OCR

OCR（Optical Character Recognition、光学文字認識）は、写真やスキャンした画像の中にある文字を認識して、文字データに変換する技術です。画像のままでは、人間には読めてもコンピューターは「文字」として扱えません。OCR を通すと、検索、コピー、翻訳、集計ができるようになります。

しくみ

従来の OCR は、おおむね次の流れで処理します。

1. 前処理：傾きの補正、ノイズの除去、白黒への変換などで読みやすく整える
2. レイアウト解析：文字の領域、段組み、表、図を見分ける
3. 文字認識：領域ごとに、文字や文字列を識別する
4. 後処理：辞書や文脈で誤りを補正する

近年はニューラルネットワークによる認識が主流で、活字だけでなく手書き文字にも対応する製品が増えています。さらに、画像と言葉を同時に扱えるビジョン言語モデルが、文字を読み取るだけでなく内容を理解して質問に答えることもできるようになりました。

具体例

経理担当者が、月末に届く紙の請求書をスキャンして取り込むとします。OCR で取引先名、日付、金額を読み取り、会計ソフトに自動で入力すれば、手入力の手間が減ります。図書館が古い資料を電子化して全文検索できるようにする、スマホで撮った看板を翻訳する、といった使い方もあります。

使うときの注意

• 読み取りは完璧ではありません。 「0」と「O」、「1」と「l」、似た漢字などは誤りやすく、画質が悪い、影がある、斜めに撮影されているといった条件でさらに精度が下がります。
• 手書きや特殊なレイアウトは苦手なことがあります。 縦書きと横書きの混在、複雑な表、崩れた字などは、読み取り結果の確認が必要です。
• 重要な数字は人が確認しましょう。 金額や口座番号など、間違いが影響する項目は、突き合わせや目視のチェックを組み込むのが安全です。
• 個人情報に注意してください。 身分証や診断書などを外部サービスに送る場合は、データの保持や利用条件を確認する必要があります。

関連する考え方

OCR で得たテキストは、RAG の元データとして社内文書の検索に使われることがあります。画像全体の理解まで行いたい場合は、ビジョン言語モデルや、コンピュータービジョンの考え方が関係します。