バウンディングボックスでOCR結果を検証する

OCRの検証というと、結局は自分でもう一度ドキュメントを読み直すことを意味しがちです。手間がかかるうえに、本来避けたかった作業そのものです。バウンディングボックスはこの流れを変えます。2列に並んだテキストを見比べるのではなく、各値が画像のどこから読み取られたのかへ視線を飛ばすだけ。正しいか間違っているかが、ひと目で分かるようになります。

すべての値に付いてくる2つのシグナル

space-ocr は各項目について、テキスト以上の情報を返します。

• バウンディングボックス + 向き付き頂点 — 値が どこから 読み取られたか。ボックスがページの誤った位置にあれば、たとえもっともらしく見えても、その値は疑わしいということです。
• match_ratio(0〜1) — 値の文字のうち、実際にページ上で どれだけ 見つかったか。エンジンは 0.85 以上 を信頼できるマッチとみなします。それより低い値は、目視で確認すべき項目のリストになります。

この2つを組み合わせると、検証はトリアージに変わります。マッチ率で並べ替え、低いものだけを見て、それぞれをボックスで確認するのです。

なぜボックスは信頼できるのか

ボックスは言語モデルが出力したものではありません。エンジンは 抽出した各値を、ビジョンOCRがページ上で実際に検出したシンボルと文字単位で照合します — match_ratio は、値のテキストがそこでどれだけ見つかったかを表す数値です。(モデルがどのワードトークンを使ったかをヒントとして示す場合も、その情報は列・行の整合性と突き合わせて検証され、鵜呑みにはされません。)つまりボックスは、その文字がページ上に存在するという証拠であって、あるべき 場所に当て推量で描かれた枠ではありません。詳しい仕組みについては 監査証跡付きのドキュメントOCR をご覧ください。