【文字認識】OCRソフト【 自炊 】 [無断転載禁止]©2ch.net

光学文字認識（こうがくもじ にんしき、Optical character recognition）ソフト

校正作業を効率化

ここまででいったん作業状態の保存

今度は文字置換（透明テキストが不要な場合のみ）

下記を確認無しで問答無用で最初に置換

例

□は全角スペース

□□　→　□
『　→　「
□「　→　「
□（　→　（
ぱ　→　ぱ
ぷ　→　ぶ
ぽ　→　ぼ
っば　→　っぱ
っぶ　→　っぷ
っぼ　→　っぽ
っだ　→　った
っで　→　って
１つ　→　う
。つ　→　う
、つ　→　う
」つ　→　う
』つ　→　う
！……　→　！…
１……　→　！…
ー……　→　！…

これをキーボードマクロで1ボタン一発置換にしている
600行くらいのマクロ　（ショートカットやキー入力を順番にレコード）

表示文字のフォントは前に紹介した Migu 1M が大変便利
（似た形の文字の区別に主眼を置いたフォント）
もっといいのがあったら教えてね

ごはんかいじゅう

miguフォントを教えていただいた方、
ありがとうございました。
ノートでもパとバが見分けられるようになりました

検索文字「ボルト」
Canon （カラー290件・296件）（誤差拡散258件）（グレー300件）
Acrobat （カラー270件・271件・272件）（誤差拡散273件・277件）（グレー272件・275件）
新型Acro （カラー261件・272件・276件）（誤差拡散179件・160件）（グレー279件・276件）
KOFAX （カラー291件・303件・302件）（誤差拡散317件・317件）（グレー301件・301件）
Eタイピスト （カラー253件・247件）（誤差拡散247件）（グレー248件）

検索文字「注意」（白黒反転文字の注意と、周囲を文字の大きさの長方形の枠で囲まれた注意の2種類）

Canon （カラー506件・490件）（誤差拡散278件）（グレー467件）
Acrobat （カラー215件・217件・215件）（誤差拡散217件・214件）（グレー216件・216件）
新型Acro （カラー214件・216件・216件）（誤差拡散220件・215件）（グレー215件・217件）
KOFAX （カラー429件・431件・422件）（誤差拡散415件・419件）（グレー406件・414件）
Eタイピスト （カラー219件・219件）（誤差拡散217件）（グレー219件）

CanonもKOFAXも白黒反転文字の注意は認識できたりできなかったり。
差がついたのは、周囲を文字の大きさの長方形の枠で囲まれた注意を認識できるか、できないかで差がついた。
Canonは誤差拡散（線の太さ中）になると、OCRの精度が落ちました。（文字によっては落ちないものもあった。）

KOFAXレポ（OCRは優秀だが癖がある）
〇単独のファイルを開いてOCRした場合
上書きOCRした場合
元々のOCRが消されないで二重にOCRされる。
（検索ヒット数が極端に多くなる。（2倍ぐらいになる）
OCR情報を全て消してからだとOCR可能。

→しかし、どちらのやり方でも上書き保存だと
ファイル容量がなぜか倍ぐらいになる。（大きいファイルのみ）
→対策
KOFAXのエクスポート機能で出力すると原本と殆ど同じ大きさのファイルで出力される。
〇複数PDFファイルを結合してOCRした場合
他ソフトでOCR未処理の処女ファイルはOCR化できる。
他ソフトでOCR処理済みのファイルは、Acrobat等で非表示テキストを削除しても、何故かOCR認識できない。（上書きOCRされない。元のOCRのまま）
KOFAXで非表示テキストを削除して再OCR化した場合は、考えつかなかったので試す前に試用期間が終わってしまった。

新型AcrobatとKOFAXとEタイピストは、全て試用verのものです。

KOFAX（Power PDF Advanced）

Canonの複合機のソフト「IJ Scan Utility」（ライトは不可）
の「PDF編集」で画像を読み込んでOCR化PDF作成可能
https://ij.manual.canon/ij/webmanual/ScanUtility/W/LiDE%20400/1.1/JP/SU/su-965.html
https://ij.manual.canon/ij/webmanual/ScanUtility/W/LiDE%20400/1.1/JP/SU/su-971.html
　
各種制限は上記リンク参照で（いちどに100P迄等）
試してみたら
ビットマップ不可
マルチTIFF不可

圧縮は
他社スキャナー作成の600dpiのTIFF（100Pで10G）
標準圧縮→100Pで200MB弱に
TIFF読み込み3分
PDF保存17分

OCRの結果は
シャドウを増やしてスキャンしたからか、注意の検索結果だけ355件に落ちた。
それ以外の検索結果は変わらず。

複合機＝プリンター複合機

読取革命買ったのに期待通りの性能じゃなくてがっかり。
scansnapで読み取った後に行うOCR処理よりも優れてると思ったけど寧ろ劣ってるわ。
読取革命買った時のためにOCR処理せずに読み取ってたのがなんか無駄だったな

