuur te brengen: het herkent paragrafen, tabellen, titels. Bij tabellen draait het om de relatie tussen rij en kolom; een bedrag los van omschrijving kun je vrijwel altijd vergeten. Controleer hoe cellen, samengevoegde kolommen, lege vakken en pagina-bre­de tabellen opgepakt worden.

Meerdere pagina’s maken het complexer. Het factuurnummer staat bovenaan op pagina 1, specificaties tien pagina’s verderop. Paginavoeten komen meermaals terug. Verwerk pagina’s dus niet los van elkaar. Werk met paginanummers, herkende vaste koppen en bepaal welke informatie voor het hele document geldt. Gaat layoutanalyse de fout in, dan haalt je extractie mogelijk een waarde van de verkeerde pagina, zelfs als de OCR per pagina kloppend lijkt.

Documenten classificeren en relevante velden extraheren

Na de gewone tekstherkenning moet je weten: wat heb ik voor me? Herkenning van type begint simpel, bijvoorbeeld met woorden in een kop, maar doordat benamingen en lay-outs flink wisselen kun je daar niet helemaal op vertrouwen. Een model neemt extra context mee, zoals kenmerkende zinnen, de combinatie van enkele velden, afzender. Twee documenten kunnen op één woord na hetzelfde lijken, classificatie heeft dan meer info nodig dan een los trefwoord.

Velden extraheren vraagt om een strakke definitie. Bij facturen krijg je er bijvoorbeeld leverancier, factuurnummer, datum, referentie, totaalbedrag bij. Wat doe je met meerdere kandidaatwaarden: een ordernummer én factuurnummer? Kies je automatisch de meest waarschijnlijke zonder toelichting, dan krijg je soms iets wat klopt maar niet bewijsbaar is.

AI vangt variatie beter op dan een vaste zoekterm, maar de output is niet vanzelf eenduidig. Dezelfde tekst kan het ene moment net even anders worden gelezen. Werk daarom met helder omschreven velden en eis waar mogelijk onderbouwing, bijvoorbeeld een geknipt tekstfragment of locatie. Daarmee kun je downstream makkelijker het verschil zien tussen een zekere en onzekere waarde. Voor AI-verwerking in een bestaande toepassing zijn ook ChatGPT-integraties mogelijk.

Een dataschema voorkomt onduidelijke AI-uitvoer

Data is pas bruikbaar als je schema’s gebruikt. Dat betekent: je legt vast welke velden je hebt, welk datatype erbij hoort en welke waardes zijn toegestaan. Een datum is ook echt een datum, geen losse tekst; bedragen zijn getallen, niet als tekst opgemaakt. Leg ook vast hoe je leegte afbakent: geen waarde is niet hetzelfde als nul, en dat is weer iets anders dan "niet van toepassing".

Normalisatie maakt vergelijken mogelijk. Datums kunnen allerlei notaties hebben; bedragen kunnen komma of punt als decimaalteken gebruiken. Bedrijfsnamen bevatten soms rechtsvormen of afkortingen. Normaliseren is nuttig, maar bewaar het origineel zodat altijd terug te zien is wat op het document stond.

Factuurregels werk je het best uit als een lijst objecten, niet als één lange tekst. Per regel leg je zaken als omschrijving, hoeveelheid, prijs en bedrag vast. Bedenk ook wat je doet met kortingen, negatieve of ontbrekende waardes. Een te strak schema houdt fouten en variatie buiten de deur, maar kan legitieme varianten blokkeren. Versiebeheer is daarom nodig: aanpassingen aan schema’s of interpretatie moeten gelogd zijn per documenttype en systeem dat ervan gebruikmaakt.

