大量OCR

質問

下記のように大量文書のOCRファイリングを考えています。

(1)定型文書10種類　各数万枚から十数万枚 合計80万枚程度
(2)文字種類　すべて活字　手書きなし
(3)OCR方法　文書中の特定場所のみ数字10桁+英字数桁
(4)文書の種類　伝票、帳票　サイズA4 曲がった紙はほとんどなし
(5)誤認識の訂正方法
パートの派遣を利用して1枚あたり平均3秒程度の作業時間以下にしたい
(6)文書の検索方法
(3)の検索結果を検索キーにしたいと思います。
AdobeReaderの検索機能を使用
検索するのは社員の不特定者
(7)保存形式
PDF 透明テキスト付き
(8)スキヤナー
70枚/分 400DPI これから購入予定
(9)OCR ソフト
メディアドライブWinreaderProV10 これから購入予定
(10)OCR認識に使用するパソコン
2台　一台をOCR認識用　もう一台を認識結果の訂正用にして交互に使う
これから購入

何か問題点がありましたら教えていただけませんでしょうか
特に気になるのが下記の点です。
(5)誤認識の訂正方法
(6)(7)文書の検索方法　保存形式　この方法でいいのか ?
(9)OCR ソフト　はこのソフトでいいのか
長くなりましたがよろしくお願いします

回答No.2

himajin1 · ベストアンサー

誤認識の訂正で、パートの派遣を利用して1枚あたり平均3秒程度の作業時間以下にするのであれば、透明テキスト付きＯＣＲでは、コピペ作業が発生するので厳しいと思います。

数字10桁+英字数桁　のみのＯＣＲでしたら、その認識結果をファイル名にしてくれるＯＣＲソフトを使用し、１枚＝１ファイルにしましょう。

私は、
http://www.hypergear.com/pdf/pscanserv_plus_product.htm
の、PscanServ　を使用していますが、その手の設定が細かくできます。
英語専用モードも設定できます。

文書中の特定場所のみＯＣＲさせるのも指定できます。

認識結果が、ファイル名になっていれば、
AdobeReaderの検索機能を使用しなくても、ＯＳに依存する方法で探せるので使う人が楽になれると思います。

お礼

このソフトはまったく知りませんでした。
ご紹介ありがとうございます。
よく研究してみます。

回答No.1

saiph

＞(2)文字種類　すべて活字　手書きなし

レーザープリンタで印刷されたものですか？
インクジェットなら不可能と言っておきます。

＞(3)OCR方法　文書中の特定場所のみ数字10桁+英字数桁

数値にカンマや小数点は含まれていますか？
カンマと小数点の認識を今の技術では完全には制御できません。
セルを強制的に数値として認識できますが、英字も含まれていると
その制御ができません。すると400dpiではl（エル）と１（いち）や
O（オー）と0（ゼロ）を誤認識します。多分600dpiでも完全とは
言えないでしょう。
また、紙には見当たらないゴミを小数点として認識した事もあります。

私も似たような事をしようとして、結果、あきらめることにしましたが
パートの派遣さんが目で見て訂正するならなんとかなるかもしれないです。

お礼

ありがとうございます。
印刷はレーザープリンタです。

誤認識の問題
ある程度は仕方がないのでOCR結果をデータとして使うというより
検索キーとして使うことを考えています。
スキャンは600DPIでも可能です。
400あれば600でもあまり変わらないのではと思い400としてみましたテストして600DPIの方が良いようであれば600にします。

ありがとうございました。