失敗しない資料文字化の基本手順とOCRの精度を上げる コツ

企業資料のテキスト化や、古文書・遺墨台帳の整理を任されて戸惑っていませんか。かすれや薄墨で文字が抜ける、裏写りがひどい、画像と台帳番号の紐づけが不安、といった悩みは代表的です。本記事では、撮影かスキャンかの判断基準、解像度（画像の細かさ）や色モードの決め方、前処理とOCR（文字認識）設定、検証までを段階的に示します。読み終えるころには、再現性のある手順と合否の見立てができ、現場で迷いを減らせます。まずは目的整理と設定の基準から始めます。

読み取り目的と原稿タイプの整理

最初に「何のために読むか」と「どんな原稿か」を整理すると、後の選択がぶれにくくなります。目的は大きく検索・閲覧・印刷に分かれ、原稿は活字／手書き／彩色・写真付き／脆弱資料などに分かれます。目的と原稿タイプの交差点で最適解が変わるため、ここでの判断が精度や作業時間、ファイル容量を左右します。以下では、目的の定義、原稿状態の見方、機材選択の方針を順に説明します。

利用目的の定義（検索・閲覧・印刷）

検索を目的にする場合は、OCR（文字認識）で取りこぼしが少ないことが最優先です。視覚的な美しさよりも、文字の輪郭が締まる設定が向きます。例えば、活字中心のA4資料なら300dpi・グレースケールで十分に実用的な結果が得られる場面が多いです。日常の閲覧・共有が目的なら、読みやすさと容量のバランスを取ります。余白を適度に残し、ファイル形式は可逆性よりも配布しやすさを重視してPDF化し、検索可能化（テキスト埋め込み）まで行うと後工程が楽になります。印刷（とくに縮小やトリミング前提の再レイアウト）を想定するなら、階調や色の再現が重要になるため600dpi・カラーを基準に据えるとよいです。小さな注記や朱書がある場合は、検索目的であってもカラーを併用し、後処理で必要部分のみ抽出する運用が安全です。

原稿の状態チェック（破れ・裏写り・朱書）

原稿の状態確認は、設定を決める前の必須工程です。破れや波打ちがあると光の反射や影で文字が不鮮明になり、OCRの誤認識を招きます。紙が薄く裏面の文字が透ける裏写りは、しきい値の設定を難しくし、二値化（白黒化）時に消失や太りが生じやすくなります。朱書・印影・金泥などの彩色が混在する場合、グレースケールでは濃度が不足して情報を落とすことがあります。作業前に、破損の有無、紙厚、裏写りの程度、彩色の有無、書字方向（縦書き・横書き）を目視＋試し撮りで確認し、必要なら黒い下紙や透明板の併用可否を決めます。状態が悪い場合は、無理に押さえつけず非接触（カメラ撮影）を優先し、後処理で整える方が安全です。

機材選択の方針（スマホ／スキャナ）

平滑なA4前後の活字資料で、十分な照明と固定が確保できるなら、近年のスマホでも実務水準に届きます。基準として、等倍撮影で長辺4000px以上を確保し、撮影後に等倍表示で小さな仮名の輪郭が崩れていないか確認します。一方、厚みのある台帳・綴じ本・脆弱な古紙・大判図面では、フラットベッドスキャナや上面カメラ＋スタンドが適します。ガラス面に押さえられる原稿ならスキャナが均一で、紙の波打ちやレンズ歪みの影響が少なくなります。縦書き・旧字体・細字が多い場合は、原稿の平坦化が易しいスキャナに分があります。決め手は「原稿が平らにできるか」「均一な光で撮れるか」「固定が安定するか」の3点で、どれかが欠ける場合はもう一方の手段を検討します。

撮影・スキャン設定の基準

設定は、解像度（画像の細かさ）、色モード（白黒／グレースケール／カラーの記録方式）、露出、ピント、歪み対策の5点で考えると整理しやすくなります。ここではまず、解像度と色モードの決め方、反射・歪みの抑え方、原稿を痛めない裏当てのコツを順に説明します。

解像度と色モードの決め方（300dpi/600dpiの使い分け）

活字の社内資料や判読しやすい手書きは300dpiから始め、微細な注記やかすれの多い手書き、細線の図面は400〜600dpiを検討します。薄墨や鉛筆の階調が重要な場合はグレースケール、朱書・印影・写真や彩色図版を含む場合はカラーを選びます。カラーは容量が増えますが、後の抽出（赤だけ拾う等）が柔軟です。迷ったら、同一原稿で300dpiグレースケール／600dpiグレースケール／600dpiカラーの3通りを各1ページずつ試し、OCRの誤り率と容量の差を比べて決めると納得感が高まります。撮影の場合はdpiの代わりに、等倍で文字の縦画が2〜3px以上あるかを目安にすると実務上の外れが少ないです。

