다양한 형태의 한글 문자 OCR

다양한 형태의 한글 문자 OCR

데이터셋명 다양한 형태의 한글 문자 OCR
데이터 분야 음성/자연어 데이터 유형 이미지
구축기관 동양시스템즈 데이터 관련 문의처 담당자명 천성열(엔티정보)
가공기관 엔티정보 전화번호 043-225-7890
검수기관 엔티정보, 앙코르브라보노협동조합 이메일 csy78990@gmail.com
구축 데이터량 117만 구축년도 2020년
버전 1.0 최종수정일자 2021.06.27
소개 한글의 광학글자인식(OCR, Optical Character Recognition) 알고리즘 성능 개선을 위한 다양한 형태(테이블 내 텍스트, 숫자, 문장부호 등 포함)의 한글 글자체(인쇄체 + 손글씨) 데이터셋 구축
주요 키워드 자연어처리, 광학글자인식(OCR), 한글 문자 이미지 데이터, 문서 이미지 분석/분류, 로봇 프로세스 자동화(RPA), 인쇄체, 손글씨
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
1.0 2021.06.27 데이터 최초 개방  
구축 목적
  • 실생활, 비즈니스 현장 중심의 한글을 대상으로 광학글자인식(OCR, Optical Character Recognition]알고리즘 성능개선을 위해 한글 및 문자 데이터셋을 구축
활용 분야
  • 한글 및 문자 인식(OCR)을 통해 서류나 문서를 자동분류, 키워드 추출을 통해 업무처리 및 개인정보 비식별화를 자동화하는 RPA 분야필기체와 인쇄체가 혼합된 서류의 전자문서화등 문서처리, 한글 데이터(키워드)추출, 전자문서화 등에 활용이 가능함. 또한 음성 언어 시각을 연계한 인지서비스로도 활용가능
소개
  • 다양한 형태의 한글 이미지는 한글 인식율은 타 언어에 비해 낮고 공개된 데이터셋이 없어 다양한 형태의 한글 학습데이터가 필요한 상황이며 이에 따라 한글의 광학글자인식 (OCR, Optical Character Recognition) 알고리즘 성능 개선을 위한 다양한 형태의 한글 문자 이미지(인쇄체+손글씨) 데이터셋 구축
구축 내용 및 제공 데이터량
  • 구축내용
    * 인쇄체 : 실생활에서 사용되는 서식 50종에 대한 개인정보 비식별화 및 비식별데이터 재가공(완성형글자 2,350자 활용)하여 서식별 1500장씩 총 75,000장의 학습데이터 구축
    비식별데이터 재가공시 공유마당 2020년 상반기 글꼴파일 인기순위 TOP 30 중 상위 10개(안동엄마까투리체, 국립중앙도서관체, KCC도담도담체, Mapo 배난여행, 배달의 민족 주아체, KCC무럭무럭체, , Mapo 꽃섬, 배달의 민족 한나는 열한산체, 야놀자 야체, 배달의 민족 도현체)의 폰트를 사용 및 3가지의 사이즈(small(normal –1), normal(서식 기본 사이즈), large(normal +1))로 재가공

    * 필기체 : 성별, 나이 연령대가 다른 152명 작성자가 작성한 한글 1,101,225장(글자-344,412장, 단어-756,813장)
    필기체 한글의 구성은 글자의 경우 완성형 2,350자를 활용하였으며 단어는 한국어 학습영어휘 6000단어 중 동음이의어와 한글자 단어를 제외한 5,210개의 단어를 사용
     
  • 제공 대이터 통계
    · 전체통계
    전체통계 표
    구분 수량(건) 비고
    인쇄체 75,000  
    필기체 글자 344,412  
    단어 756,813  
    합계 1,176,225  

        ·인쇄체:

    인쇄체 표
    서식 분류 건수 건당 생성
    수량
    비고
    행정서식
    (31종)
    경제업무 5 1,500 7,500
    교통 업무 2 1,500 3,000
    산림 업무 3 1,500 4,500
    농정 업무 3 1,500 4,500
    민원행정업무 8 1,500 12,000
    범무, 경찰 행정 업무 4 1,500 6,000
    보건/복지 업무 1 1,500 1,500
    세무 업무 4 1,500 6,000
    공통 업무 1 1,500 1,500
    일반서식
    (19종)
    병원 2 1,500 3,000
    부동산 5 1,500 7,500
    제조/유통/무역 4 1,500 6,000
    통신 1 1,500 1,500
    금융 5 1,500 7,500
    공통 2 1,500 3,000
    50   75,000

        ·필기체:

