はじめに
Computer Visionで新しい日本語対応のOCR「CJK OCR(中日韓)」が利用可能になり、色々と試して見たので備忘録として残していきます。
尚、CJK OCR(中日韓)のエンドポイントはUiPath Document Understandingですので、UiPath Document Understandingも同じ仕様です。
結論から言うとUiPathで標準搭載していたOCRの中では、高い精度で日本語の文字を読取ります。UiPath Document Understandingの日本語精度が飛躍的に良くなったと言うのは、これですね。
CV画面スコープの設定
CV画面スコープの設定は下記のブログを参考にしてください。
Computer Visionで画面からテキストを取得
参考にですがUiPath Demoサイトの経費照会画面で登録した項目を読み取ってみた結果です。
Computer Visionで指定した要素にある1つ1つの文字は正しく読み取れてそうですね。
仕様を考察
ここから備忘録です。
CJK OCR(中日韓)の読取りの仕様が公開されていないので、実際に使って見て蓄積するしかなさそうです。
まだ、これ以外にあると思うので、参考として見てください。
漢字、ひらがな、カタカナと
。、・「」
の文字を便宜上、CJK文字として表現します。
読取り対象 | 読取り後 |
---|---|
英数字(半角) | ○ |
英数字(全角) | 全て半角に変換される。変換された数字の間には半角スペースが入る。 |
CJK文字 | 文字の間に半角スペースが入る。 |
カタカナ(半角) | カタカナ(全角)に変換される。文字の間に半角スペースが入る。 |
英数字(半角)の直後にCJK文字 | 半角スペースが入る。 |
CJK文字の直後に英数字(半角) | 半角スペースが入る。 |
CJK文字の間に連続したスペースを入れる | 半角スペース1つに変換される。 |
英数字(半角)の間に連続したスペースを入れる | 半角スペース1つに変換される。 |
後処理のサンプル
取得したテキストを、どう使うかにもよりますが、一部、例で記載しようと思います。
- CJK文字間、英数字(半角)直後にCJK文字、CJK文字直後に英数字(半角)の半角スペースを削除(置換)する正規表現
\x20(?=[ぁ-んァ-ヶー一-龯。、・「」])|(?<=[ぁ-んァ-ヶー一-龯。、・「」])\x20
おわりに
読み取りの仕様について、今後、追加情報があれば更新して行きたいと思います。