用語集をすべて見る

技術と構成

OCRとは何か: 実際の業務文書を読み取る文字認識の完全ガイド

Korea Deep Learning作成

OCR(Optical Character Recognition)とは、スキャン画像や写真のように画像としてだけ存在する文書から、人が読める文字を見つけ出し、コンピューターで扱えるテキストに変換するとともに、各文字がある位置も合わせて返す技術です。

OCRが今も難しい理由

活字はすでに解決された問題です。

きれいに印刷された文書では、文字の読み取り精度はずいぶん前に実用の水準に達しました。そのため、OCRはもう完成した技術だと考えられがちです。しかし実際の受付の書類を開いてみると、話は違ってきます。

ある金融機関の受付文書では、折られた上端の黒い帯が、認証のマークの半分を覆い隠していました。別の文書は、コピーを何度も繰り返したことで、余白と本文の一部が失われていました。床に置いて撮影され、しわ、影、ゆがみが一緒に入ってきた文書もあれば、4回再送されたため、4種類の異なる日付表記が1行に重なって積み上がったFAXもあります。そこに、表を侵す印鑑、文字を横切る取消線、手書きとチェックボックスが混ざっています。

人はこうした文書を自然に読みます。文字認識で難しいのは、活字を読むことではなく、こうした状態の文書を読むことなのです。

OCRの正確な定義: テキスト抽出とどう違うのか

テキスト抽出とOCR、3つの軸での違い

第一に、対象が違います。テキスト抽出は、デジタルで作成された文書の中にすでにある文字データを取り出す作業です。元のファイルには文字がデータとして保存されているため、読み出すだけで済みます。OCRは、そのデータがない画像を対象にします。画面に見えるのはピクセルだけなので、その中から文字を見つけ出すところから始める必要があります。

第二に、目的が違います。テキスト抽出の目的は、保存された文字列を損失なく移すことです。OCRの目的は、画像の中で人が読めるすべての文字を見つけ出し、テキストとして復元することです。そのため、テキスト抽出には正確さという概念がほとんどありませんが、OCRでは正確さが中心的な指標になります。

第三に、評価指標が違います。テキスト抽出は漏れがないかどうかだけを見ます。OCRは、文字単位の正確さと類似度に基づく正確さを一緒に見ます。実際の検証事例では、活字と手書きの両方で類似度基準の精度が高く確認された金融文書群があり、認識速度もアクセラレーターを基準に測定されました。手書きを含む文書群で確認された事例もあります。

2つの方式は代替関係ではありません。実際の業務では、デジタルの原本とスキャン文書が1つの業務の中に混ざって入ってくるため、ファイルの性質を見分けて、それぞれに合った方式で処理する構成が必要です。原本にテキストがあるのに、わざわざ画像に変換して認識すると、それだけで精度を落とすことになります。

業務に投入できるOCRの6つの条件

実運用で求められるOCRの6つの条件

第一に、文書の状態を補正できる必要があります。傾いたスキャン、回転したページ、低解像度のFAX文書は、認識の前に正さなければなりません。傾き補正、回転補正、超解像の処理が前段に組み込まれているかを確認してください。

第二に、妨害要素に耐えられる必要があります。印鑑、透かし、取消線、重なった文字、影は、文字を隠したりゆがめたりします。こうした要素を含む実際の文書で検証しなければ、導入後の性能は大きく変わることがあります。

第三に、手書き文字を処理できる必要があります。申請書の多くの項目は手で記入されます。活字の精度だけを示された資料では実際の性能は判断できないため、手書きの精度を別途要求してください。

第四に、文字の位置を一緒に返す必要があります。認識された文字列だけでは、その後の項目抽出や検収ができません。各値の座標が一緒に返ってきてはじめて、画面上で原文を指し示して確認できます。

第五に、信頼度を項目単位で提供する必要があります。文書全体に1つのスコアを付けても、どこを見ればよいかがわかりません。確信の低い部分を別に表示してはじめて、例外中心の検収が可能になります。

