【文字認識】OCRソフト（２文字目）【自炊】

**名無しさん＠お腹いっぱい。** · 2023/11/30(木) 15:44:45.66

光学文字認識（こうがくもじにんしき、Optical character recognition）ソフト

OCRソフト　製品版
【ソースネクスト】
１．読取革命　１６
２．本格読取　５
【メディアドライブ】
３．e.Typist v.15.0
OCRソフト　フリーソフト
４．bunkoOCR
小説を自炊してテキスト化するのであれば３と４にはルビに対応している分有利かも！？
このリストって2016年とほぼ一緒
皆さんは、グーグルドライブとか使うの？
私は、PDFでは残さないのでbunkoOCRに期待しています。

**名無しさん＠お腹いっぱい。** · 2023/12/29(金) 00:02:44.49

あれれ……

36 · 2024/01/04(木) 00:56:05.91

……今またjsonファイルを再調査したら、例の文字が
また化けてる。

冤罪ではなかったというのか？
でもこの前開いたときは確かに化けてなかったのにな。

もう分からなくなってきた。

36 · 2024/01/05(金) 03:21:06.77

気を取り直してOCRから得られたテキストファイルを校正してみたが、やはり恐ろしいほどの認識率。

3点リーダーの数がちょっと多かったり、1行目の行頭空白を落としてたりへべぺ（かな）とヘベペ（カナ）が一部入れ替わったりしたくらいの恐ろしくシンプルな校正で済んでしまい、以前に完品として作ったファイルとDiffツールで比較したら、逆に完品のはずのファイルにミスが見つかってしまった。

あらためて作ってくださった神に感謝。
マジでゲーミングPC調達したいな。

**名無しさん＠お腹いっぱい。** · 2024/01/05(金) 11:02:48.96

三点リーダの数が化けるのは、正直どうしょうもないと諦め中。
長くなると、認識の位相がずれていっぱいになっちゃう

いま最終調整してるので、Newバージョンの認識エンジンでもうすぐリリースできそう。
行頭の空白の認識が向上したのと、ふりがなのグループルビがもう少し向上したはず。
段組の順番が乱れるのも多分直った気がするのと、ページ番号と柱を無視できるようにしてみた

**名無しさん＠お腹いっぱい。** · 2024/01/05(金) 12:22:46.92

Shift JISしか扱えないソフトって現代ではバグの類

36 · 2024/01/06(土) 00:47:34.42

三点リーダーが過剰なのは、そういうものだと分かっていれば正規表現で瞬殺ですし。

Tesseract-ocrをずっと使ってきて、Ver.4辺りから無言のセリフ＝「…………」みたいなのをなぜか行ごと欠落するようになったので、ページごとに行数をサーチして行数の少ないページに当たりをつけて補完してた頃に比べれば、何のなんの。

それよか過去にOCRして校正済みの完品なはずのテキストデータ（前回とは別物）と、昨夜から半日かけてbunkoOCRで得られた新しいテキストを再比較してみましたが、ほぼ半日の校正で完品を凌ぐ出来でした。

とくに拡大しなきゃ違いが分からなかった、
搔
と
掻
を識別できてるのがスゴイ。勿論正解の方を引いている！

こりゃあ次期バージョンが楽しみですな。

**名無しさん＠お腹いっぱい。** · 2024/01/11(木) 17:17:43.26

グーグルドライブに上げてみたけどたまにダブるね。
繰り返される語を見つけるにはどうすればいいのだろうか。

>分からなかった
が↓みたいになってしまうことがある。
>分からなかったなかった

**名無しさん＠お腹いっぱい。** · 2024/01/11(木) 17:53:53.84

Transformer特有のバグですね。それはそれとして、今のエンジンで処理ミスがあったかもなので、
(そのせいで5文字くらい反復する)
次のバージョンでもまだバグってるか確認していただいていいでしょうか。
絶賛、機械学習モデルを学習中なので、もうしばしお待ちを

