“頭の中のモヤモヤを形にしてみたメモ” という感覚で読んでもらえればうれしいです。
はじめに
こんにちは、末端技術者ニコラです。
今日は、画像処理でいつもモヤモヤしているのに、
メーカは絶対に教えてくれないテーマ…
「OCR（光学文字認識）のアルゴリズムってどうなってるの？」
について、Excelを使って自分なりに考えてみた話を書いていきます。
なぜOCRのアルゴリズムは教えてもらえないのか
画像処理をやっていると、こんな質問がよく飛んできます。
- 「この正解画像に対して、なんで相関値が82%なんですか？」
- 「この2枚、見た目ほぼ同じなのに、なんでこっちはマッチング率が下がるんですか？」
正直なところ、
現場で聞かれても、ほとんどの人はちゃんと説明できないと思います。
理由はシンプルで、
- OCRのアルゴリズムは各社のノウハウの塊
- つまり、ビジネス的な生命線そのもの
だからです。
過去、自分もメーカーさんに対して何度もこう聞きました。
- 「この値の計算式、開示してもらえませんか？」
- 「変動要因だけでもいいので教えてもらえませんか？」
でも、返ってくる答えはだいたいこんな感じ。
- 「社外秘なのでお伝えできません」
- 「内部アルゴリズムの詳細は非公開です」
頭では分かってるんですが、報告会とかがあると
やっぱり「なんとか説明のタネが欲しい」と思っちゃうんですよね。
そもそも何が疑問だったのか：相関値って何者？
OCRに限らず、画像処理ではよく
- マッチング率
- 相関値
- 類似度
みたいな数字が出てきます。
ここでの素朴な疑問はこれです。
- 「正解画像と見本画像を比べてるのは分かる」
- 「でも、その“数字の出方”がイメージしづらい」
報告会では、知らない人からこんな質問が飛びます。
- 「90%と80%の差って、画像的に何が違うの？」
- 「なんでこのパターンだけ60%台なんですか？」
本音を言うと、
- 「いや、そこまでメーカーは教えてくれないんですよ…」
で終わらせたいところですが、
説明責任がある立場だとそれでは済まないんですよね。
そこで、
「だったら、自分で“それっぽいアルゴリズム”をExcelで作ってみよう」
と思ったのが今回のネタです。
今回作ったExcel簡易OCRのコンセプト
やったことをざっくり書くと、こうです。
- Excelで 0〜255 の数値をセルに入れ、それを色として表示
- 1セル＝1画素として、文字「A」の画像を作る
- その画像を 4×4 の 16ブロックに分割
- 各ブロックの「明るさの合計（または平均）」を計算
- その16個の値を「1本のベクトル」と見なす
- 正解パターンと入力パターンのベクトル差分から「相関値っぽいもの」を計算
イメージとしては、
- 正解画像：ベクトル V
- 検査画像：ベクトル W
- V と W が近い（＝０）ほど「相関が高い」
- V と W が離れていると「相関が低い」
という感じです。
Excelでの具体的な手順
ここは、実際にブログに図を入れると映えるところです。
ユーザーさんが画像作る前提で、「ここに図を入れると良さげ」というコメントも付けておきます。
①Excelで0〜255を色として表示する設定
やりたいことは、
- セルに 0〜255 の値を入れる
- 条件付き書式などで、
値に応じてグレーの濃淡に変える（0=黒、255=白）
これで「簡易グレースケール画像」ができます。
②文字「A」をセル塗りつぶしで描く
次に、Excel上でドット絵を描く感覚で文字「A」を作ります。
- たとえば 20×20 マスを用意
- 文字の輪郭部分を 0（黒）に近い値
- 背景部分を 255（白）に近い値
にして、「A」の形をセルの塗りつぶしで作るイメージです。
- 「Excelで描いたグレースケールの“A”」
③画像を16ブロック（4×4）に分割する
作った「A」画像を、4×4の16ブロックに分けます。
- 全体：16×16セルとした場合
- 1ブロック：4×4セル
- それが 4×4 並んで、合計16ブロック
各ブロックごとに、
- 明るさの合計 or 平均
を計算して、1エリア = 1つの数値に縮約します。
結果的に、
- エリア1：S1
- エリア2：S2
- …
- エリア16：S16
という 16次元の数値セットができます。
これが、その画像を表現する特徴ベクトル になります。
ベクトル差分で「それっぽい相関値」を出してみる
次に、この特徴ベクトルを使って
「正解画像」と「入力画像」の類似度を計算していきます。
①ベクトルの準備
- 登録画像のベクトル：V = (V1, V2, …, V16)
- 撮像画像のベクトル：W = (W1, W2, …, W16)
例えば、
- V：きれいなフォントの「A」 ※下記画像の左
