資料を正確に残すためのOCR

基本理解と適性判断

手書き資料を正確にテキスト化するには、原稿の状態・撮影やスキャンの方法・後処理の三点をそろえることが大切です。まず、対象の紙質や劣化具合、文字の密度、余白の有無を観察します。にじみや退色、裏写りが強い原稿では、そのまま認識させるよりも前処理でコントラスト調整や下敷きの色変更を行うほうが結果が安定します。作業前に「何をどこまで文字にするか」を決めることも重要です。本文・注記・印影・落款・朱書きなどの扱いを決めると、迷いが減り、後工程の校正が短くなります。認識精度を上げる最短ルートは、入力画像の質を高め、版・日付・筆者名など検索に効く情報をメタデータとして併記することです。以下では、難易度の見極め、方法の選び方、対象範囲の決め方を順に整理します。

手書きOCRの難しさと成功条件

機械が読みやすい条件は、太さが一定で文字が連続しないこと、背景と文字のコントラストが高いこと、行間が十分でレイアウトが単純であることです。草書や連綿（文字がつながる書き方）、にじみやかすれが強い原稿は、人間には読めても機械には難題になります。そこで、成功条件を現場で素早く判定できるよう、次の観点でチェックします。
・画面に対して文字の高さが概ね20〜30ピクセル以上確保できるか（小さすぎると誤認識が急増します）
・背景に網点や地紋がないか（均一でない背景は二値化の邪魔になります）
・縦横の傾きが±1°以内に収まりそうか（傾きが大きいと行分割が崩れます）
・注記や朱書きが本文に重なっていないか（別レイヤーとして扱うと誤認が減ります）
これらが概ね満たせると、後述の前処理と合わせて実用レベルの認識が得られやすくなります。なお、専門語は初出で言い換えを示します。たとえばOCR（文字の自動読み取り）、二値化（白黒だけにする処理）、解像度（画像の細かさ）などです。

スキャンと撮影の選び方（劣化紙・巻物・額装）

原則は「平らにできる普通紙はスキャン、平らにできない・大型・装丁物は撮影」です。フラットベッドスキャナは均一な光と直交の光学系を持つため、薄い紙の文書や便箋のような定型サイズでは安定した結果を得やすいです。一方、巻物・掛け軸・額装書や、和紙が脆く触れるだけで破れそうな資料は、無理に押さえると損傷の恐れがあります。こうした場合は、撮影台やコピー台を用い、ソフトな重しや無反射ガラスで軽く面を整えてから俯瞰撮影します。装丁本は中央が盛り上がるため、見開き撮影の後に曲面補正ができるソフトを使うと版面の歪みを抑えられます。判断に迷ったら、「無理に平らにできない」「サイズがA3超」「装丁や装飾が外せない」のどれかに該当すれば撮影優先、と覚えると安全です。薄い和紙で裏写りが出る場合は、黒い下敷きを敷くと文字が立ち上がり、認識も安定します。

認識対象の見極め（草書・変体仮名・印影）

文字起こしの範囲は、利用目的で決めます。全文検索や索引づくりが目的なら、本文を機械読取＋人手校正し、草書や変体仮名は注記として〔読み・原字形・位置〕を残します。美術的価値の記録が主なら、本文はテキスト化しつつ、判読困難な箇所や運筆の特徴は画像で保持するのが安心です。印影や落款は「テキスト化の対象にするか」「属性（有無・形・位置・色）で記録するか」を先に決めます。たとえば、印影はテキストに［朱文方印］のような属性語を入れ、本文には介入しない運用が誤認の混入を防ぎます。固有名詞は辞書登録（後述）で通し、異体字・旧漢字は初出に注記を付け、以降は統一表記で処理すると校正負荷が下がります。迷う場合は「検索で使う情報か」「原状の形態を残すべき情報か」の二択で割り切ると運用が決まりやすいです。

