デジタル化の概要

デジタル化とは

デジタル化とは、特定の受信ファイルから機械判読可能テキストを取得して、ロボットがそのコンテンツを理解し、操作できるようにするプロセスです。これは、Document Understanding^TM フレームワークで処理する必要のあるファイルに適用される最初の手順です。

デジタル化の手順には、2 つの出力があります。

• 処理されたファイルからのテキスト。String 型変数に格納されます。
• そのファイルのドキュメント オブジェクト モデル - 名前、コンテンツの種類、テキスト長、ページ数などの基本情報および、ページの回転、検出された言語、コンテンツ、およびファイルで識別されたすべての単語の座標などの詳細情報を含む JSON オブジェクト。

ドキュメント処理フレームワークでは、[ ドキュメントをデジタル化 ] アクティビティを使用してデジタル化を実行します。

デジタル化は OCR ではない

関連はありますが、デジタル化手順は OCR ではありません。

多くの場合、処理する必要のあるファイルはネイティブ PDF ファイル (スキャンされていない) であり、OCR を適用しなくてもロボットでプログラムを使用して読み取ることができます。

デジタル化で OCR が使用される場合

[ドキュメントをデジタル化] アクティビティでは、設定の一部として OCR エンジンを選択する必要があるため、必要に応じて使用することはできますが、OCR が実行されるのは以下に対してのみです。

• 画像ファイル
  • サポートされている画像形式は .png、.jpe、.jpg、.jpeg、.tiff、.tif、.bmp
  • 複数ページの TIFF ファイルの場合、OCR が各ページに適用される
• 次のような PDF ページ
  • 機械判読可能コンテンツを公開しない
  • ページのかなりの領域を占める画像を含む

注:

デジタル化で適用される制限は以下のとおりです。

• ファイル サイズの制限は 160 MB です。
• ドキュメントあたりのページ数の制限は 500 ページです。

[ ドキュメントをデジタル化 ] アクティビティで [ OCR を強制適用 ] フラグが True に設定されている場合は、常に OCR も適用されます。このオプションは通常、かなりの割合のファイルにネイティブコンテンツが含まれているように見えるが、ネイティブに読み取られたコンテンツがユーザーがそれらのファイルで確認できるものに対応していないユースケースに推奨されます。

OCR エンジンの選択方法

As each use case has its own particularities, it is strongly recommended to test all available OCR Engines with different settings, in order to determine which one works best for your project. Another recommendation is to pay particular attention to the OCR engine arguments, such as Profile, Scale, Language etc. (may vary from one engine to another), so that you identify the best settings for each use case.