C#のTesseractでカスタム言語を使用して文字起こし・テキスト抽出を行う方法

カスタム言語にはどのようなトレーニングデータが必要ですか?

カスタム言語のテキストを含むこのサンプル PDF を入力として使用します。

この例では、カスタム言語 .traindataを使用します。

トレーニングデータの品質と網羅性は、OCRの精度に直接影響します。 カスタム言語トレーニングデータを作成する場合

1.文字カバレッジ: トレーニングデータにすべての文字と記号が含まれていることを確認してください。 2.フォントのバリエーション: 文書のタイポグラフィが異なる場合は、複数のフォントスタイルを含めてください。 3.画像品質：本番で処理する画像に近い画像でトレーニングしてください。 4.コンテキストパターン：一般的な単語の組み合わせやフレーズを含める。

高度な設定オプションについては、Tesseract 詳細設定ガイドをご覧ください。

カスタム言語ドキュメントを読み込んで処理するにはどうすればよいですか?

:path=/static-assets/ocr/content-code-examples/how-to/ocr-custom-language.cs

using IronOcr;
using System;
using System.IO;

var ocrTesseract = new IronTesseract();

// Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata");

using var ocrInput = new OcrInput();
// Load the PDF containing text in the custom language
ocrInput.LoadPdf("custom.pdf");

var ocrResult = ocrTesseract.Read(ocrInput);

// Print text to the console
Console.WriteLine("--- OCR Result ---");
Console.WriteLine(ocrResult.Text);
Console.WriteLine("------------------");

// Pipe text to a .txt file
string outputFilePath = "ocr_output.txt";
File.WriteAllText(outputFilePath, ocrResult.Text);

Console.WriteLine($"\nSuccessfully saved text to {outputFilePath}");

Imports IronOcr
Imports System
Imports System.IO

Dim ocrTesseract As New IronTesseract()

' Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata")

Using ocrInput As New OcrInput()
    ' Load the PDF containing text in the custom language
    ocrInput.LoadPdf("custom.pdf")

    Dim ocrResult = ocrTesseract.Read(ocrInput)

    ' Print text to the console
    Console.WriteLine("--- OCR Result ---")
    Console.WriteLine(ocrResult.Text)
    Console.WriteLine("------------------")

    ' Pipe text to a .txt file
    Dim outputFilePath As String = "ocr_output.txt"
    File.WriteAllText(outputFilePath, ocrResult.Text)

    Console.WriteLine(vbCrLf & "Successfully saved text to " & outputFilePath)
End Using

上記のコードは、カスタム言語OCRの基本的なワークフローを示しています。 より複雑なシナリオについては、以下の機能拡張をご検討ください：

パフォーマンスを最適化する：大きなドキュメントやバッチ処理では、マルチスレッドと非同期サポートを実装してパフォーマンスを向上させましょう。

画像前処理：ソース文書に品質の問題がある場合、OCR処理の前に画像補正フィルターを適用します。 フィルタウィザードは、最適な前処理設定を見つけるのに役立ちます。

地域固有のOCR：コンテンツが混在するドキュメントでは、OCR region of an image テクニックを使用して、カスタム言語を含む特定の領域に焦点を当てます。

カスタム言語OCRにはどのような結果が期待できますか?

この出力は、カスタム言語モデルの結果を示しています。 IronOCRは正しい学習データを提供することで、テキストの解読に成功し、結果は平易な英語となりました。 さらに、これはコードによって生成されたテキスト出力です。

カスタム言語OCRの精度は、いくつかの要因に左右されます：

• トレーニングデータの品質：より良いトレーニングデータがより良い結果を生む
• ドキュメントの一貫性：学習データと一致する文書が最も良い結果を出す
• 画像解像度: DPIが高い画像ほど、より正確な結果が得られます - DPI設定に関するガイドを参照してください。

カスタム言語実装のベストプラクティス

本番環境でカスタム言語OCRを実装する場合は、以下のベストプラクティスを考慮してください：

エラー処理と検証: ロードを試みる前に、必ず .traineddata ファイルが存在し、アクセス可能であることを確認してください。 カスタム言語ファイルが見つからない、または破損している可能性がある場合の適切なエラー処理を実装します。

パフォーマンスの最適化：カスタム言語モデルは、標準の言語パックよりも大きくなる可能性があります。 最適なパフォーマンスのために

• 複数のドキュメントを処理するときに読み込まれた言語モデルをキャッシュする
• 進行状況の追跡を使用して、長時間実行される OCR 操作を監視します。
• 大きなドキュメントを処理するためにタイムアウトを実装することを検討してください。

標準言語との組み合わせ: 文書にカスタム言語と標準言語の両方が含まれている場合、複数の言語を同時に読み込むことができます。 これは、内容が混在する文書に特に有効です。

テストと検証: OCRの精度を検証するためのテストフレームワークを確立する：

• 既知の出力でテストデータセットを作成する
• 結果の信頼度メトリクスを使用して、認識品質を評価します。
• highlight text as images を実装し、ビジュアルデバッグを行う。

高度な使用例

カスタム言語OCRは、多くの可能性を広げます：

歴史的文書の保存：古代の写本や時代遅れの文字で書かれたテキストをデジタル化する。 専門表記システム：数式、楽譜、技術ダイアグラムの処理 - 数式トラブルシューティングガイドをご覧ください。 セキュリティアプリケーション：独自のエンコーディングシステムや暗号をデコードする。 アクセシビリティ：特殊な点字または触覚筆記システムを標準テキストに変換する。

より高度なシナリオについては、コード例をご参照ください。