撮影・スキャン設定の実践（最長ブロック）

良い認識は良い入力から生まれます。ここでは、解像度や色モード、光の当て方、歪みの抑え方、保存形式の選択までを手順で示します。最初に小さなサンプルで試し撮り・試し取り込みを行い、認識率と処理時間、ファイル容量のバランスを確認します。本番前に条件を固定し、作業メモに記録します。たとえば「日付／機材／解像度／色モード／保存形式／補助具（下敷き色・重し）」の記録だけでも、再現性と説明責任が大きく向上します。スキャンはガラス面の清掃と、原稿のホコリ除去から始めます。撮影はカメラを真上に固定し、左右から同じ角度で光を当て、反射と影を抑えます。薄い紙は黒い下敷き、濃い地色の紙は白い下敷きを使うと輪郭が安定します。

解像度と色モードの目安（例：300dpi/600dpi）

一般的な文書の本文中心なら300dpi、細字や小さな注記、退色が強い原稿や辞書ページのような高密度レイアウトは600dpiが安全です。印影・落款の質感や細部を後で拡大して確認したい場合は、該当部分のみ別撮りで600dpi〜1200dpiを追加すると全体の容量を抑えつつ必要情報を確保できます。色モードは、墨色の濃淡や朱書きを区別したいならグレースケールまたはカラー、単色の本文だけでよいなら二値化を前提にグレースケール取り込みが扱いやすいです。スマートフォン撮影の場合は、俯瞰固定と十分な光量を前提に、1,200万画素以上を確保し、撮影後に長辺を3,000ピクセル前後へ統一します。解像度（画像の細かさ）は高いほど良いわけではなく、600dpiを超えると認識率の向上が鈍り、容量と処理時間だけが増えることが多いです。まず300dpiで試し、困難箇所のみ条件を上げる段階的運用が現実的です。

反射・傾き・歪みの抑え方（台形補正など）

反射は光源の角度と面の平滑化で抑えます。左右から約45°で均等に照明し、紙面を軽く押さえると皺や波打ちによるハイライトが減ります。ガラスを使う場合は無反射タイプを選び、文字の上に強い映り込みが出ないかをプレビューで確認します。傾きは、スキャナなら原稿台のガイドに沿わせ、撮影ならカメラを真上に固定して水平器アプリで微調整します。取り込み後は、傾き補正とトリミングを最初に行い、次にコントラスト・明るさ・シャープネスの順で軽く整えます。台形補正（斜めから撮った画像の四隅座標を使い長方形に戻す処理）や歪み補正（曲面の文字行を直線に近づける処理）は便利ですが、かけ過ぎると筆致が失われます。補正は「最小限」を合言葉に、校正担当が読みにくくならない範囲で止めます。裏写り対策は黒い下敷きと露出の見直しが基本で、濃度が上がり過ぎる場合はレベル補正で中間調を締めると認識が安定します。

保存形式と容量のバランス（TIFF/JPEG/PNG/PDF）

保存形式は目的で使い分けます。原本保存用はTIFF（非圧縮または可逆圧縮。画像を劣化させない形式）を基本にし、作業・共有用はJPEG（軽量。繰り返し保存で劣化する形式）やPNG（文字と図に強い形式）を用います。最終配布が資料束なら、PDF（複数ページをまとめられる形式）にし、後工程で検索可能化（テキストを埋め込んで検索できるようにすること）します。容量は、1ページあたり300dpiグレースケールでおよそ数百KB〜数MB、600dpiカラーだと数MB〜十数MBになることが多いです。作業負荷を抑えるには、原本はTIFFで安全に確保し、認識用には軽量のJPEGまたはPDFに派生させる二段構えが現実的です。途中で条件を変えると混乱の元になるため、バッチ単位で「解像度・色・形式」を固定し、ファイル名に条件を簡記しておくと後で追跡しやすくなります。