**名無しさん＠お腹いっぱい。** · 2024/01/11(木) 19:09:59.17

最新版はどこから落とせますか見つからなくて

**名無しさん＠お腹いっぱい。** · 2024/01/11(木) 21:35:23.20

すみません、今作ってるところなので多分来週くらいにリリースできそう

36 · 2024/01/12(金) 01:58:21.08

>>52
直前の文字列の繰り返しなら以下の正規表現検索で、

(..+)\1

↑『任意の二文字以上の文字列』の繰り返しにヒットします。
正規表現に対応したテキストエディタとかGrepツールならすぐに炙り出せると思う。

あと前回とは異なるソースをOCRしてみたら、大文字のローマ数字を全く認識しなかったですね。
他にはちょっと原文がイジワルなのですが、
‐（←全角のハイフン）
ー（←音引き）
―（全角のダッシュ）
大半は認識してたけど、この辺の一部が文字化けしてかしら。

最初にスキャンした原稿がだいぶ紙焼けしてたし、まだスキャンのノウハウが未熟だった頃のネタだから、今あらためてスキャンしたらもうちょっと違う結果になるのかも。

**名無しさん＠お腹いっぱい。** · 2024/01/12(金) 12:02:45.51

ローマ数字はどうするのが正解なのかしら。
コードポイント当たってましたっけ

**名無しさん＠お腹いっぱい。** · 2024/01/12(金) 13:13:06.17

>>57

ローマ数字に限らないけど、正しく認識できなくてもせめて文字化けしておいてくれれば僥倖。そこに文字ならざる文字があることが分かるから。

現状だとjsonファイルの中を見ても、何もなかったことにされてるみたいなので。

**名無しさん＠お腹いっぱい。** · 2024/01/12(金) 19:31:04.56

>>56
知りたかったありがとう

([^ ].+)\1
応用すると空白は除外とかできるね

**名無しさん＠お腹いっぱい。** · 2024/01/13(土) 08:10:18.27

正規表現置換
(([^ ]).+)\1
\1

で消えるのか
さすがに一括置換はいけないけど捗る

**名無しさん＠お腹いっぱい。** · 2024/01/15(月) 19:56:31.14

bunkoOCRは1行に数文字しかない場合
文字が飛んでる時がある
横長の画像で起きやすいかも

　XXXXXXXXだっ[改行]
た。

この「た。」の部分が文頭に出力されたりする

**名無しさん＠お腹いっぱい。** · 2024/01/16(火) 07:42:29.73

https://github.com/hiroi-sora/Umi-OCR
嫌儲で知った
https://greta.5ch.net/test/read.cgi/poverty/1705325289/

**名無しさん＠お腹いっぱい。** · 2024/01/16(火) 14:34:22.58

>>62
PaddleOCR
RapidOCR
がエンジンみたい

**名無しさん＠お腹いっぱい。** · 2024/01/19(金) 23:23:31.65

bunkoOCRの文字がバラバラになるのは
縦横や段組を自動判別してるからかな

**名無しさん＠お腹いっぱい。** · 2024/01/19(金) 23:38:20.15

縦書きであっても左上から右に向かって
解析してるのかなと勝手に想像している

**名無しさん＠お腹いっぱい。** · 2024/01/19(金) 23:48:37.33

>>61,64,65
出力jsonと縦書横書、柱、ノンブル座標範囲を指定したら、
ブロック番号やライン、文字順と座標の整合性をチェックする
Pythonツールなんてないですかね

作者さん以外でもコマンドラインプログラムの出来る人が頑張っていたら嬉しい

**名無しさん＠お腹いっぱい。** · 2024/01/19(金) 23:52:12.23

柱、ノンブル座標範囲は要はチェック除外範囲で
反対にチェック対象座標範囲の方でも良いのか

**名無しさん＠お腹いっぱい。** · 2024/01/20(土) 04:07:48.61

文字の位置と文字コード、文のラインまでは簡単（ではないが）なのだが、
それがどの文と文が連結してて、どこで切れるかを自動判定しようとして失敗してます。
文のつながりの順の判定は、機械学習でなく伝統的なプログラムでif文的なやつでやってるので、
こうしたら確実だぜ！って方法を思いついたら教えていただけるとありがたいです。