悲しいなあ

KOFAXもOCR会社買収してたりするから、
プリンター会社もOCRソフトウェア経験者引き抜いたりしてるんでは？

OCRソフトは、試用版を使った感じでは、
表形式の文書をスキャンしてエクセルに変換するのは
原本に応じて、色々認識範囲を任意に変更できたりして得意そうな気がしたけどね。
ビジネス向きかもしれんね。

PDF同士の結合は、たぶん結合前じゃなく結合後の総ファイル容量だと思うんだけど、

Acrbatは2G迄
KOFAXは3G迄

だった。それ以上だと何回か繰り返したけどエラーが出た。
画像を結合して変換する場合はわからん。

おまいらありがとう
ここで教えてもらった手法を元に
機械学習でOCRするやつの前段が完成した
https://i.imgur.com/fnV1SQd.png

後段は文字の連結を拾ってutf8とかで符号化するんだけど
これは事前に確認したところではいけてるので、もうちょい

>>472
文字の切り出しの手法は、何を使いましたか？

>>473
CenterNetの手法で、バックボーンにEfficientNet v2を使っています。
文字の中心位置とボックスと縦横を出すのと同時に、
中心位置まわりに384次元の特徴量を取得してます。
プレ学習として、384次元の特徴量を文字コードに1対1で変換してます。

後段では、特徴量を連続させて、文脈依存で文字コードに変換させるのを予定してます。

>>474
頑張りましたね。
手書き文字だと、どんな感じに抽出できますか？

>>475
https://i.imgur.com/YEOWcgA.png
https://i.imgur.com/0rUVrYT.png
これくらい

手書きは学習データを用意するのがめっちゃ大変なので、
十分学習はできてない気がする。いまのところおまけ程度の
精度しか出てません。
手書きは文字が分裂して認識しやすいので、相当たくさんの
手書きデータを元に学習させないと上手くいかないと思われます。
やり方としては今の延長線上でいけそうな気配はしてます。

>>476
良い感じで抽出できてますね。GitHubにソースなどを上げて欲しいです

>>472
すばらしい。

リリースの暁は、日本語文書き出しの行頭一文字空白も認識させてください。

>>477
まだ前半だけだけどとりあえずソース
https://github.com/lithium0003/findtextCenterNet

学習済み重みはreleaseのところにリンクがあるです
文字の大きさは、20pixel-200pixel位で覚えさせてるので
見かけの大きさがそのくらいになる様にリサイズするとよいです。
カラーは適当に処理するはずですが、上手くいかない場合は
コントラストとかいじる必要があるかも。

神アプリ誕生の予感...

>>479
のモデルで、iPhoneとかiPadで推論できるようにしました
https://testflight.apple.com/join/X68qbEsJ

iPhone13とかの最新デバイスだとまともに動くと思うのですが
昔のデバイスだと微妙かも。落ちる場合はCPU onlyにしたら
遅いながらも落ちなくはなります。

>>481
Android しか持っていないので試せないです。残念。

>>476
文字のある領域を示すのに IIIF manifest の形式を使うのが標準的なようですが、対応してますか？

>>482
IIIF manifestの形式は知りませんでした。どこかよい説明のリンクありますでしょうか。

Androidでも機械学習モデルが簡単に動けばいいのですが。iPhoneの最近のやつは
推論エンジン積んでるのでかなり速く認識できます。

いまだによくロシア企業のOCR使えるな

AcrobatでOCRした透明テキストの修正ってどうしてます？
Acrobat上だとやりづらすぎて

漫画翻訳再加工でおすすめのありますかね
グーグルのカメラ翻訳みたいなのが一番なんだけどさすがに無理か
これしか見つからない
https://www.imagetranslate.com
https://github.com/minux302/manga_global

>>468
ありゃダメだよ
ま、値段を考えたら自ずと理解できると思うけどね

読取革命を経理業務で使ってる人いる？
領収書や請求書なんかの文字認識や精度はどの程度なのか気になってます

認識させた後どうやって使うつもりなの？

読取革命を業務で使ってる人なんていないと思う
そのレベルのOCRだから

まさに革命やな。

そもそも、読取革命みたいなレベルのソフトを法人が使うわけないやろｗ

それこそ革命やで。

滑り芸か？

ごめんなさい。ふざけすぎました。

streamed高いからなあ
自分で出納帳読み込んで仕訳作成できれば
streamedなんか使う必要ないんだけど
そんな優れた市販のOCRソフトが無いんだよね

まあ出納帳Excelで作ればOCR化なんて挟む必要もないんだけどな

Google の OCR 使いたかったらPDF ファイルを Google ドライブにあげてGoogle ドキュメントで開けばいいと思ってたんだけど文字認識していない
どうすれば使えるんだったっけ？
誰かわかる人教えてください

