OCR精度とは?
OCR精度とは、認識されたテキストが、スキャンしたページに実際に印刷されている内容とどれだけ近いかを表すものです。通常は正しく読み取られた文字または単語の割合で示されます。98%と聞くと高く感じますが、3000文字のページでは約60文字の誤りが残る計算です。請求書番号や日付の数字を1つ読み間違える方が、段落内の数十文字の誤りよりも深刻な影響を及ぼします。
精度を下げる要因
認識の質は何よりも画像で決まります。解像度が低いと細い線がにじみ、似た形の文字が混同されます。ページの傾き、本の綴じ目の影、薄い紙の裏写り、かすれたトナー、文字に重なった印鑑なども、文字の切り分けを難しくします。手書き、珍しい書体、小さな脚注は結果を悪化させ、言語の選択を誤っても同じです。
認識前の改善 / 結果の確認方法
最も効果があるのはスキャンの準備です。通常の印刷物なら300dpi前後を目安にし、傾いたページや横向きのページは直し、黒い縁は切り取り、文書の言語を選びます。2つの言語が混在するページでは、主要な言語で認識すれば残りもある程度読めますが、固有名詞は確認しておきましょう。 ページ上で見えている単語を1つ検索してみてください。ビューアで見つかれば、その語は認識されています。数字、名前、日付は目で照合してください。誤りが実害になるのはまさにそこです。金額、期限、法的な効力が関わる場合は、認識結果を下書きとして扱いましょう。
AuraDocでできること
スキャンPDFを回転は認識の前に横向きのページを縦に直し、PDFの言語を判定はファイルの認識対象の言語を示し、PDFのOCRはスキャンに検索可能なテキスト層を加えます。認識したファイルは新しいコピーなので、元のスキャンと見比べることができます。
この用語を使うツール
この用語が出てくるガイド
よくある質問
- OCR精度100%は達成できますか?
- 保証はできません。解像度が高い鮮明な現代の印刷物なら100%に近づきますが、どんなプログラムも全ページを完全に読むとは約束できないため、重要な数字は確認してください。
- dpiは高いほど必ずよく読めますか?
- ある程度までです。通常の文字なら300dpi前後で足り、それを大きく超えるとファイルが重くなるだけで認識は良くなりません。
- 数字は単語より誤読されやすいのはなぜ?
- 単語には文脈があるため、見慣れた語の中の怪しい文字は補正できます。数字にはその文脈がなく、1桁ずつが単独で読まれます。