OCR とは

光学文字認識は、画像やスキャン文書に写っているテキストを機械可読な文字に変換します。出力には、プレーンテキスト、位置、信頼度の値、構造化フィールドなどが含まれる場合があります。

OCR の仕組み

OCR パイプラインでは、まずラスター画像を準備し、テキスト領域を特定して、行や単語を分割または認識し、視覚的なパターンを文字に対応付けます。その後、レイアウト解析により、区別のない単一の文字列を返す代わりに、読み取り順序、表、ブロック、座標を再構成できます。言語モデルや辞書は字形の曖昧さを解消するのに役立ちますが、珍しい名前やコードを正規化によって変えてしまう場合もあります。メディア管理では、OCR によって検索可能なメタデータや自動化処理への入力を作成し、元の画像は証拠となる資料として保持します。

要点

  1. 傾き補正、向きの検出、コントラストの正規化、適切なサンプリングによって、言語モデルが文字を評価する前の段階で認識精度を改善できます。
  2. 文字の信頼度は、フィールドの正しさを保証するよう校正された値ではありません。合計値、識別子、名前には、分野固有の検証や人によるレビューが必要になることがよくあります。
  3. 検索可能な PDF は通常、ページ画像と不可視のテキストレイヤーを組み合わせています。そのため、認識が誤っていると、見た目は原本に忠実でも、選択できるテキストが一致しない場合があります。

OCR が重要になる場面

OCR を使うと、スキャン文書の検索、データ入力の自動化、抽出したテキストのインデックス作成や AI ワークフローへの提供ができます。低解像度、特殊なレイアウト、手書き文字、低いコントラストによって精度が低下し、レビューが必要になる場合があります。

メディアの知識を実用的なパイプラインに

単一の宣言的 API で、アップロード、処理、AI、ストレージ、配信を連携できます。エンコードスタックの管理、スケーリング、形式の変化への対応はお任せください。

Transloadit を無料で試す