光学式文字認識（OCR）

光学式文字認識(OCR)は、コンピュータ・ビジョンの中でも極めて重要な技術である。 コンピュータ・ビジョンの中でも極めて重要な技術である。 スキャンした紙文書、PDFファイル、デジタルカメラで撮影した画像など、さまざまな種類の文書を編集可能で検索可能なデータに変換する、コンピュータ・ビジョンの中でも極めて重要な技術である。 検索可能なデータに変換する。物理的な紙とデジタルデータとのギャップを埋めることで、OCRは機械がテキストを「読み取り」、検索可能なデータに変換することを可能にする。 OCRは、物理的な紙とデジタルデータのギャップを埋めることで、歴史的に人間の能力に限られていた方法で、機械がテキストを「読み取り」、処理することを可能にする。初期のものは単純なパターンマッチングに頼っていたが パターンマッチングに頼っていたが、最新のOCRは高度な機械学習と 機械学習と ディープラーニング・アルゴリズムを活用し、複雑なフォント 手書き文字、ノイズの多い背景などを驚くほど正確に処理します。

現代のOCRのメカニズム

現代のOCRシステムは、生の視覚入力を構造化された情報に変換する多段階のパイプラインとして機能する。 情報に変換する。このプロセスは、厳格なテンプレートマッチングから、柔軟なAI主導のアプローチへと大きく進化しています。

• 画像の前処理：テキストを読み取る前に、未加工の入力は品質向上のためにデータ前処理を受ける。 を受ける。 閾値処理や ノイズ除去などの技術により、テキストを背景から分離します。
• テキストの検出：この重要なステップでは、画像内のテキストを含む特定の領域を特定する。 見つける重要なステップです。高性能 などの高性能なオブジェクト検出モデル Ultralytics YOLO11などの高性能なオブジェクト検出モデルが、単語や線の周囲に境界ボックスを描くために頻繁に使用されている。 単語や線の周囲にバウンディング・ボックスを描画する。 が頻繁に使用される。
• テキスト認識：一旦ローカライズされると、画像セグメントはニューラルネットワークに入力される。 ニューラルネットワークに入力される。組み合わせるアーキテクチャ 畳み込みニューラルネットワーク(CNN) 特徴抽出と リカレント・ニューラル・ネットワーク（RNN）または 変換器を組み合わせたアーキテクチャが標準的である。 を組み合わせたアーキテクチャが標準的である。
• 後処理：最終的な出力は 自然言語処理（NLP） 技術と辞書を使用して、スペルミスを修正し、認識されたテキストが意味的に意味を持つようにします。

実際のAIアプリケーション

OCRが他のAI分野と統合されたことで、さまざまな業界で自動化が広がっている。

自動ナンバープレート認識（ANPR）

スマートシティのインフラでは、OCRがそのエンジンとなっている。 自動ナンバープレート認識。まず物体検出器がビデオフレーム内の車両とナンバープレートを識別します。その後、OCR アルゴリズムが英数字を抽出し、料金徴収やセキュリティ監視のためのデータベースと照合する。 セキュリティ監視のためのデータベースと照合する。そのためには リアルタイム推論機能 高速交通データを処理するリアルタイム推論機能が必要である。

インテリジェント・ドキュメント・プロセッシング（IDP）

金融・法律分野ではOCRを活用し を活用しています。手作業によるデータ入力の代わりに、AIシステムが請求書、領収書、契約書をスキャンします。OCRと を組み合わせることで、これらのシステムは日付、ベンダー名、契約書などの特定のフィールドを自動的に抽出することができる。 システムは、日付、ベンダー名、合計金額などの特定のフィールドを自動的に抽出し、管理オーバーヘッドと推論のレイテンシーを大幅に削減することができます。 管理オーバーヘッドと推論レイテンシーを大幅に削減します。

OCRと画像分類の比較

OCRを画像分類と区別することは重要である。 画像分類と区別することが重要です。画像 画像分類が画像全体を分類するのに対して（例えば、画像を「文書」や「道路標識」とラベリングする）、OCRは粒度が細かい。 画像分類は画像全体を分類する（例えば、画像に "文書 "や "道路標識 "といったラベルを付ける）のに対し、OCRは粒度が細かく、画像内の特定の文字列を探し出し、識別します。 画像内の特定の文字列を特定します。同様に、OCRは標準的なオブジェクト検出とは異なります、 OCRが標識上の文字 "S-T-O-P "を読み取るのに対し、標準的なオブジェクト検出とは異なります。 を読み取ります。

YOLO11テキスト検出の実装

一般的なワークフローでは、認識エンジン（オープンソースのTesseract OCRエンジンのような）に渡す前に、YOLO モデルを使用してテキスト領域をdetect します。 オープンソースのTesseract OCRエンジンのような）に渡す前に、YOLOモデルを使用してテキスト領域を検出します。次の例は は、ナンバープレートや交通標識など、通常テキストを含むオブジェクトをdetect するために、事前に訓練されたモデルをロードする方法を示しています。 交通標識などです。

from ultralytics import YOLO

# Load the YOLO11 model pre-trained on COCO dataset
model = YOLO("yolo11n.pt")

# Perform inference on an image containing text objects (e.g., a street sign)
# The model detects the object, allowing a secondary OCR step to crop and read it
results = model.predict(source="path/to/street_sign.jpg", save=True)

# Display the detected class names (e.g., 'stop sign')
for r in results:
    print(f"Detected classes: {r.boxes.cls}")

その他の資料

初期のOCR研究の原動力となった基礎的なデータセットを探るために 手書き数字のMNIST データベース は古典的なリソースです。技術の進化に興味のある方は、Tesseractプロジェクトの歴史をご覧ください。 Tesseractプロジェクトの歴史は、オープンソースによる の貢献について知ることができる。最新のクラウドベースのソリューション Google Cloud Vision APIや Amazon Textractのような最新のクラウドベースのソリューションは、管理されたOCRサービスにおける現在の最先端を表している。 サービスの現在の最先端を表している。さらに、シーンテキスト認識の研究も続いている。 AIが制約のない「野生の」環境でテキストを読み取ることを可能にする。