Validatie controleert meer dan de herkenningsscore

Een OCR-score of het vertrouwen van een model is een aanwijzing, maar bewijst niet dat een waarde klopt. Een bedrag kan perfect herkend lijken maar bij het verkeerde veld horen. Controleer daarom op meerdere fronten: is een veld aanwezig, klopt het formaat, past het binnen de bekende veldverhoudingen? Een datum die in het verleden hoort te liggen, maar in de toekomst staat, is technisch geldig maar inhoudelijk niet logisch.

Regels kunnen intern verbanden controleren. Je kunt totaalbedrag vergelijken met subtotaal en btw. Som bedragen per regel op en vergelijk met het eindtotaal. Een IBAN kun je checken op structuur en controlesom. Zo’n controle kan nog steeds geen complete juistheid bewijzen, maar signaleert wel tegenstrijdigheden voordat je gegevens verder stuurt.

Valideer met aandacht voor tolerantie en impact. Een verschil van een cent is vaak door afronding; een groter bedrag roept om nadere controle. Koppel validatie niet aan een score zonder naar impact te kijken: een fout leveranciernummer geeft grotere problemen dan een niet-vastgelegde optionele referentie. Leg per geval vast wat en waarom iets fout ging. Duidelijke meldingen helpen je om terug te zien of een fout bij het document, herkenning of schema ligt. Voor een bredere aanpak van AI-toepassingen testen zijn representatieve testdocumenten en meetbare kwaliteitscriteria nuttig.

Uitzonderingen herkennen en menselijke controle gericht inzetten

Vroeg of laat krijg je documenten die niet passen: pagina’s missen, scans zijn onleesbaar, een onbekend type duikt op, of velden spreken elkaar tegen. Dat vraagt om een specifieke werkwijze. Zomaar deels verdergaan levert downstream fouten, terwijl stilstaan bij iedere afwijking workflow frustreert en het proces ophoudt.

Beter is werken met risicoprofielen. Document compleet en zonder signaal? Laat door. Twijfel over een enkel veld? Richt een controle in waar de medewerker makkelijk het originele fragment te zien krijgt. Onbekend documenttype of OCR-mislukking? Stuur naar een aparte wachtrij, met reden. Waar je de drempel legt hangt af van het risico van een foute waarde; dat kan per veld verschillen.

Leg aanpassingen vast, maar neem feedback niet klakkeloos mee als trainingsdata. Een correctie kan gebaseerd zijn op een keer een foute interpretatie, of op iets wat voor die ene klantversie geldt. Zoek naar patronen in terugkerende uitzonderingen: is het documenttype nieuw, zijn scans vaak slecht, of missen er in de logica normalisatieregels? Zo verbeter je gericht de oorzaak, in plaats van steeds meer controle toe te voegen. Uitzonderingen kunnen via n8n-workflows naar een aparte wachtrij.

Privacy, herleidbaarheid en beheer van OCR-resultaten

In documenten staan vaak persoonsgegevens, financiële gegevens of bedrijfsinformatie. Denk na: wat stuur je naar een OCR- of AI-dienst, waar draait die verwerking, hoelang blijft informatie bewaard? Niet alles hoeft altijd bij elke stap bekend te zijn. Je kunt gegevens maskeren, beperken of verwerken binnen een eigen omgeving, afhankelijk van wat de organisatie vraagt. Let op tijdelijke opslag: een bestand kan nog steeds ergens staan als het bronbestand al lang weg is.

Wil je later kunnen terugzoeken, dan is herleidbaarheid vereist. Bewaar metadata van documenten, gebruikte modelversie en instellingen. Leg per veld vast waar het vandaan kwam: paginanummer, locatie, of tekstfragment. Juist bij steekproeven en correcties achteraf zijn die details belangrijk. Overdrijf niet: geen zin om complete kopieën van gevoelige documenten in onnodige logs te dumpen. Dat verhoogt het risico terwijl het weinig toevoegt.