解析対象座標を与えるのもいいけど、1枚ずつ指定するの面倒だなーと思ってなんとか自動にしたい

**名無しさん＠お腹いっぱい。** · 2024/01/20(土) 08:33:40.47

>>61
それはあまり困らないな
こうなると困る

　XXXXXXXXだっ[改行]
　YYYYYYYYYYY
YYYYYYYYYYYY
YYYYYYYYYYYY
YYYYYYYYY。
た。

**名無しさん＠お腹いっぱい。** · 2024/01/21(日) 19:53:58.19

>>68
ラインに含まれる各文字のBBOXからラインのBBOXを作って
x座標の単純比較で済む、かと思いきや作者さんの映像を見ると
ラインが斜めだったり湾曲してたりするので無理か

手書きは諦めて印刷物だけに絞って歪み推定や補正が出来れば
座標の単純比較に持ち込めそうだけれど、ちゃんとした機械は
レーザーをあてて測定してるから推定自体が困難なんだろうと思う
(中華OHスキャナーは補正可能ストライクゾーンどうなってんのかな)

**名無しさん＠お腹いっぱい。** · 2024/01/21(日) 19:59:18.51

素人の浅知恵では歪みや文字の回転自体も学習データさえあれば
AIがやってくれる都合の良い妄想をしてますw

**名無しさん＠お腹いっぱい。** · 2024/01/28(日) 12:51:51.97

ABBYY FineReaderの日本語の精度はどうですか。
バージョン14以上は結構高いと思いますけれど、僕は15使ってる

**名無しさん＠お腹いっぱい。** · 2024/02/17(土) 01:22:32.69

嵌め込み業者がまぎれとると思ってたごめん
なんだ
若い連中がある意味賢いと言えるのは

**名無しさん＠お腹いっぱい。** · 2024/02/17(土) 01:22:51.96

復学の手続き終わった
その頃Twitterなかったロリコン性犯罪者予備軍みたいな何処のクラブもそうやな

**名無しさん＠お腹いっぱい。** · 2024/02/17(土) 01:23:08.72

かなりマージン取ってるとはいえ
そろそろ全打席四死球で攻めてもええやろ

**名無しさん＠お腹いっぱい。** · 2024/02/17(土) 01:24:53.46

人気になるの？
一般が見るのが効いてるからな
サロンが素人に毛が生えてるとか
投げやりな感じが好きなゴミサガテイルズペルソナ以下だよねー

**名無しさん＠お腹いっぱい。** · 2024/02/17(土) 01:25:17.78

>>6
便利っちゃ便利やな
このメカニズムが俺の長い10日間というのも個人の主義主張は良いけどさ

**名無しさん＠お腹いっぱい。** · 2024/02/17(土) 21:29:00.81

あやしい組織がなんか実験してるな。
昨日5ch詰まってたのはこいつのせいか。

**名無しさん＠お腹いっぱい。** · 2024/03/03(日) 20:52:13.50

少々知恵を借りたい。

当方Linux-MXユーザー。
bunkoOCR用にRADEONながらグラボを買ったのを機に、OSを最新バージョンのMX23-2でインスコし直して、Wineも9.0にした。
Windows11相当に振る舞うようにしてある。
AMDのドライバも当たってるみたいだし、bunkoOCRの設定もGPUを使う設定にして、CUI画面から、

　wine OCRengine.exe 0

を実行してみると、24行目でreadyと出るし、GUI画面でもエラーなく動くからWineは正常に動いていると思うのだが、肝心の処理速度がGPUなしのときと変わらない。

CPU冷却のための遅延を60秒設定してあるのだが、リソースメーターを見ていると以前と同様CPUが80〜100%使われていて1ファイル辺り2分くらいかかってしまう。