反射・歪みの対策（光・設置・固定）

反射と歪みは、精度低下の典型的な原因です。照明は左右45°からの2灯で原稿面に均一に当て、直上の天井灯は一旦消して反射線を減らします。紙の波打ちが強ければ、薄い透明板で「軽く」押さえ、画面周辺の映り込みを避けます。スマホやカメラは三脚やスタンドで固定し、原稿面と撮像面が平行になるよう水平器アプリやグリッドを使います。広角端は歪みが増えるため、1〜2段ズームして撮ると周辺の伸びが軽減します。スキャナでは、ガラス面の清掃と原稿の位置合わせを毎回同じにし、余白を少し多めに取り込んで後でトリミングすると、角つぶれや切抜きミスを減らせます。網点の多い印刷物は、モアレ（干渉模様）が出やすいので、わずかに角度をずらして再撮影する方法も有効です。

原稿のケアと裏当て（黒紙・透明板の使い方）

裏写りが強い紙は、原稿の下に濃い黒紙を敷くと透けの影響を抑えられます。薄い和紙や脆弱な古文書は、無理に平らへ押し付けず、透明アクリル板を軽接触で用い、角を支える程度にとどめます。ホコリは柔らかいブロワーで除き、ウェットな清掃は避けます。綴じ本は背を壊さないよう開き角を小さくし、ページの端を軽く押さえながら等倍撮影します。朱書や金泥は角度で反射が変わるため、照明の位置を数センチ単位で調整し、反射が最も少ないポイントを見つけます。いずれも「原稿を傷めない」が最優先で、作業後は手順と工夫を台帳に記録しておくと再現性が高まります。

原稿タイプ×目的別の解像度・色モード早見表

OCR前処理の順序とポイント

前処理は、後工程の認識率と作業の安定性を左右します。順序を固定し、例外がある場合だけ理由を添えて外すと、チーム内での再現性が高まります。ここでは、傾き補正やトリミングの優先順位、二値化（白黒化）の考え方、複雑なページの分割や欄外の扱いを、判断基準と手順に分けて整理します。

傾き補正とトリミングの優先順位

傾き補正＝デスクュー（斜めの直し）とトリミング（不要枠の切り落とし）は、傾き補正→トリミングの順が基本です。先にトリミングすると基準線を失い、傾きの検出精度が落ちやすいからです。取り込み直後の画像は余白を少し残し、位置合わせの余地を確保します。

最初に、向き検出（90度単位の回転）で天地を正し、その後に微小な傾き（±0.5度程度）を補正します。傾きの合否は、等倍表示で縦画の揺れや段落の末尾の階段状ズレがないかを目視確認し、基準線に対するズレが文字高さの1割未満を目安とします。トリミングは、角欠けや文字の落ちを避けるために外周を2〜3％残して仮トリムし、OCR後に必要に応じて最終トリムを行います。影や指の写り込みが入った場合は、本トリム前に簡易マスク（余計な部分の覆い）を使い、OCRエンジンのレイアウト解析（段組みや領域の自動認識）の妨げを減らします。

スキャナ原稿で黒縁が出る場合は、しきい値ベースの自動トリムが過剰に働くことがあります。自動→手動での微調整に切り替え、同一原稿群ではトリム値を固定してばらつきを抑えます。曲面を含む台帳は、透明板での軽い平坦化を優先し、それでも湾曲が残るときは行単位のローカル補正（部分的な傾き直し）を検討します。

二値化としきい値の考え方（文字の太り／欠け対策）

二値化（白黒化）は、背景を白、文字を黒に分ける処理で、しきい値＝境界の明るさの決め方が鍵です。背景が均一な活字資料は全体しきい値（大津法など）が安定しやすく、薄墨や鉛筆、ムラの多い古紙は局所適応（周辺の明るさに合わせる判定）が有効です。事前にコントラスト微調整と軽いノイズ低減を行うと、二値化後のギザつきが減ります。

判断基準は「文字の細線がつながるか」「止め・はらいが潰れないか」です。サンプルとして3通り（薄め／標準／濃いめ）のしきい値で各1ページずつ二値化し、誤りの傾向を比較します。線が太り過ぎたら収縮＝エロージョン（線を細くする処理）を弱く、欠けが出たら膨張＝ダイレーション（線を太くする処理）を弱めます。鉛筆の淡い線は、二値化前にガンマ（中間調の明るさ）をわずかに下げると拾いやすく、朱書や印影はカラー保存→必要部分のみ抽出が安全です。

