采用OCR技术实现档案数字化的几点思考.pdfVIP

气象资料处理与分析 采用OC R技术实现档案数字化的几点思考 兰平- ·一 (国家气象信息中心气象资料室) 摘要 Character 随着OCR(OpticalRecognition)技术的发展，它在档案数字化建设上的应用也越来越广泛。 但是，在选择OCR技术进行档案数字化建设的同时，人们往往会忽视数字化建设过程中的其它环节，本文从 档案数字化建设的业务流程出发，围绕OCR技术核心，阐述了数字化建设中其它关联环节的重要性。 关键词：档案数字化OCR技术 1 引言 长期以来，实现纸质档案数字化主要技术路径有两种：一是手工键盘输入；二是先转换 成电子图形文件(通过扫描仪扫描或数码照相技术)再利用OCR识别技术，进行数据提取。 目前OCR领域中，针对印刷体汉字、阿拉伯数字、英文的识别准确率已经达到很高水平，手 Numeral 写数字识别(Handwritten Recognition)也到了实际应用推广阶段。 近几年我们对OCR相关技术进行了初步研究，针对档案资料的特点，利用不同的识别软 件进行了试验，尤其是手写体阿拉伯数字的提取进行了重点试验，总结了几点浅薄经验，供 业界同行参考。 2需求分析是实现档案数字化的基础 任何单位在开展档案数字化建设前都应进行充分的调研，对本单位的软、硬件环境和采 用的技术进行客观评估，在此基础上根据本单位档案的特点和总体目标提出需求分析，这是 档案数字化建设中的重中之重，不仅关系到采用的技术路线是否正确、投入的性价比是否合 理、信息化后的数据质量、用户使用产品的利用率，也关系到档案数字化建设的发展方向问 题。 按照本单位对软件的技术要求和通过软件要达到的目标，需求分析可分为需求调研和需 求分析两个阶段，需求调研要充分细致的了解技术指标、软件的开发能力、售后服务等，这 是一个对需求的采集过程，是进行需求分析的基础准备。充分调研后，根据数字化档案的特 点起草需求分析报告。需求分析的制定人应包括：资料管理者、档案利用者、本单位软件技 术人员、项目决策者和软件研发单位的技术人员。需求分析应包括：项目建设背景分析、单 位资料的现状分析、资料处理的需求分析、本单位现有条件分析、数字化后资料的利用分析、 系统平台的能力分析、软件的功能和性能分析、资金的投入分析等。根据需求分析形成可行 性研究报告，经过充分论证后制定实施方案。 3对原件的统计、处理是实现档案数字化的重要环节 档案的信息提取对象是记录在纸张上的文字或数据，不同单位档案资料的基本特征、记 录内容、原件质量不尽相同，需要获取的内容和格式也不一样。但是，数字化过程中采用的 工作流程是相同的，都是经过资料的扫描处理、OCR信息提取、信息存储、检索利用这一基本 流程。目前，市场上的OCR软件种类很多，各有特点，针对印刷体汉字的识别技术已基本成 熟，识别的准确率很高，在这里毋须再提：而面对手写体汉字的识别仍然处于研究阶段，针 国家气象信息中心2005年科技年会论文集 对手写体阿拉伯数字的识别软件虽然到了实际应用阶段，但是对于资料的初始状态要求很高； 所以，档案数字化前的统计、处理就显得尤为重要。前期工作包括： (1)对需要数字化加工的档案资料出库进行档案接收(提档)前有关标准和规范的准备， 如果没有相应的规范和标准，应在数字化加工的档案资料整理时做好相应的准备，并在档案 资料数字化加工工作结束后整理出上述规范和标准。 (2)对需要数字化加工的档案资料按资料分类出库并进行详细登记和交接，建立电子／ 纸质接收登记和出库登记本，不出现漏登记或重复登记，记录档案资料文献档案资料目录和 档案资料的缺、残、漏、损、重、页码混乱等状况，对所接收的档案资料进行两人以上交叉 核对、检查。 (3)卷内的件／页数清点，资料种类统计、表单统计、记录格式统计、尺寸大小统计。 (4)对不同类型、不同记录质量的原件按照OCR软件的技术要求进行扫描处理，建立分 类目录。 无论采用何种oCR识别软件，待识别资