この PDF はスキャンしただけの画像です

>>498
PDFではやった事ない
自分はPNGでやってる

>>500
https://support.google.com/drive/answer/176692?hl=ja&;co=GENIE.Platform%3DDesktop

Google の説明では PDF ファイルも文字認識するのでなんだけど

>>500
498だけそ，1ページだけ抽出してpng形式変換した後，Google ドキュメントで開いたけどやっぱ文字認識してない．

>>502
特に問題無くできるけどなあ・・・
ttps://i.imgur.com/ooEoPEj.png
設定見てもOCRを阻害しそうな項目は見当たらないし・・・

ごめん、わからん

ヘルプに書いてあるいくつかの条件は確認してるのですね

>>503
https://imgur.com/a/pFWtlW7
これなんですがそちらの環境で文字認識しますか？

そういや、読取革命16を買って、ほとんど使ってないわｗ
修正面倒臭いから

PDF エレメントプロの OCR はアクロバットのOCRに比べてどうでしょうか
経験がある方がいれば教えてください

国会図書館、OCR処理プログラム及び学習用データセットを公開
https://srad.jp/story/22/05/05/1624259/

モルフォAIソリューションズが国立国会図書館の最新AI技術を活用したOCR処理プログラムの開発を完了
https://www.jiji.com/jc/article?k=000000053.000064140&g=prt

Google の OCR が優秀でもスキャンした画像の上に非表示の文字を載せてくれないので自炊用には使えないと思う。
自分は自炊用にはAcrobat の OCR を使っているけどこれよりも 認識率が高いOCR ってありますか？

読取り革命14を使用しています．PDFに透明テキストで出力していますが，デフォルト（自動）ではフォントサイズが小さくて選択したときに表示文字列よりも小さくななります．
メニューの「結果」で領域ごとの設定できますが300頁の専門書の自炊では領域ごとの設定ですと手間がかかりすぎます．

手動でPDFに出力する透明テキストのフォントサイズを全ページ一括で変更したいのですが，そのような設定は可能でしょうか．

読取革命はマジで使えない
あれはめちゃくちゃ評判悪いぞ

>>512
お言葉ですけど自分はスキャナー 添付の OCR ソフト、アクロバット 添付の OCR ソフト、Google の OCR ソフト、e.Typist、本格読み取りなども全部試して縦書きのアルファベット 混在、図表混在のOCR 認識は読取革命が群を抜いてるという結論に落ち着きました。読取革命の強みは1ページを領域ごとに認識方法をカスタマイズできることです。読取革命 の評価が低い人はマニュアルが分かりにくいためにおまかせ設定だけで使って性能を100%引き出してないのだと思います。

私の質問の解決方法が見つかればほぼ完璧です。

スキャンスナップとどっちがいい？

あれは、手直しに手間暇がかかりすぎて使えないという評価が定着してるのだが
文字だけならともかく、図表や表に記入された文字などの読み取りはまったくダメダメで手直しに苦労する

>>514
ScanSnap は試したことがないので分かりません

>>515
領域に分けてそれぞれずっとか表とか横書き縦書きとか指定すればかなり認識精度は高いです。簡単認識設定で標準の領域設定を使い、図表が混在しているページだけ手で領域を複数に分割して設定すれば割合効率的にできます。自動レイアウト機能で認識させるとおっしゃるように手直しが大変ですね。

他のソフトは読取革命臍のカスタマイズの機能がないので縦書きのアルファベット図表混在は使い物になりませんでした

横書きの英語はアクロバットが一番いいです
Google のは認識はいいのですがレイアウトがぐちゃぐちゃになるのと元の PDF の上に非透明テキストを重ねる機能がないのでつかえないです

>>517
そんなことしてられんわ
メンくさい

>>518
だから君には無理なの

>>519
そんなんだから読取革命は顧客が離れてるのに
バカだねぇ、あんたもｗ

>>520
顧客が離れてるのは事実だと思うが、顧客離れとソフトの可能な事は同じじゃない。

縦書き、アルファベット混在、図表混在という条件で認識率の高い別のソフトがあげることができるか？
できたらあなたの意見を認めよう

横だけど、OCRソフトってのはできる限り修正の必要がないものでないと実用的ではない
俺は読取革命を使ってみたことがあるが、図表混在の文字の修正がハンパなく手間だった
もうスクショでいいわって思った

>>522

> 横だけど、OCRソフトってのはできる限り修正の必要がないものでないと実用的ではない
→それは 使用目的によるんじゃない。めんどくさいならスクショ でもいいや、という目的ならあなたの言う通りだろ。
自分の場合は絶対に文字起こし が必要なんで読取革命程度の手間だったらOCR を使う。と言うか それ以外に選択肢がない。