Ook na livegang verandert het systeem. Leveranciers passen lay-outs aan, scans variëren, modellen worden geüpdatet. Houd herkenning en extractie per type, veld en bron bij; niet alleen in één totaalcijfer. Misschien vallen alleen de factuurnummers op een dag ineens vaker weg, terwijl alles eromheen oké lijkt. Met versiebeheer, toegangslimieten en periodieke controles houd je grip op wijzigingen en bepaal je wat opnieuw bekeken moet worden.

Veelgestelde vragen

Kan OCR ook handgeschreven formulieren uitlezen?

Ja, dat kan, maar het blijft vaak lastiger dan bij getypte tekst. Herkenning hangt sterk af van hoe iemand schrijft, of letters aan elkaar zitten en of invulvakken uniform zijn. Voor handschrift heb je soms een specifiek herkenningsmodel nodig. Test altijd met eigen voorbeelden. En twijfelgevallen laat je beter door medewerkers nakijken, zeker als misstappen rechtsgevolgen of geldkwesties opleveren.

Hoe koppel ik OCR-resultaten aan mijn boekhoudpakket?

Je koppelt OCR-resultaten door ze om te zetten naar het formaat dat jouw boekhoudpakket accepteert. Controleer welke invoeropties het pakket heeft: API, importbestand, of iets anders. Leg vast hoe documenttypen en velden vertaald worden en hoe je omgaat met fouten en dubbelen. Een verwijzing naar het originele bestand is handig. Test met echte documenten of alles goed aankomt vóór je automatisch doorzet.

Wat kost OCR en AI voor documentverwerking?

De kosten hangen af van het aantal pagina’s, documentsoorten, de gebruikte software en de hoeveelheid menselijke tussenkomst. Neem in je berekening niet alleen per-pagina of per-aanroep tarieven mee, maar ook inspanning voor inrichten, koppelen, beheer en het afhandelen van uitzonderingen. Zet dat af tegen huidige werklast en nacontrole. Een proef met praktijkdocumenten zegt meer dan alleen de prijs per scan.

Welke documenten kan ik het beste als eerste automatiseren?

Begin met documenten die veel voorkomen, een duidelijk vast patroon volgen en waar nu veel tijd in gaat zitten. Vaak is een goed afgebakende documentsoort prettig, bijvoorbeeld met succescriterium als minder handwerk en niet meer fouten in essentiële velden. Start liever niet met stroom documenten vol afwijkingen of met grote gevolgen bij een fout. Bekijk ook wie de uitkomst gebruikt en hoe correcties verlopen. Zo kun je na een eerste ronde beter beslissen of uitbreiden zinvol is.

Kan ik OCR automatisch laten starten zodra een document per e-mail binnenkomt?

Ja, je kunt het proces zo inrichten dat bijlagen direct in de OCR-verwerking belanden zodra een mail binnenkomt. Tenminste, als je duidelijk vastlegt welke mailboxen en bestandstypes zijn toegestaan en hoe je omgaat met mails met meerdere, ontbrekende of beveiligde bijlagen. Let op dubbele verwerking en registreer welke stap faalt als een bijlage niet bereikbaar is. Onbekende of onvolledige gevallen zet je in een aparte wachtrij. Zo raakt er geen document ongemerkt zoek.

Foto: Kindel Media

Portret van Maarten

Maarten

Freelance developer in Nijmegen

Even kennismaken?

Vertel kort wat er speelt. Dan hoor je wat er kan, wat ik anders zou doen en waar AI bij jou wél en niet iets toevoegt. Vrijblijvend.

Het kantoor in Nijmegen
© 2026 maarten.online Sitemap Privacy Algemene voorwaarden
Het kantoor in Nijmegen

Maarten.

Freelance developer in Nijmegen. Liever direct contact? Dat kan ook.

Kennismaken

Laat je gegevens achter, dan kijken we of het klikt. Vrijblijvend en zonder verkooppraat.

Maarten

Stuur een bericht via WhatsApp

Hoi! Waar kan ik je mee helpen?

nu