档案数字副本OCR规范-国家档案局.docVIP

ICS 01.140.20 A 14 备案号： 中华人民共和国档案行业标准 DA/T XX—2017 档案数字副本光学字符识别（OCR）规范 OCR Specification for Digital copy （征求意见稿） 2017-XX-XX 发布 2017-XX-XX 实施 国 家 档 案 局 前 言 本标准的附录A是资料性附录。 本标准由国家档案局提出并归口。 本标准起草单位： 本标准主要起草人： 档案数字副本光学字符识别（OCR）规范 范围 本标准规定了档案数字化副本光学字符识别（OCR）基本要求。 本标准适用于档案部门指导OCR工作规划、管理和应用。 规范性引用文件 下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。 GB/T 2828.1-2003 计数抽样检验程序 第1部分:按接收质量限(AQL)检索的逐批检验抽样计划 DA/T 31-2005 纸质档案数字化技术规范 术语和定义 3.1 图像格式 image format 记录、组织和存储图像像素的方式。 3.2 字符 character 各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。 3.3 字符集 character set 多个字符的集合。字符集包含的字符个数不同，常见字符集名称有ASCII字符集、GB2312字符集、BIG5字符集、 GB18030字符集、Unicode字符集等。 3.4 光学字符识别 Optical Character Recognition;OCR 电子设备检查纸上显示的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。 OCR包括处理后的高清图像，识别后的电子文件，校验文件及工作中产生的文件、存储载体等。 3.5 识别准确率 recognition accuracy 通过识别正确文字的比率。 识别准确率R=（识别正确文字数／应识别文字总数）×100% 3.6 识别速度 recognition speed 单位时间内通过OCR识别文字的数量。 总则 各单位在纸质档案数字化的基础上，为方便利用、数据挖掘统筹规划开展档案数字副本OCR工作。 档案数字副本原始图像、高清图像与识别后的电子文件之间应建立正确、可靠的关联。 应采取有效的管理和技术手段，确保档案数字副本OCR后的成果质量。 处理涉密档案时，应按照涉密档案相关的管理和技术要求开展工作。 工作组织 机构及人员 应建立完善的工作组织架构，以支持对档案数字副本OCR工作进行统筹规划、组织实施、协调管理、安全保障、技术保障、监督检查、成果验收等，确保档案数字副本OCR工作的顺利开展。 应配备具备相应素质和技术水平的工作人员，并通过科学规范的管理制度对工作人员进行规范化管理。为强化安全性，应加强对外聘工作人员的审核。 基础设施 应配备专用工作场地、机房等，应合理规划、配备和管理设施设备，确保设施设备安全、先进，能够满足档案数字副本OCR工作的需要。基础设施： —— 与档案库房的距离要求； —— 场地和环境（如面积、温度、湿度、防火、电力和工作时间等）要求； —— 运行维护和管理要求。 可选用以下三种方式获取基础设施： —— 由组织所有或运行； —— 多方共建或通过互惠协议获取； —— 租用商业化数字化公司的基础设施。 工作流程控制 档案数字副本OCR包括图像输入、图像预处理、比对识别、修改校正、结果输出等流程。 应依据相关的法律法规和各类技术标准，制定相关的工作流程和各环节操作规范，对全过程进行有效的控制，确保识别质量。 应加强对整个流程的安全管理，及时对产生的数据进行备份。 应建立完善的问题反馈机制，对档案数字副本OCR工作过程中后端环节发现前端环节中产生的问题及时反馈和修正。及时获取OCR成果后续管理和利用过程中的效果反馈，提高OCR工作质量。 工作文件管理 应针对OCR全过程，建立完善的管理工作文件，以此加强对OCR工作的管理。 方案制定 制定OCR识别策略 OCR识别策略应考虑如下要素 ——图像资源，即符合输入标准的可识别的彩色（24BITS）、灰度（256阶）和黑白二值图像。一般应为TIFF、BMP、JPG、PDF格