> 俺は読取革命を使ってみたことがあるが、図表混在の文字の修正がハンパなく手間だった
→ちゃんと複数の領域を設定して、各領域毎に最適な属性設定やった？

ぶっちゃけた話、読取革命はマニュアルが使いにくいんで俺も6～7年前に紙のカード明細のExcel への取り込みようにひと月ほど集中的に使ってからはずっと使わんかった。

昨年から専門書の自炊始めたんだけどAcrobat の OCR で十分だと思ってた。
だけど透明のテキスト 文字をコピペして使わなきゃいけない事情になって誤認識の多さに閉口した。それで色々調べて読取革命の性能 引き出す使い方を紹介しているネットの記事を見てこういう風に使うのかというのがわかった。

目指すところが違うんだろうな

完璧なテキスト化を目指すためには多少の手間は惜しまないか
少しでも手間をかけるくらいなら完璧とまではいかなくてもいいか

透明のテキスト 文字をコピペして使うことが必須なんで、認識用設定時に手間を惜しんでコピーした後に修正に手間をかけるか、それとも認識用設定に手間をかけてコピペした後は修正なしにできるかの選択。認識用の設定の手間というのもそんなに大したことない。

＞多少の手間は惜しまないか

多少なんてもんじゃないのがミソなｗ
まぁ暇人には使えるソフトってことでしょ

>>526
暇？
暇ではないぞ、仕事で使ってるから

君は漫画小僧だな

論理的合理的思考ができるかどうかだな

それができない奴が使うんだろうな

>>529
プッ、君が出来てないよ

ID:cADfl0Dk0
こいつ、朝から晩まで張り付いてるみたいだけど単なるキチガイか？
プっとか言ってるけど、オツムやられてるっぽいｗ

>>531
朝じゃないよ，昼からだよ(笑)

どっちでもいいけど、頭おかしい自覚はしておいた方が　笑

ID:5b9IkS690、uwTIOOOb0、W3iKtSQ90
こいつらは悪口しか言えないやつだな。

社会問題になってる、ネットで攻撃衝動を発散するしかない御可哀想な奴らだ（笑）

どっちもバレバレだよ

>>534
性格悪そう

>>511
で、
＞手動でPDFに出力する透明テキストのフォントサイズを全ページ一括で変更したいのですが，そのような設定は可能でしょうか．
は解決したの？？

>>537
してません(:_;)
悪口書き込むやつと、それへのレスだけです。
トホホですね(´；ω；｀)

これが革命って奴やな。

革命詐欺ｗ

511です。
バージョン16にアップデートするとフォントサイズが小さすぎる問題は解決していました。表示上のサイズと透明テキストのサイズはほぼ一致してます。

>>497
そりゃ当たり前
PCなんて使えない高齢者がいっぱいいるんだから
そのためのOCRだよ

手書きを補正してあってんのかあってないのかわかんないデータが完成するより普通に入力した方が早いと思う

普通に入力してもtypoはあるし
校正抜けは自分で入力したもののほうが起こりやすいという罠もある

仕事で手書きの帳票の入力をしているのでOCRを使って自動化したく、いくつか無理のものを試してみたのですが上手くいきませんでした
入力内容は型番と数字だけなので、型番の登録とかができれば精度も上がると考えているのですが、いいOCRツールがあれば教えてください

ないんだな、これが(画像略)
ほんとにみんなそれを欲しがってると思うよ

>>545
>>479 のリンク先はみた？

>>545
ソリューションとして何百万円で売ってるようなものだからなあ。

>>545
手書き文字は、かなり難易度が高い。
字体に個人差が大きいのと、文字ごとの区切りが取りづらい
型番がアルファベットなら、学習データを用意すれば可能性はあるけど、
本質的に1とかIとかlを手書き文字から読み取るのは無理ゲーなので
近い登録型番を引っぱってくるとかの方がよさそう。

達筆こと汚い殴り書きすら判読できるOCRキボンヌ

20年くらい前に
東芝が郵便局に納入してる手書き宛名OCRが有能という話聞いたのを思い出したので
ぐぐてみたらこんなのでてきた
www.it-innovation.c
o.jp/wordpress/wp-content/uploads/2021/08/Session6_AAcon2_2021
0827_tdslj.pdf
手書き「IOデータ」がエロデータに変換される恐怖・・・

郵便局でバイトしてたときの、宛名OCRの精度の感覚は
フォントだと100％、手書きで95％くらい当たってた
手書きだと3-10とかを漢数字で縦書きされると辛い様子(三が12と見分け付かない)
あと、達筆は無理なので弾かれてたな

>>479 の後半部分がだいぶ進んだ
https://i.imgur.com/W5JwUh8.png

もうちょい1とかが認識できるといいんだけど

ユーザーローカルの無償のOCRはどうですか？