한글 인식 OCR 엔진 연구 - tesseract, CLOVA, Google 등

이미지 내 글씨를 인식하는 기술 및 모델을 OCR라고 하는데,

지금 진행하는 프로젝트는 한국어를, 특히나 손글씨를 잘 인식하는지에 대한 연구를 진행하고 있다!

 

그래서 다양한 엔진을 사용해보면서 성능을 파악해보았다.

오픈소스부터 대기업에서 제공해주는 유료 API 등을 다 인식해보았다.

 

오픈소스 - Tesseract

먼저 OCR 엔진 중 가장 유명한 엔진인 tesseract가 있다!

 

tesseract 깃허브 주소

https://github.com/tesseract-ocr/tesseract

GitHub - tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository)

해당 엔진은 기본 영어를 인식하고 이외에도 다양한 글씨를 인식한다!

 

아래의 메뉴얼을 참고해서 테스트를 진행해 보았다.

메뉴얼

tesseract/tesseract.1.asc at main · tesseract-ocr/tesseract

GitHub - tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository)

 

Installing Tesseract - Command Line으로 실행해보기

Compilation guide for various platforms

여기에 있는 메인 브랜치를 활용해서 명령어를 실행해보도록 한다.

tesseract 개발자가 가이드라인을 자세하게 제공해주고 다양한 방식으로 접근할 수 있다는 점이 장점이다!

(저런 개발자가 최고다.. )

 

필자는 운영체제가 Windows이므로 해당 버전을 다운받았다. 

자신의 버전을 확인하고 다운로드를 진행해보자!

1. Software Network client로 sw.exe 파일을 다운한다.
2. 명령어로 sw setup 진행
3. 이후 sw build org.sw.demo.google.tesseract.tesseract-master 클론 진행

이 방법으로 진행했다.

Software Network client은 github 같은 버전 관리 시스템이 없는 사람들을 위해서 간단하게 코드를 로컬에 클론할 수 있도록 도와주는 플랫폼이다 이로써 sw 파일을 다운로드해서 실행하면 자동으로 코드를 얻을 수 있다!

cmd 창에 해당 명령어를 입력해서 코드를 얻어보자.

이후 시스템변수 → PATH → 편집을 통해서 tesseract가 명령어를 인식 할 수 있도록 환경변수를 설정해주었다!

환경변수 설정은 검색하면 더 자세한 글이 많으니 참고하면 될 듯 하다.

 

이후 cmd 창에 tesseract라는 명령어가 먹히는 지 확인을 해보자

tesseract [이미지이름] stdout -l kor > [결과물저장]

인식하려는 이미지 이름과 해당 결과물을 어떻게 저장할지 입력하면 결과를 확인할 수 있다.

나는 .txt 확장자로 결과를 저장하였다.

 

손글씨 결과 확인

프로젝트에서 원하는 손글씨가 제대로 인식하는 지 확인하기 위해서 손글씨를 input으로 넣어보았다.

제대로 인식하고 있지 않은 것을 확인할 수 있음

이 사진의 문제 —> 줄이 있음, 영어가 섞여있음, 네모칸이 있음, 문장이 너무 많음

을 고려해서 두번째 테스트를 진행함

앱 개발 회의 6시 다 인식 못하는 것을 확인 할 수 있음… 손글씨 성능이 최악...

역시 오픈소스의 한계인 것일까?

 

정형화된 서류일 경우도 체크해 보았다

생년월일을 모자이크하긴 했지만 정형화 된 서류는 인식이 잘 된다.

해당 모델은 손글씨까지 인식할 수 있는 범위까지 커버할 수 없음을 확인했다. 

이로써 손글씨 인식에는 해당 모델은 적합하지 않다는 것을 확인 완료...

인식이 잘 못 되는 것 뿐만 아니라 인식이 안 되는 경우도 있었음

 

유료 API 확인 - Google vision API

어쩔수 없다 대기업의 손을 빌리자 판단이 들어서

Google 사의 demo 버전을 사용해 보았다. 편하게 GUI를 제공해줬기 때문에 별다른 설치는 필요 없었다. 개꿀.

나름 준수한 성능

하지만 사진의 방향이나 배율에 따라 인식 성능이 불안정함을 확인해 볼 수 있었다.

글씨가 적혀있는 부분만 crop해야 정확도가 높은 듯 했다.

해당 예시처럼 제대로 인식 못하는 경우도 많음

tesseract 보단 준수하지만 띄어쓰기 인식이 불안정했다...

 

결론 : 글씨체 상관없이 한글자 당 정확도는 상당히 높다.

허나, 띄어쓰기 인식이 불안정하며 정확도를 높히려면 글씨만 있는 부분을 따로 crop해야하는 번거로움이 필요했다.

 

 

유료 API 확인 - CLOVA OCR

https://www.ncloud.com/product/aiService/ocr

NAVER CLOUD PLATFORM

마지막 희망으로 네이버 CLOVA에서 제공해주는 OCR 데모를 사용해 보았다.

해당 API는 무조건 결제 수단을 결정해 놔야만 데모를 쓸 수 있었다.... 철저한 네이버...

너무나도 인식이 잘 된다. 특히나 띄어쓰기 부분을 상당히 잘 인식하고 있다.

역시 국내 기업이 한국어 인식 성능이 더 뛰어남을 깨달았다.....

구글이 해결하지 못한 부분도 충분히 인식하는 여유로운 CLOVA 모델

그리고 대망의 초고난도 내 스케줄 리스트도 잘 인식을 한다.... 와 물론 오류가 있지만

 

우리 팀은 이정도까지의 자잘한 기호를 인식할 필요는 없기 때문에 CLOVA가 가장 인식 정확도가 높음을 확인하고

해당 모델을 사용하기로 했다! 돈이 문제긴 하지만...

 

네이버의 인공지능 개발팀들에게 박수를 보내고싶다!