PDF OCR 誤認識の疑い単語を修正

PDF OCR 誤認識の疑い単語を修正について

OCRのテキスト層はほとんど正しく、一部が間違っています。困るのはどこが間違っているか分からないことです。このツールは文書全体をTesseractで認識し、エンジン自身が自信のない単語(既定で信頼度80%未満)だけを集め、元画像の切り抜きと並べて表示します。

直した単語は信頼度100として同じ位置に透明テキストで書き戻し、直さなかった単語は元の結果のまま保存します。OCRの仕組みやスキャン設定はガイド「スキャンPDFを検索できる文書に」で扱っています。

信頼度で拾える誤りと拾えない誤り

信頼度は字形をどれだけ確信しているかの値で、結果の正しさは保証しません。にじみや小さな文字は低い点数でリストに出ますが、数字の0と英字のO、漢数字の「一」と長音「ー」、「口」と「ロ」のように形がほぼ同じ文字は高い点数のまま誤ることがあります。金額・口座番号・日付のように1文字が重要な書類では、しきい値を90%前後に上げて確認範囲を広げてください。

60%に下げると明らかに崩れた単語だけが残り、リストが短くなります。ページ数の多い文書は低めのしきい値でひととおり見て、重要なページだけ上げて見直すと時間を節約できます。

何から直すか

テキスト層の役割は検索とコピーです。後で検索する語から直すのが効率的です。人名、社名、金額、日付、文書番号が優先で、助詞や一般的な語の1文字の誤りは検索にほとんど影響しません。

縦書きや、ルビ・傍点のある文書では、ルビが本文に混ざって認識されることがあります。切り抜きと見比べて本文の文字だけを残すと、検索で正しく見つかります。

例

使い方

1. PDFを開き、しきい値を決めて疑わしい語の検出を実行します。
2. 切り抜きと認識結果を見比べ、誤りだけを直します。
3. 保存して修正済みテキスト層入りのPDFを受け取ります。

よくある質問