- W：少し太った「A」、傾いた「A」など ※下記画像の真ん中
を用意して、どのくらい値が変わるかを見ます。
②差分ベクトルと距離
まずは素朴な差分を考えます。
- 差分ベクトル D = V − W = (V1−W1, V2−W2, …, V16−W16)
この差分が小さいほど、画像として似ていると考えられます。
距離としては、例えば
- 絶対値の合計：Σ |Vi − Wi|
- 二乗和：Σ (Vi − Wi)²
などを使うことができます。
ここから、
- 距離が 0 に近い → そっくり
- 距離が大きい → 似ていない
と解釈します。
③相関値っぽいスコアに変換し比較！
距離だけだと「小さいほど良い」なので、
人間が見慣れている「0〜1の相関値っぽいもの」に変換してみます。
イメージとしては、
- 距離 = 0 のとき → 相関値 = 1.0
- 距離 = 大きいほど → 相関値 → 0に近づく
みたいな単調減少の関数を用意すればOKです。
今回は、「すべて０の画像」と「２５５の画像」を用意し、その差分を最大＝相関値０と仮定しました。
そして実際に比較してみた。
比較① ： 似ているAを作って相関値を出す
95% ・・・まぁ比較するものが少ないのでこのくらいの数値かなという印象。
比較② ： 崩れた「A」と比較
83% ・・・この場合は閾値95％くらいにしておかないとまずいね という印象。
実際のOCRアルゴリズムとの違いと限界
もちろん、ここまでやっておいてなんですが…
実際のOCRはこんな単純なものではありません。
現実のOCRは、
- 前処理（ノイズ除去、二値化、正規化、回転補正）
- 特徴量抽出（エッジ、局所特徴、ヒストグラムなど）
- 機械学習
といった、いろんな処理が組み合わさっています。
今回のExcel実験は、
- グレースケールの合計値をブロックごとにまとめた
- 16次元のベクトルで「それっぽい距離」を計算した
だけなので、かなりラフなモデルです。
具体的な限界としては、
- 少し文字が傾くと途端に値が変わる
- フォント差・線の太さに弱い
- ノイズや汚れをうまく扱えない
- 文字位置がずれるとブロック分けの意味が崩れる
などなど。
「現場にそのまま導入しろ」と言われたら、
普通に無理です。笑
それでもこのExcel実験が役に立つ場面
じゃあ、「こんなラフなモデル、やる意味あるの？」というと、
個人的にはかなり意味あると思っています。
理由は：
- 報告会での説明がしやすくなる
- 「内部アルゴリズムは開示されていませんが、ざっくりいうとこんなイメージです」
- 「ブロックごとに明るさを数値化して、そのベクトルの違いを見ていると思ってください」
という例え話に使える
- 自分の頭の中が整理される
- 「相関値」とか「マッチング率」という言葉が
「ベクトルの距離」「特徴量の差分」みたいなイメージで語れるようになる
- 「相関値」とか「マッチング率」という言葉が
- 現場でのチューニング方針が立てやすくなる
- 「ここを変えると、相関値が下がる理由」が感覚的に理解できると
- しきい値
- 照明条件
- 画素分解能
の設計がしやすくなる
- 「ここを変えると、相関値が下がる理由」が感覚的に理解できると
OCRの種類と、今回のExcel実験の“立ち位置”
ここまで「Excelで自作したなんちゃってOCR」の話をしてきましたが、
そもそも世の中のOCRって、どんな種類があるのか？
その中で今回やっていることはどこに位置するのか？を、ざっくり整理しておきます。
「アルゴリズムは企業秘密です」とメーカに言われても、
ざっくりとした“地図”を頭に持っておくだけで、
報告会での説明のしやすさがだいぶ変わります。
OCRのざっくり3カテゴリ
世の中のOCR（光学的文字認識）は、ざっくり分けると次の3種類に分類できます。
- テンプレートマッチング型
- ルールベース／特徴量ベース型
- 機械学習・ディープラーニング型
もちろん、実際の製品はこれらを組み合わせていることが多いですが、
頭の中ではこの3つに整理しておくとスッキリします。
① テンプレートマッチング型OCR
今回、Excelでやっているのがほぼこれです。
考え方は超シンプルで、
「正解画像（テンプレート）と、今の画像がどれくらい似ているかを数値化する」
というものです。
- 入力画像を決まったサイズに切り出す
- グレースケールや2値画像にする
- テンプレート画像と、画素ごとに差を取る
- その差の“小ささ”をスコア（相関値）にする
今回の記事では、
- 画素をそのまま比べるのではなく、
16ブロックに分けて「ブロックごとの濃さ」をベクトルにする - そのベクトル同士の差（距離）を、
「どれくらい似ているか？＝相関値っぽいもの」に変換する