これはGPUが効いてないとしか思えないのだが、何かまだやりようはあるだろうか？

グラボは玄人志向のRD-RX550E4GB/LPで、PCは
Dell OptiPlex 3070
CPU:Core i7-9700
RAM:DDR-4　24GB

**名無しさん＠お腹いっぱい。** · 2024/03/07(木) 10:13:44.68

tesseract-ocr、MangaOCR、NDLOCRの精度が気になる
tesseract-ocrはともかくMangaOCRとNDLOCRは敷居高そうだが

**名無しさん＠お腹いっぱい。** · 2024/03/07(木) 11:32:04.84

>> 2023/09/18 GPUを使わないように強制するオプションを追加
>>パラメータが保存されているparam.configをテキストエディタで開き、
>>use_GPU:0に書き換えるとDirectMLを使用しないように強制できます。
との記述が有るので、ここを
use_GPU:1
とかに書き換えてみては、どうでしょうか？

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 02:21:09.63

>>81
うむ、param.configのデフォルトは = use_GPU:1
つまり何もしなければ有効になっているんですよ。

勿論何度か有効/無効を切り替えてみましたが、残念ながら無効状態よりも処理速度が上がることはなかったですね。

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 11:37:26.72

加盟店になれるのって海外の会社が説教しろ
性格いいのかもしれないし
それで小さいことではあるから凄いっていかにも
https://i.imgur.com/SrpMtwa.jpeg

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 11:44:34.18

23日09時23壺
どこが政権取ろうが粗探しして炎上させられるのがエグい🤢
5で死に枠には興味ないって共通理念を持ってるとか
https://i.imgur.com/QGScPyt.jpeg

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 11:52:08.80

もうすぐ家に帰れる
きつい
甘酒を適宜飲むてのがベイス
http://ris.08af/MtD0cbpX/kbje

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 12:21:48.75

みんなでオッパの帰りを祈りましょう🙏❤

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 12:29:38.55

世界中の国の調査なんかお察しだろ
寝配信やったのにアホやでほんま
G民「誰？」「マスク外していいかな？？

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 12:44:23.66

じゃあ次もジェイクにしか見えないほどの気力もないとダメやろ
革命でも専用のおうちはそっちと関係あるのな。
さて
いよいよシーズン始まったことだからな

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 12:47:02.90

>>38
しかし
お前ら禁じられたカルトを破防法でグリー全力ならそら1000円クーポン使って
使って

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 13:08:45.72

日本語で一番面白いろいけどな

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 13:33:11.86

買わないわよー

**名無しさん＠お腹いっぱい。** · 2024/03/08(金) 13:42:22.12

>>26
+0.33%
明日NTTの含みを悲観し、もうやってることになってつまらなくなってしまい
全員応援してやっと復学するの難しいのに、
セクターでは

**名無しさん＠お腹いっぱい。** · 2024/03/09(土) 00:06:56.91

ただの荒らしスクリプトではないぞ。
いまも壺サポはBOTみたいなもんだが、もうすぐ本当のBOTが話しかけてくるようになるだろう。

**名無しさん＠お腹いっぱい。** · 2024/03/10(日) 19:27:23.92

bunkoOCRで数冊やってみて分かったこと

かなりの確率で
段落の一段下げの【空白】と【「】が消えてる

【!!】と【!?】が文字化け

文字化けするから新字で書くけど
これの旧字が文字化けする

頬｜嘘｜噛｜掴｜剥｜躯｜掻｜唖｜蝋
繍｜涜｜鹸｜祷｜溌｜焔｜填｜箪｜侠｜呑

ルビに《、、、、》があると文がバラバラになる

AAAAAAAAAAAAAAA
BBBBBBBBBBBBBBB

こういう文が

AAAAAAAAAAABBBBBBBBBBBBBBB

こんな感じに結合されてAの末尾数文字が消える

あとはこれ>>61

文字の認識は有料ソフトよりかなりいいので作者には頑張って欲しいわ

**名無しさん＠お腹いっぱい。** · 2024/03/10(日) 21:09:57.71

サンプルがないとなんとも

**名無しさん＠お腹いっぱい。** · 2024/03/11(月) 14:31:19.15

>>80
オンボードグラフィックのパソコンでも使える？

【文字認識】OCRソフト（２文字目）【 自炊 】

【文字認識】OCRソフト（２文字目）【自炊】