第六に、処理量を支えられる必要があります。月間の平均ではなく、混み合う時間帯への集中度を基準に見ます。運用事例では、バッチ単位の処理時間と時間あたりの処理量が合わせて測定されています。

OCRの実際の適用方法

認識の前に前処理を置きます

認識精度を上げる最も速い方法は、モデルを変えることではなく、入力画像を整えることです。実際のパイプラインでは、文書の形式を画像に変換し、ページを分割して正規化し、傾きと回転を補正し、ノイズを除去してから、認識の工程に渡します。

この前段がないと、その後ろにどれほど良いモデルを置いても、失われた情報を取り戻せません。特にFAXの受信文書や携帯電話で撮影された文書が多い業務では、前処理の品質が全体の性能を左右します。

文字認識と構造認識を一緒に設計します

文字だけを順番に抜き出すと、表や段組みの文書では読む順序が狂ってしまいます。実際の構成では、まずレイアウトを分析して、タイトル、本文、表、図の領域を分け、読む順序を決めます。そのうえで、各領域の文字を認識します。

こうすると、認識の結果がそのまま構造化データにつながります。単なる文字列の羅列よりも、後の項目抽出や検索でずっと役立ちます。

後処理のルールも合わせて用意します

認識結果には、同じパターンで繰り返し現れる誤りがあります。数字とアルファベットが混同されたり、桁区切りの記号が誤って読まれたり、特定の書式で同じ項目が繰り返し誤ったりする形です。

こうした誤りは、モデルを再学習させるよりも、後処理のルールで抑えるほうが速くできます。事業者登録番号の桁数、日付の形式、口座番号の区切り記号のように、形が決まっている項目は、ルールで検証すればほとんどが取り除けます。

韓国環境でのOCR

韓国の業務文書には、いくつかの固有の条件があります。

まず文書の形式です。韓国語ワープロ文書が広く使われており、この形式は画像に変換する段階から別途の処理が必要です。官公庁の書式や税務申告書には、丸付き数字の項目番号や、多層構造の表が含まれています。

次に表記の方法です。ピリオドを桁区切りに使った文書をそのまま読むと、金額の桁がまるごとずれてしまいます。住民登録番号の区切り記号が抜けたまま印刷された文書も珍しくありません。こうした表記は、ルールで補正しなければそのまま業務上の誤りになります。

最後に受付の経路です。FAXがいまだに使われており、営業店でのスキャンと携帯電話の撮影画像が1つの業務の中に混在しています。韓国の文書で学習と検証を繰り返してきた事業者が有利な領域です。

よくある質問

OCRはすでに完成した技術ではないのですか?

活字の認識はそのとおりです。ただし実際の業務文書には、印鑑、手書き、低解像度のFAX、損傷したスキャンが混ざって入ってくるため、ここで製品ごとの差が大きく開きます。

精度はどの程度出ますか?

文書の種類によって異なります。金融文書の検証では、活字と手書きの両方で類似度基準の高い精度が確認された事例があり、手書き文書群で確認された事例もあります。

手書きの文字も読めますか?

読めます。ただし、手書きのばらつきが大きい項目では、検証のルールも合わせて設けるほうが安全です。導入の検討時には、手書きの精度を活字の精度と分けて確認してください。

処理の速度はどのくらいですか?

アクセラレーターを基準に、1枚あたりの処理速度が測定された事例があります。バッチ処理では、時間あたりの処理量が確認されています。文書の状態とハードウェアによって変わります。

認識結果をそのまま業務に使えますか?

そのまま使うことは難しいです。認識結果は文字の羅列なので、どの項目の値なのかを結び付ける工程と、形式を検証するルールが後に必要です。

テキストを含むPDFも認識する必要がありますか?

必要ありません。原本に文字データがあれば、そのまま抽出するほうが正確です。ファイルの性質を見分けて、処理の方法を分ける構成がよいでしょう。

ネットワーク分離の環境でも使えますか?

使えます。顧客企業の社内サーバーにインストールして運用する構築型であれば、外部通信なしで動作します。

実際の受付文書を1種類だけお送りいただければ、認識結果をそのまま返信いたします。

お問い合わせ