공공행정문서 OCR

공공행정문서 OCR

데이터셋명 공공행정문서 OCR
데이터 분야 음성/자연어 데이터 유형 이미지
구축기관 동양시스템즈 데이터 관련 문의처 담당자명 황강연(쇼우테크)
가공기관 쇼우테크 전화번호 055-323-3169
검수기관 쇼우테크, 동양시스템즈, 앙코르브라보노협동조합 이메일 gyhwang@ishowtech.co.kr
구축 데이터량 90만 구축년도 2020년
버전 1.2 최종수정일자 2021.10.28
소개 공공 행정 문서에 특화된 문자 인식 AI 모델을 개발하기 위한 공공 행정 문서 이미지 데이터
주요 키워드 광학글자인식(OCR), 활자체(인쇄체), 공공행정 문서, 글자체(손글씨, 인쇄체 등), 공공행정 업무유형, 문자형태
저작권 및 이용정책 본 데이터는 과학기술정보통신부가 주관하고 한국지능정보사회진흥원이 지원하는 '인공지능 학습용 데이터 구축사업'으로 구축된 데이터입니다. [데이터 이용정책 상세보기]
데이터설명서 자료보기 구축활용가이드 자료보기
샘플데이터 다운로드 교육활용동영상 영상보기
저작도구 다운로드 AI모델 업데이트 중
데이터 변경이력
버전 일자 변경내용 비고
1.2 2021.10.28 데이터 품질 보완  
1.1 2021.08.09 데이터 추가 개방  
1.0 2021.06.18 데이터 최초 개방  
구축 목적
  • 공공행정문서는 생성시점이 오래되어 스캔, 촬영 화질이 좋지 않으며 다양한 문자형태(수가, 인쇄체, 타자체 등)를 포함하고 있어 공공행정문서에 특화된 OCR 모델 개발을 위한 데이터셋 구축
활용 분야
  • 오랜 기간 보존이 필요하 공공행정문서의 이미지 데이터베이스에 적용하여 보존 중인 공공행정문서 OCR 전문검색으로 행정업무 활용 및 대국민 공개서비스에 활용할 수 있는 OCR AI 기술 개발 적용
주요 키워드
  • 수기(손글씨), 타자체, 인쇄체, 전문검색, 공공행정문서
소개
  • 공공행정문서에 포함된 다양한 한글, 영어, 숫자의 글자체를 인식하고 출력할 수 있도록 데이터셋 제작 필요 공공행정문서에 다수 포함된 민감정보(개인정보 등)의 비식별화를 위하여 기본적으로 데이터 제공기관(김해시)에서 공개 가능 공공행정문서를 선별하여 원시 데이터 제공 데이터셋 구축시 정제, 가공, 검수시 데이터셋의 품질은 물론 민감정보에 대한 제약사항이 발생하지 않는지 다단계 검증을 통한 비식별화 조치
     

데이터셋 제작 프로세스

<데이터셋 제작 프로세스>

AI모델 학습을 통한 결과서비스

<AI모델 학습을 통한 결과서비스>

구축 내용 및 제공 데이터량
  • 데이터 제공기관
    - 경상남도 김해시
  • 공공행정문서 주요 내용
    - 지방자치단체 고유업무 전반에 걸쳐 생산된 공공행정문서
  • 데이터셋 수량
    - 이미지 : 900,000장
    - 단어수 : 25,000,000단어 클래스별 구축 현황(구축 이미지 기준)
     
공공행정문서의 생산과 보존기간에 따른 행정문서 보존 수량에 따라 데이터 획득
클래스 구분 내용 구축수량
농림. 축산지원 농림, 축산 업무 지원 분야 약 6.9만
도시개발 도시계획수립, 시행 업무 문야 약 8.5만
산업진흥 공장신설, 관리 업무 분야 약 2.6만
상.하수도관리 상.하수도 개설, 요금 징수 분야 약 1.4만
인.허가 지방자치단체 고유 인허가 분야 약 37.8만
일반행정 일반 총무 업무 분야 약 6.5만
주민복지 복지시설 관리 및 지원 분야 약 0.4만
주민생활지원 생활안전 분야 약 6.2만
주민자치 읍,면,동 행정업무 분야 약 16.6만
지역문화 지역문화재 관리 분야 약 0.5만
지역환경.산림 환경, 청소, 산림 관리 분야 약 0.6만
회계.예산 지방세 및 자치단체 예산 관리 분야 약 2.2만
대표도면

필요성
  • 공공행정문서는 공공기관에서 생산하여 법적 보존 연한에 따라 보존 관리되고 있음
  • 중요도가 높고 활용가능성이 높은 공공행정문서는 보존기간 길어 장기간 보존을 하나 오랜 기간 보존으로 인하여 원본 문서의 변질, 훼손의 우려가 높으며 디지털화한 이미지의 품질이 좋지 않아 기존의 상용 OCR사용시 인식률이 저조함
  • 공공행정문서에 특화된 공공행정용어와 다양한 글자체(수기, 타자체, 인쇄체 등)가 혼용되어 사용되어 있음
  • 이에 공공행정문서에 특화된 OCR AI 모델 개발로 공공기관에서 생산한 중요 행정문서의 디지털화 자료에 대한 문자 인식률을 높힐 수 있는 AI 모델을 적용하기 위한 학습용 데이터를 구축하고자 함
데이터 구조
  • 데이터셋 구성

데이터셋 구성

 

  • 어노테이션 포맷
어노테이션 포맷 표
구분 항목 길이 타입 필수여부 비고
한글명 영문명
데이터셋 데이터셋 상세설명 info.description 1,000 string    
데이터셋 생성일자 info.date.created 100 string    
이미지 정보 이미지 생산기관 image.make.code 7 number Y  
이미지 생산연도 image.make.year 4 number Y  
이미지 카테고리 image.category 100 string Y  
이미지 파일명 image.file.name 100 string Y  
이미지 높이 image.height 4 number Y  
이미지 너비 image.width 4 number Y  
이미지 해상도 image.dpi 3 number    
이미지 생성일자 image.create.time 100 string Y  
이미지 라이선스 image.licence 100 string    
어노테이션 정보 어노테이션 ID id 100 number Y  
어노테이션 타입 annotation.type 100 string Y  
어노테이션 바운딩박스 annotation.bbox 100 list Y  
어노테이션 텍스트타입 annotation.ttype 20 list Y  
어노테이션 텍스트 annotation.text 1,000 string Y  
라이선스 정보 라이선스명 licence.name 100 string    
라이선스 상세설명 licence.descriprion 1000 string    
라이선스 url licence.url 200 string    
데이터셋 구축 담당자
수행기관(주관) : 동양시스템즈
수행기관(주관)
책임자 전화번호 대표이메일 담당업무
김시진 02-405-7443 sijin.kim@tysystems.com · 원문 데이터 확보 및 제공
· 데이터 구축 총괄
수행기관(참여)
수행기관 (참여)
기관명 담당업무 기관명 담당업무
쇼우테크 · 데이터 수집, 가공 및 검수 앙코르브라보노협동조합 · 데이터 검수