PythonでOCRを実装してみた。そしてもうそんな時代じゃなかった💮

はじめに

どうしてもデジタル化が難しい紙のアンケートがあった。
複数ページにわたる表形式で、手書きの数字を一つずつ書き込んでもらうのだ。
それを回収し、集計しなければならない。

手入力なんてやっていられない。
だから、スキャンしてPythonでOCR処理をしてみることにした。

PythonでOCRを実装する

使ったのは、オープンソースのOCRツールTesseract OCR。導入方法など詳しくはこちらの記事等を参考にして欲しい。

今回は書式が統一されており、読み込みたい位置も固定されているので、前処理を工夫することで精度を上げることに努めた。
具体的には、処理したい表部分だけを切り取り、セルごとに分割、色を調整しOCR処理をかけた。

mycode.py

import fitz
import pytesseract
import pandas as pd
from PIL import Image, ImageEnhance
import io

# Tesseractのパス
pytesseract.pytesseract.tesseract_cmd = r'C:\Users\Users001\AppData\Local\Programs\Tesseract-OCR\tesseract.exe'

pdf_path = 'input.pdf'
output_csv = 'output.csv'

# 表のクロップ範囲
table_left, table_top, table_right, table_bottom = 330, 265, 735, 490
n_rows = 5
n_cols = 6

cell_width = (table_right - table_left) // n_cols
cell_height = (table_bottom - table_top) // n_rows

doc = fitz.open(pdf_path)
all_data = []

for page_num in range(len(doc)):
    page = doc.load_page(page_num)
    pix = page.get_pixmap()
    img_bytes = pix.tobytes("png")
    image = Image.open(io.BytesIO(img_bytes))

    print(page) #進捗確認用

    # 各セルごとにOCRをかける
    page_table = []
    for row in range(n_rows):
        row_data = []
        for col in range(n_cols):
            x1 = table_left + col * cell_width
            y1 = table_top + row * cell_height
            x2 = x1 + cell_width
            y2 = y1 + cell_height
            cell_img = image.crop((x1, y1, x2, y2))

            # セル画像の周囲10%をトリミング（罫線を除去）
            w, h = cell_img.size
            trim_x = int(w * 0.1)
            trim_y = int(h * 0.1)
            cell_img = cell_img.crop((trim_x, trim_y, w - trim_x, h - trim_y))

            # 2倍に拡大（Tesseractは大きめの画像の方が精度が上がるため）
            cell_img = cell_img.resize((w*2, h*2))

            enhancer = ImageEnhance.Contrast(cell_img)
            cell_img = enhancer.enhance(2.0)  # コントラスト2倍

            cell_img = cell_img.convert('L')  # グレースケール
            # 2値化（閾値128）
            bw = cell_img.point(lambda x: 0 if x < 128 else 255, '1')

            # 数字のみOCR, PSM 7（単一行）
            custom_config = '--psm 7 -c tessedit_char_whitelist=0123456789'
            cell_text = pytesseract.image_to_string(bw, lang='eng', config=custom_config)
            cell_text = cell_text.strip()
            row_data.append(cell_text)
        page_table.append(row_data)
    # ページ番号を先頭に追加
    for row in page_table:
        all_data.append([page_num + 1] + row)

# データフレーム化
columns = ['ページ'] + [f'列{i+1}' for i in range(n_cols)]
df = pd.DataFrame(all_data, columns=columns)
df.to_csv(output_csv, index=False, encoding='utf-8-sig')
print(f'CSVファイルを出力しました: {output_csv}')

出力は出た。だが、読めない。

「7」が「1」になり、「3」が「8」になる。
ちゃんと画像処理が上手くいっているか、出力してみて確認までしたｗ

けど実務ではとても使えない、体感50％も上手くいってなくて、精度の壁にぶつかった。

Tesseractの限界だと感じた。
機械学習？、Google Cloud VisionやAzure Cognitive Servicesなどの有料APIを使う？

けれど、ちょっとしたアンケートの集計に毎回コストをかけるのは現実的じゃない。
この時点で「PythonでOCR」は、実用的な手段としては行き止まりだった。

ふと思いついた：AIにそのままPDFを投げてみる

諦めかけたその時、ふと頭をよぎった。

「あれ、もしかしてChatGPTにそのままPDFぶっこんだら読めるんちゃう？」

やってみた。
結果は、驚くほどの精度だった。

二重線で修正した数字や、小さな書き込みまで識別し、
なによりアンケートの構造を理解して回答者ごとに整理してくれた。

確かに、潰れた文字や集計の一部は間違っていた。
それでも、目的だった「紙アンケートのデータ化」は完全に達成された。

コードを書くという錯覚

おかしかったのは、最初にこのPythonコード自体もAIに書かせていたことだ。
私は「自分で実装している」と思い込みながら、
実際にはAIに段取りを聞き、構文を生成してもらっていた。

気づけば、私は“書く人”ではなく“設計を委ねる人”になっていた。
PythonでOCRを実装することよりも、どういう結果を得たいのかを伝えることの方が重要だった。

そして、もうそんな時代じゃなかった

簡単なアプリやOCRツールを作ることに価値はあるのか。
AIはもう、コードやAPIを超えて、タスクそのものを理解して実行してくれる。

Pythonでは読めなかった文字を、AIは読んだ。
コードでは理解できなかった構造を、AIは把握した。

目的を達成するために手段を設計する考えが古かった

これまでのエンジニアリングは、「目的を達成するために手段を設計する」という構造だった。

• 何をしたいか？　→　Pythonでどうやって書こうか。
• OCRしたい　→　どうやって前処理すれば認識精度が上がる？
• 自動化したい　→　どのAPI使えば最適なのか

つまり、人が目的と手段の両方を握っていた。
ところが、手段の部分がどんどん自動化され、もはやどう実装するか？を考える時間がコストそのものになっている。

AIが手段を内包する

AIはすでにコードを理解し、画像を解析し、文章を要約し、数値を分析できる。
しかもそれを統合的に行える。

つまりAIに対して、「何をしたいか」さえ明確に伝われば、そのための具体的な手段は補完してくれるのだ。

この時、人はもはや手段を選ぶ存在ではなく、目的を提示する存在になっている。

おわりに

PythonでOCRを実装してみた。
そして気づいた。
もう、そんな時代じゃなかった。