裏写り（向こう面の透け）が強い場合は、二値化の前に背景の平滑化（ムラを均す）や裏写り抑制フィルタを試してから、適応二値化に進みます。細かな地紋や経年の斑点が多い資料は、過度なノイズ除去で点や句読点が消えやすいので、最小文字サイズの1〜2割を下回るノイズだけを対象にするのが無難です。

ページ分割と欄外・注記の扱い

段組みや欄外注記がある原稿は、領域分割→読み順確定→OCRの順に進めると混乱が減ります。縦書きは右上→右下→左上→左下の流れを基本に、割注やルビは本文の直後に括弧で付すなど、組織内で統一ルールを定めます。見出し・本文・脚注・図版キャプションを別領域として明確にし、領域ごとにOCR設定を切り替える（例：脚注は小サイズ優先）と取りこぼしが減ります。

欄外の朱書や校正記号は、本文と混在させると誤読の原因になります。注記レイヤーを別ファイルまたは別ページとして管理し、本文テキストには注記の存在だけを短く明記します（例：「〔朱注あり：p.12〕」）。台帳番号や作品IDが版面外にある場合は、領域切り出し→OCR→メタデータ化の順で処理し、本文と一対一の紐づけ（ファイル名または埋め込みメタ情報）を必ず記録します。

OCRエンジン設定と辞書運用

OCRエンジンの設定は、言語や書字方向、字形の扱いに加え、辞書や学習語（固有名詞）の整備で伸びしろが生まれます。ここでは、初期設定の考え方と、ユーザー辞書（独自語彙）や一括処理（バッチ）の運用をまとめます。

言語・縦書き・旧字体の設定

まず、言語は日本語＋英数字を基本に、英語や中国語の併記が多い資料では必要な言語だけを追加します。多言語を過剰に選ぶと候補が分散し、誤判定が増えるためです。書字方向は、自動検出に頼りすぎず、縦書き原稿は縦書き指定を優先します。縦中横（縦文中の数字や英字の横組）は、エンジンによっては誤りやすいため、数字だけ別領域に分けると安定します。

旧字体・異体字が多い資料は、字形のゆらぎを前提にします。可能なら旧字体辞書や異体字マップを適用し、該当箇所は**候補出力（最有力以外の文字も出す設定）を有効化して後で人手確認します。罫線や枠が密な台帳は罫線除去（線分検出で取り除く）**を先に行い、数字や記号の潰れを防ぎます。英数字混在の部品型番や作品IDは、等幅フォント前提の識別に弱い傾向があるため、ID欄だけ別領域に分けて解像度を1段高く（例：600dpiのまま処理）保つと取りこぼしが減ります。

ユーザー辞書とバッチ処理・命名規則（台帳との紐づけ）

ユーザー辞書（固有名詞リスト）は、頻出語の誤り修正を先回りする道具です。手順は次の通りです。まず、代表ページを5〜10枚×3種（活字／手書き／朱書混在など）抽出し、誤りやすい人名・地名・作品名・社内用語を洗い出します。次に、表記・読み・カテゴリ（名詞・人名など）を簡易CSVで整え、エンジンに登録します。運用開始後は誤植ログを蓄積し、週1回の見直しで辞書に追加します。辞書更新はバージョン管理（例：dict_YYYYMMDD_v1）を行い、戻せるようにしておきます。

一括処理＝バッチは、小規模の試行運転→本番の順が鉄則です。全体の5％または最低30ページをサンプルに、前処理からOCR、書き出しまでを通しで回し、誤字率（CER＝文字誤り率）とボトルネックを確認します。本番前に命名規則を決め、台帳との紐づけを機械的にします。推奨例は次の通りです。

• フォルダ：ProjectName/YYYYMM/原稿タイプ/
• ファイル名：YYYYMMDD_台帳ID8桁_頁番号3桁_v1
• テキスト：画像と同名＋拡張子違い（同期を容易に）
• PDF：検索可能化（テキスト埋め込み）を基本に、PDF/A（長期保存用の規格）への書き出しは保存要件がある場合に限定

命名規則はチーム全員が読んで判別できることを最優先にし、重複を防ぐため台帳ID＋頁番号のゼロ埋めを徹底します。処理途中での失敗を見越し、段階バックアップ（原稿→前処理済→二値化→OCR出力）を保持し、巻き戻しを可能にしておくと事故対応が速くなります。

設定項目×書字方向×効果の早見表

精度検証と運用ルール

精度検証は、作業のやり直しを最小化するための要です。段取りを固定化し、例外は「理由を書き残す」ことで再現性を保ちます。ここでは、サンプリング検査の設計、修正フローと版管理、バックアップ体制までを、目安と手順の形でまとめます。