文書タイプ別の推奨スキャン設定（目安）

前処理と文字認識の手順

スキャンや撮影で得た画像は、そのまま認識させるよりも一手間の前処理を入れるほうが成果が安定します。前処理は「向きと余白の整理→ノイズ対策→階調調整→領域分割→文字認識」の順に進めると迷いにくいです。最初に回転・傾き補正とトリミングで版面を整え、次に微小なゴミや紙のムラを抑えます。続いてコントラスト（明暗差）とガンマ（中間調の明るさ）を軽く整え、領域分割（文字行・段・余白・図版を見分ける処理）で読み取り対象を限定します。縦書き・横書きが混在する原稿では、段ごとに方向を指定できるソフトを選ぶと誤認が減ります。最後にOCR（文字の自動読み取り）をかけ、結果をテキスト化します。以降では各工程の判断基準とコツを示します。

ノイズ除去・二値化・コントラスト調整の基準

ノイズ除去（微小なゴミや紙の粒状感を目立たなくする処理）は、やり過ぎるとかすれた筆致や細い払いを消してしまうため、半径や強度は最小から試します。目安として、文字の細線が約1〜2ピクセルの原稿では、ノイズ除去の半径は1以下に抑え、シャープネス（輪郭強調）は弱めに留めます。二値化（白と黒の2色にする処理）は、背景が均一で文字がはっきりしている場合に有効ですが、墨の濃淡や朱書きを残したい場合はグレースケールで処理し、最後に軽い二値化を検討します。コントラスト調整は、ヒストグラム（明るさの分布）を見て、背景が灰色に寄っているときだけ白側を持ち上げ、文字が潰れない範囲で黒側を締めます。裏写りが強い紙は、黒い下敷き＋レベル補正で中間調を引き締めると、二値化後のギザギザや欠けが減ります。判断に迷ったら、同じページの一部を切り出して「処理前→処理後→OCR結果」を見比べ、可読性と誤認率のバランスで決めると失敗が減ります。

領域分割と縦書き対応（段組・ルビ）

領域分割は、文字の塊・段組・図版・余白を分け、読み取り範囲と順番（読み順）を決める工程です。複数段の便箋や目録では、段単位で領域を指定し、縦書き・横書きを明示します。縦書きでは、句読点や括弧の向き、熟語の中黒などが横転して誤解釈されやすいため、OCR側の縦書きモードを優先し、数字は半角のままでも読み順が崩れないか確認します。ルビ（ふりがな）は本文に混ぜない方針が無難です。本文領域とルビ領域を分け、本文は本文として、ルビは注記として別フィールドに保存すると後の検索で混乱しません。欄外の朱書きや赤ペンの指示は、本文と重なると誤認の原因になります。別レイヤーとして切り出すか、領域から外すかを冒頭で統一すると、校正の負担が軽くなります。段組・ルビ・注記の扱いは、原稿ごとに最初の数ページで試行し、最良の手順を「作業メモ」に固定するのが実務的です。

辞書登録と学習機能（固有名詞・旧字）

固有名詞や専門語は、辞書登録（事前に正しい表記を覚えさせること）で誤認を大きく減らせます。はじめに頻出語を約50〜100語集め、CSVなどで「よみ／正表記／備考」を整えます。異体字・旧漢字は、初出で原字形を〔注記〕に残し、以後は統一表記で運用すると、検索性が上がります。たとえば「龜→亀」「舊→旧」などです。地名・人名は、自治体名鑑や名簿など信頼できるリストから流用し、読みが複数ある語（例：斎／斉、渡邊／渡辺）は候補を併記します。学習機能（過去の修正を次回に活かす仕組み）があるソフトでは、誤認の多いページから先に校正して学習させると、その後の処理が目に見えて安定します。導入初期は、各バッチで誤認トップ10を抽出し、辞書へ反映する小さな改善サイクルを回すと効果的です。

校正とデータ整形・出力

文字認識の後は、校正（読み取り結果の確認）と整形（体裁を整える作業）で完成度を高めます。実務では、見落としを防ぐため「原像を横に並べて読む」方法が基本です。校正は一巡で終えるより、1巡目で機械的エラーを集中修正し、2巡目で表記統一と注記の整えを行うと効率的です。出力形式は目的次第ですが、検索可能PDF（テキストを埋め込んで検索可能にしたPDF）とプレーンテキストの2系統を並行保存しておくと、後からの再利用が容易になります。ここでは、所要時間の見積もり、出力形式の選び方、メタデータと版管理（更新履歴の管理）の基本をまとめます。