    필기체 표
    구분 원시데이터 오류데이터 학습데이터
    글자 단어 글자 단어 글자 단어
    성별 178,600 395,960 7,460 19,983 171,140 375,977
    178,600 395,960 5,331 15,123 173,269 380,837
    작성자 성별에 따른 합계 1,101,223
    연령대 20대 이하 89,300 197,980 1,987 7,431 87,313 190,549
    30대 70,500 156,300 2,281 8,128 68,219 148,172
    40대 70,500 156,300 2,663 7,447 67,837 148,853
    50대 70,500 156,300 3,581 6,608 66,919 149,692
    60대이하 56,400 125,040 2,279 5,492 54,121 119,548
    작성자 연령대에 따른 합계 1,101,223
대표도면

00130001001 000140098002

필요성
  • 산업 및 비즈니스 현장에서 데이터셋 개선요청 및 데이터셋의 지속적 확장요구
  • 2019년 1차 핵심적 기본적인“한글” 글자체 데이터셋 구축으로 추가적인 문자(숫자, 기호) 등의 혼합형 인식을 위한 데이터셋 개선 필요
  • 네이버, Microsoft, Google 등에서 한글에 대한 OCR서비스를 제공하고 있으나, 한글 인식률은 타언어에 비해 비교적 낮음
  • 공개된 데이터셋이 없어 다양한 형태의 한글 인식 모델 연구가 진척되지 못하고 있음
  • 이에 한글 광학글자인식(OCR) 알고리즘 성능 개선을 위한 대규모 한글 글자(인쇄체_필기체) 데이터셋을 구축 하고자 함
데이터 구조
  • 1. 데이터 구성
데이터 구성

 

  • 2. 어노테이션 포맷

    1)인쇄체
    인쇄체 어노테이션 표
    No. 항목 길이 타입 필수
    여부
    비고
    한글명 영문명
    1 데이터셋 정보 info        
      1-1 데이터셋명 name 30 String Y  
    1-2 데이터셋설명 description 30 String Y  
    1-3 데이터셋생성일자 data_created 20 String Y  
    2 이미지 정보 image        
      2-1 이미지파일명 file_name 20 String Y  
    2-2 이미지너비 Width 5 Number Y  
    2-3 이미지높이 Height 5 Number Y  
    2-4 이미지해상도 Dpi 2 Number Y  
    2-5 이미지 컬러 Bit 2 Number Y  
    3 라이선스 값 license        
      3-1 출력형태 output 10 String Y print
    3-2 폰트종류 font 10 String Y  
    3-3 폰트번호 font_no 2 String Y  
    3-4 폰트라이선스업체명 font_license 30 String    
    3-5 폰트라이선스주소 font_url 30 String    
    3-6 수기작성자 번호 writer_no 3 Number    
    3-7 수기작성자 성별 writer_gender 6 String    
    3-8 수기작성자 연령 writer_age 3 Number    
    4 텍스트정보 text        
      4-1 텍스트 타입 type=word 10 String Y word
      4-1-1 단어박스 wordbox 100 String Y  
      4-1-2 단어 값 value 100 String Y  
      4-1-3 단어출처 source 10 String Y 서식:form/내용:content
      4-1-4 문자정보 letter 100 String Y  
      4-1-4-1 문자박스 charbox 25 String Y  
      4-1-4-2 문자 값 value 100 String Y  

    2)필기체
    필기체 표
    No. 항목 길이 타입 필수
    여부
    비고
    한글명 영문명
    1 데이터셋 정보 Info        
      1-1 데이터셋명 Name 30 String Y  
      1-2 데이터셋설명 Description 30 String Y  
      1-3 데이터셋생성일자 Data_created 20 String Y  
      1-4 텍스트 정보 Text 12 String Y  
    2 이미지 정보 Image        
      2-1 이미지파일명 File_Name 20 String Y  
      2-2 이미지너비 Width 5 Number Y  
      2-3 이미지높이 Height 5 Number Y  
      2-4 이미지해상도 Dpi 3 Number Y  
      2-5 이미지컬러 Bit 2 Number Y  
    3 텍스트정보 Text        
      3-1 텍스트 타입 Type 10 String Y letter/word
      3-2 출력형태 Output 10 String Y  
      3-3 Type = 문자 Type = letter        
      3-3-1 문자 값 Value 1 String   Type=letter
      3-4 Type = 단어 Type = Word        
      3-4-1 문자박스 Charbox 25 String   Type=word
      3-4-1 문자 값 Value 1 String   Type=word
    4 라이선스 값 License        
      4-1 출력형태 Output 10 String Y  
      4-2 폰트종류 Font 10 String   Output=pr
      4-3 폰트번호 Font_No 3 Number   Output=pr
      4-4 폰트라이선스업체명 Font_License 30 String   Output=pr
      4-5 폰트라이선스주소 Font_URL 30 String   Output=pr
      4-6 수기작성자 번호 Writer_NO 3 Number   Output=hw
      4-7 수기작성자 성별 Writer_Gender 6 String   Output=hw
      4-8 수기작성자 연령 Writer_Age 3 Number   Output=hw
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
엔터정보 · 데이터 수집, 가공 및 검수 앙코르브라보노협동조합 · 데이터 검수