という形で、テンプレートマッチングの一番原始的なイメージをExcel化しています。
この方式のメリット・デメリットはざっくりこんな感じです。
- メリット
- 実装が簡単
- 計算コストも少なく、組み込みやPCでサクサク動く
- フォント・位置・明るさがある程度固定なら、十分実用になる
- デメリット
- 位置ズレ・回転・拡大縮小に弱い
- フォントや太さが変わると一気に相関値が落ちる
- ノイズ・ムラにも影響を受けやすい
工場の決まった印字・固定フォント・固定位置を読むような用途では、
今でもこの系統の手法がベースになっていることが多いです。
② ルールベース／特徴量ベース型
テンプレートマッチングより一歩進んだのがこちら。
発想としては、
「画像1枚1枚の画素全部を見るのはしんどいから、
文字の特徴だけをうまく抜き出して、それを比べよう」
というやり方です。
例えば：
- 線の本数や向き
- 交点の数
- 外形（輪郭）の形状
- 重心位置や縦横比
- 端点・角の数 …など
を抽出して、「Aっぽい特徴」「Bっぽい特徴」を判断する、
ルールベース or 特徴量ベースのOCRです。
- メリット
- テンプレートマッチングよりも、多少のズレや太さの違いに強くできる
- 画素数そのものを扱わないので、比較的軽い
- デメリット
- 特徴量設計＆ルール設計が大変（職人芸になりがち）
- 異なるフォントや手書き文字への対応は難しい
Excelの実験はここまではやっていませんが、
「ブロックごとの濃度で文字の形をざっくり表現している」
という意味では、**“超簡略版の特徴量ベース”とも言えます。
③ 機械学習・ディープラーニング型OCR
最近のクラウドOCRや、手書き文字も読める高性能なやつは、だいたいこれです。
- 大量の文字画像（学習データ）を用意する
- CNN（畳み込みニューラルネットワーク）などのモデルに食わせて学習
- 「A」「B」「C」…に分類する識別器として使う
という流れで、“人が特徴量やルールを設計する”のではなく、
「特徴の抽出も、判定ルールも、全部モデルに学習させる」
という思想です。
- メリット
- フォント違い・手書き・ノイズ・傾きなどに強い
- 追加の学習で、まだ見たことのないパターンにも対応しやすい
- デメリット
- 学習に大量のデータ・計算資源が必要
- モデルの中身は基本ブラックボックスになりやすい
- 「なぜこの相関値になったのか」を説明しづらい
現場からすると、
「なんかよく分からんけど、よく読める黒箱（ブラックボックス）」
という立ち位置になりがちです。
今回のExcel実験はどこに位置するのか？
整理すると、今回の記事でやっていることは、
- OCR全体の中の
→ テンプレートマッチング型 - その中でも
→ 「ブロックごとの濃度ベクトルを使った、超シンプルな類似度計算」
をExcelで可視化してみた、という位置づけです。
つまり、
「メーカが見せてくれない“相関値計算のイメージ”を、
自分でおもちゃモデルとして再現してみたもの」
だと思ってもらえればOKです。
実機のOCRはここに、
- 位置補正
- 傾き補正
- 二値化・ノイズ除去
- 特徴量設計
- 学習・統計的処理
などなど、いろんな“おまじない”を盛り込んでいるイメージです。
全部を自作するのは現実的ではありませんが、
このExcelモデルを通じて、
- 「相関値って、本質的にはこういう“似てる度”なんだよね」
- 「だからズレるとスコア落ちるし、ノイズが乗ると悪化する」
という感覚を持っておくだけでも、
メーカとの会話や報告会での説明がかなり楽になります。
よくある質問（FAQ）──Excelモデルと実機OCRの付き合い方
最後に、現場でよく聞かれそうな質問をいくつかピックアップして、
Q&A形式でまとめておきます。
Q1. Excelの簡易モデルでも、現場検討に使えますか？
A. 「実運用に直接使う」のは無理ですが、 “考え方を共有するツール”としてはかなり使えます。
例えば：
- 報告会で「相関値って何ですか？」と聞かれたとき
- 「なぜこの画像は80%で、こっちは60%なんですか？」と説明を求められたとき
に、
「こうやってブロックごとに濃さをベクトルにして、差を取ってるイメージです」
とExcel画面を見せながら説明すると、
非エンジニア層にもかなり伝わりやすくなります。
また、
- 明るさを少し変えてみたとき
- 文字の太さを少し変えてみたとき
- 1ブロック分ずらしてみたとき
に、Excel上で相関値がどう変わるかを見ることで、
「アルゴリズムというより、入力側（照明・位置決め）を安定させるのがどれだけ大事か」
を、チーム内で共有する材料にもなります。
Q2. 相関値は何％以上ならOKと決めればいいですか？