校正フローと所要時間の見積もり

校正は「読み合わせ方式」と「スポット検査方式」を併用します。読み合わせ方式は、原像とOCR結果を左右に並べ、1行ずつ声に出さず目で追う方法で、誤字脱字に強いです。所要時間は、A4相当で1ページあたり約5〜10分が目安ですが、草書や濃淡が強い原稿では約15分以上かかることがあります。スポット検査方式は、数ページごとに固有名詞・数字・日付だけを重点的に確認し、正解率（合っている割合）を早く把握する方法です。実務では、初回100ページのうち約10％をスポットで確認し、誤認が多い箇所の傾向を掴んでから全体校正に入ると効率が上がります。ダブルチェック（二人での相互確認）は、冊子化や公開前など重要度が高いときに限定し、通常はクロスチェック対象を「人名・地名・年号・数量」のみに絞ると時間対効果が良いです。校正記号や表記ルールは、短いスタイルガイドにまとめ、迷いが出た判断は都度追記していくと再現性が保てます。

形式別の書き出し（検索可能PDF/TXT/DOCX/CSV）

検索可能PDFは、配布や共有に向き、ページ画像とテキスト層を持つため閲覧性と検索性を両立できます。しおり（目次のようにページへ飛ぶ機能）や文書情報（タイトル・作成者・作成年など）を付けると、後で探しやすくなります。TXT（プレーンテキスト）は最も軽量で、校正済みテキストの保存に適します。DOCX（ワード形式）は体裁や段落スタイルを保持でき、冊子化や注記の整備、後編集に向きます。CSVは、目録・索引・キャプションのように項目化したデータを扱うのに適しています。たとえば「通し番号／筆者／作品名／制作年／出典／本文／注記」の列を作り、検索や並べ替えを容易にします。最終的には、目的に合わせて「PDF＋TXT」や「DOCX＋CSV」など、最低でも2種類を並行保存するのが安全です。将来の再OCRを見据え、原本画像（TIFFなど劣化しない形式）との対応関係が追えるよう、ファイル名やメタデータでリンクを持たせます。

メタデータと版管理（更新履歴・差分管理）

メタデータ（データに付属する説明情報）は、後から探す力そのものです。最低限、「資料名／作成年または採録日／作成者（筆者）／所蔵／処理条件（解像度・色・形式）／担当者／版（v番号）」を入れます。PDFなら文書プロパティ、画像ならIPTC・XMP（画像に埋め込める情報の規格）、テキストやCSVなら先頭行に簡単なヘッダを置くなど、形式に応じて格納場所を決めます。版管理は「v1→v2→v3…」の昇番と、変更点の短い記録をセットにするのが基本です。変更履歴は「日付／担当／変更要約（例：人名の表記統一、目次追加）」の3点さえ残せば十分役に立ちます。差分比較は、TXTやCSVなら専用ツールやエディタで容易に行えます。重要なのは、原本（改変しない保管用）と派生（作業・配布用）をフォルダで分け、誤って上書きしない仕組みを最初から作ることです。

ファイル命名・フォルダ構成の例（命名規則／例／保管場所）

対応運用（委託・保管・公開の留意点）

実務の安定は「作業が終わってから」ではなく、委託範囲の決定・保管体制・公開方針を最初に固めることで大きく向上します。ここでは、第三者への委託やクラウド利用時の配慮、保管とバックアップの基本、公開可否の線引きと同意の扱いを、判断基準と手順に分けて示します。いずれも唯一の正解はなく、資料の価値・機密度・予算・運用負荷のバランスで決める前提です。まずは小規模な試行で課題を洗い出し、ルールを短い文書にし、定期的に見直す流れを基本形にすると、担当者が変わっても破綻しにくいです。

