PythonでTesseractを使ってみる

はじめに

皆さんこんにちは。ファブテラスいわてスタッフの鈴木です。

今回の内容はタイトルにもある通り、PythonでTesseractを使ってみるというものです。

私は以前、tesseractに少し触れる機会がありそこで興味をひかれたのですが、気づいたらその時以来全く使っていませんでした。なので、今回は復習を兼ねて、pythonでtesseractを使ってみたいと思います。

今回はものづくり系の記事ではないのですが、最後まで読んでくだされば幸いです。

Tesseractとは

・オープンソースのOCRエンジン　　　
・画像の中にある文字を読み取り出力する

今回の動作環境

・macOS Monterey バージョン12.1
・Python 3.9.5
・Tesseract 4.1.3　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　
・pyocr 0.8.1

Tesseractの導入

まずはターミナルから、brewでTesseractをインストールします　

次のコマンドを入力すると、文字認識可能な言語を確認できます

このままでは日本語が入っていないので、日本語の学習モデルのファイルをhttps://github.com/tesseract-ocr/tessdata/blob/main/jpn.traineddataからダウンロードします。
jpn.traineddataという名前のファイルをダウンロードできたかと思います。　

次にtesseract関連のパスを以下のコマンドで表示させ、学習済みモデルの入ったディレクトリを探します。

この中だとtessdataに入っているようです

中を見ると拡張子がtraineddataとなっているファイルがあると思いますが、これが学習データらしいです。ここで、先ほどダウンロードしたjpn.traineddataをtessdataに入れます。

ここでもう一度対応言語を確認すると….

jpnが追加されているのが分かります。

さっそくPythonでTesseractをやってみた

今回は、以下のファブテラスいわてのHPのスクリーンショット、”test_img.jpg”を使います。

以下のコードを実行します。

以下が実行結果です

3Dプリンターの3が③になってしまっていますね……それとカッコも１つ正確に読み取れていないようです。
ですが、ほぼ正確に画像の文字をテキストとして認識してくれていますね。

おわりに

これはあとから知ったことなのですが、ubuntuのサイトhttps://packages.ubuntu.com/focal/tesseract-ocr-jpnの学習データの方が高い精度で認識できるようです。

なので、Tesseractを日本語で使ってみる際はそちらの学習データを使うことをおすすめします。

最後にここまで読んでくださりありがとうございました。