サンプリング検査の設計（抽出数・合否基準）

最初に、全体から5％または最低30ページのどちらか大きい方を抽出し、二重チェック（担当者と確認者の別人）を基本とします。指標はCER（文字誤り率＝誤字数／総文字数）で、活字中心なら0.5％前後、手書き混在は1.0〜2.0％を「一旦の目安」とします。旧字体・劣化紙が多い場合は、CERのほかに抜け（無文字化）率と読み順の乱れ件数も数え、見出し・脚注・ID欄など「重要領域」の重みを高めます。
検査は原稿単位→束単位→全体の順で拡大し、誤りの傾向（例えば「縦書きの終端で欠ける」「朱書が薄い」）を原因別リストに可視化します。合否は、①CERの目安、②重要領域の可読、③読み順の妥当性の3条件の総合判定とし、いずれかが大きく外れた場合のみ再撮影・再スキャンを検討します。再取り込みの判断基準は、行の連続欠落やID欄の誤認が連発するなど、後工程での訂正コストが高い箇所を優先します。

修正フローと版管理（v1/v2の扱い）

修正は「元画像を不変として保存」し、その上で前処理済み・OCR済み・校正済みの各段階を分けて管理します。版管理は、ファイル名やメタデータにv1→v2→v3を明示し、修正理由を変更ログに残します（例：「v2：台帳ID欄のみ適応二値化」「v3：縦書き指定を追加」）。
確認は差分レビューを基本とし、前版と現版の相違を機械的に抽出（行数・文字数・ID数）したうえで、重要領域だけ目視確認の時間を厚く配分します。納品や公開のタイミングでは、リリースタグ（例：release_YYYYMMDD）を付与し、タグ以降は内容を固定。追補が出た場合は新たなタグで段を改めます。この運用により、誤りが見つかった際の巻き戻しや再現が容易になります。

バックアップと保全（3-2-1ルール）

保全は3-2-1ルール（3つのコピー、2種類の媒体、1つはオフサイト＝別拠点）を基本に、復元テストを定期運用に組み込みます。原本画像・前処理済み・OCR出力を段階バックアップとし、毎日差分、週1で完全バックアップを取得します。
改ざん検知にはハッシュ値（改ざん検知用の数値）を利用し、バックアップ完了時に整合性チェックを自動実行します。外部ストレージやクラウドを併用する際は、アクセス権限を最小化し、退職・異動時の権限棚卸し日を年2回など定期化します。媒体の経年劣化を見越し、更新サイクル（例：外付けHDDは3年目で交換）をあらかじめ決めておくと安心です。

点検チェックリスト（作業・確認・記録）

対応運用（リスクと一般的な注意）

リスク対応は、技術設定と同じくらい「運用の決めごと」が効きます。とくに個人情報や権利の扱いは、最小限取得・必要範囲の利用を徹底し、公開前の点検を手順化します。

個人情報と公開範囲の管理

氏名・住所・電話番号・学籍番号・顔写真などの個人情報は、目的外の取得・保管を避けるのが基本です。公開や共有が必要な場合は、まずマスキング（塗りつぶし）の要否を判断し、原本とは別ファイルとして保存します。アクセス権はプロジェクト単位で最小権限を付与し、共有リンクは期限付きにします。外部委託時は、秘密保持の範囲と廃棄・返却手順を仕様書に明記し、納品後の消去確認（完了報告の保存）までを運用に含めます。

同意・権利に関する一般的な注意喚起（法的助言は行いません）

原稿に第三者の著作物（文章・図版・写真）や人物の写り込みが含まれる場合、著作権（創作物の権利）や肖像権（人物の写りに関する権利）への配慮が必要です。内部閲覧のみか、外部公開を伴うのかで必要な許諾の範囲が変わります。提供者の利用条件（二次利用の可否、掲載期間、改変の可否）を確認し、条件が不明な場合は公開を保留し、出典や権利者情報を台帳に記録しておきます。

※上記は一般的な注意事項の整理であり、法的な助言は行いません。具体的な取り扱いは、資料の性質・公開範囲・契約条件に応じて、専門家の確認を含めて検討してください。

まとめ：現場で迷わないための最小手順

最初に目的と原稿の状態を見極め、機材と設定（解像度・色モード・光・固定）を決めます。前処理は傾き→トリミング→二値化の順を基本に、縦書きや旧字体は設定と辞書で拾い落としを減らします。運用では命名規則とバッチで紐づけを固め、サンプリング検査で傾向を早期に掴み、必要に応じて再取り込みを判断します。最後に版管理と3-2-1バックアップで保全し、個人情報と権利は最小限の取り扱いと確認を徹底します。これらを記録に残すことが、次の案件での再現性と安心につながります。