委託・クラウド利用時の配慮（持出し可否・ログ）

委託やクラウドの是非は「機密度レベル」と「持出し可否」を基軸に決めます。目安として、一般（公開前提）・限定（所内限定）・機密（権利・個人情報を含む）の3段階に分け、機密は原則オフライン処理とし、持出しは不可、アクセスは担当者を最小限に絞ります。限定は、社外委託やクラウドを使う場合でも暗号化保存・通信、担当ごとのアカウント付与、アクセスログの保全（少なくとも90日以上）を条件にします。契約時は、再委託の可否、削除証明の取得方法、成果物の所在（どこに最終保管するか）を明文化します。実作業では、受け渡しを「原本持出し」ではなく「撮影・スキャン済みデータの提供」に置き換え、原本の所在をぶらさないことが安全です。クラウドは、共有リンクの有効期限・ダウンロード許可の有無・編集権限を毎回確認し、完了後にリンクを失効させます。納品後は、アカウントと権限の棚卸しを行い、不要権限を速やかに外します。

保管とバックアップ（多重保存・復元テスト）

保管は「原本」と「派生」を物理的・論理的に分離するのが基本です。原本はTIFFなどの劣化しない形式で読み取り専用領域に置き、派生（作業・配布用）は別フォルダで運用します。バックアップは3-2-1の考え方（3系統・2種類の媒体・1つは別拠点）を目安にします。たとえば、所内NAS・クラウド・定期スナップショットの3系統を組み合わせ、毎日差分、毎週フルの世代管理を設定します。重要なのは「復元できるか」の確認です。毎月1回は、無作為に選んだファイル群を実際に復元して閲覧・照合し、命名規則とメタデータの対応関係が保たれているかを確かめます。退職・異動時には権限の移管リストを用意し、担当外の私物デバイスにデータが残らないよう削除手順を定めます。長期保存は、記録媒体の更新計画（おおむね3〜5年で見直し）を含めると、陳腐化や読めない事故を抑えられます。

同意・公開範囲の考え方（一般的注意喚起）

公開は「非公開／限定公開（所内・特定者）／一般公開」の3段階で検討し、段階ごとに必要な同意や匿名化の要否を確認します。筆跡や印影、個人が特定され得る情報は、公開目的・範囲・二次利用の可否を明記した同意文面を用意し、保管先と管理者を決めます。第三者の著作物が含まれる場合は、引用の範囲や出典の明示をルール化し、判断が難しい場合は公開を保留して注記で代替する方法も検討します。用途が目録・索引用であれば、本文はテキスト化しても、肖像が含まれる写真面は限定公開に留めるなど、要素ごとの公開レベルを分けると安全です。迷うときは、最小限の公開から始め、関係者の確認を重ねて段階的に広げる進め方が現実的です。

※注意喚起：ここに示す権利・個人情報・同意に関する内容は一般的な留意点の解説であり、法的助言ではありません。最終判断や文面の適否は、所属組織の規程や専門家へ個別に確認してください。

運用リスクと対策の早見表

まとめ（要点整理と導入手順の最小セット）

本稿の要点は「入力品質を上げ、手順を固定し、最小限の運用で回す」ことです。初回は小規模試行から始めます。1) 代表的な原稿を3〜5ページ選び、300dpiで取り込み、難所のみ600dpiを追加します。2) 前処理は「傾き補正→トリミング→軽いコントラスト調整→領域分割」の順に固定します。3) OCR後は、校正を2巡行い、頻出の誤認トップ10を辞書に反映します。4) 出力は「検索可能PDF＋TXT」の2系統を保存し、原本TIFFとの対応をファイル名で結びます。5) 版管理（v番号と変更要約）とメタデータ（資料名・作成年・所蔵・処理条件）を短い様式にし、毎回記入します。6) バックアップは3-2-1を目安に構成し、毎月1回の復元テストを習慣化します。7) 公開は段階制で進め、同意と匿名化の可否を都度点検します。無理に完璧を目指さず、作業メモを更新し続ける小さな改善サイクルが、最終的に精度とスピードの両立につながります。