**A. 「一律で〇％」という正解はありません。
**現場ごとの許容ミス率と、実データの分布から決める必要があります。
ざっくり手順にするとこんな感じです。
- 正解サンプルをそこそこの枚数集める（実ワーク）
- そのサンプルで相関値の分布を取る（最低・平均・標準偏差など）
- NGサンプルもいくつか用意して、相関値の分布を見る
- 「誤読をどこまで許容するか」を現場と相談しつつ、
- 正解のうち◯％以上は通したい
- NGは限りなくゼロに近づけたい
というバランスでしきい値を決める
Excelモデルで遊ぶときも、
- 正常パターンの相関値がだいたいどの範囲に集まるか
- わざと崩したパターンがどこまで落ちるか
を確認しておくと、
「80%以上ならOK」といった“なんとなく”ではない説明ができるようになります。
Q3. メーカがアルゴリズムを開示してくれないのに、どうやって改善すればいい？
**A. 「中身を理解して何とかする」のではなく、
**入力（画像）と設定（しきい値・学習）で勝負するのが現実的です。
メーカがアルゴリズムを開示しないのは、
- 特許・ノウハウの塊だから
- そこを開示するとビジネスにならないから
- 悪用されたり、無茶な改造をされると保証しきれないから
という事情があります。
ユーザー側でやるべきことは、むしろ
- 照明条件を安定させる
- カメラ・レンズ・距離・トリガを安定させる
- ワーク位置・姿勢のバラつきを減らす
- 正しいサンプルで“学習”や“ティーチング”をやり直す
- しきい値・相関値の閾値を現場とすり合わせる
といった入力側とパラメータ側のチューニングです。
今回のExcelモデルのように、
「似てる度を数値にしているだけなんだよね」
という理解を持っていると、
- メーカ：「もう少し学習枚数を増やしてください」
- メーカ：「このしきい値を少し下げてみてください」
と言われたときも、
「あぁ、あのベクトルの分布を増やして、境界を動かしてるイメージね」
と腹落ちした状態で対応できるので、ムダにイライラしなくて済みます。
Q4. テンプレマッチング型とディープラーニング型って、何が一番違う？
A. 一言でいうと、 テンプレマッチングは“ルールが見える”、 ディープラーニングは“ルールを学習させる黒箱”です。
- テンプレートマッチング
- テンプレ画像と画素ごとの差や相関を直接見て判断
- 挙動がイメージしやすい（今回のExcelモデルのように）
- フォント・位置・傾きが安定しているときに強い
- ディープラーニング
- 大量のデータから「良い特徴量」と「判定ルール」をモデルが自動で作る
- 手書き・フォント違い・ノイズなどへの耐性が高い
- ただし「なぜこの結果なのか」を人間が説明しにくい
現場目線だと、
- テンプレマッチング：
- 条件をきちんとコントロールできるラインで“きっちり詰める”用途向け
- ディープラーニング：
- 現実的に条件を揃えきれない、印字や手書きがバラバラな現場向け
くらいにイメージしておくと、
「どっちを採用すべきか」を議論するときの整理がしやすくなります。
Q5. 自前でOCRを作ったほうがいい場面ってありますか？
A. よほど用途が限定されているか、研究目的でなければ、 基本は「メーカ製を使い倒す一択」でいいと思います。
Excelモデルで遊んでみると分かりますが、
- 位置ズレや傾き
- フォント差・印字ムラ
- 照明条件の変化
- 汚れ・かすれ
などを全部自前のアルゴリズムでカバーしようとすると、 あっという間に泥沼になります。
- テストケースの作成
- 誤読時の保証
- バージョン管理
- 不具合対応
まで含めて考えると、
「画像処理まるごと自社開発」のメリットは、実はほとんどない
というのが正直なところです。
今回のExcelモデルは、
- メーカに頼り切りではなく、「原理のイメージは自分の頭に持っておく」
- 報告会や仕様検討のときに、自分の言葉で説明できるようにする
ための“理解装置”として使う、
くらいの距離感が一番おいしいと思っています。
こういった全体マップとFAQを頭の片隅に置きつつ、
Excelモデルで遊んでみると、
「メーカはアルゴリズム教えてくれないけど、
なんとなく中でやっていることはイメージできている」
という、“ちょうどいい理解レベル”に持っていけるはずです。
まとめ：ブラックボックスを100％開けなくても、イメージは持てる
最後に、今回のポイントをざっくりまとめます。
- OCRのアルゴリズムは各社の生命線なので、基本的には開示されない
- でも、現場では「なんでこの相関値になるの？」という質問が必ず飛んでくる
- そこでExcelで
- 0〜255のグレースケール画像を作り
- 文字「A」をセルで描き
- 16ブロックに分けて合計値を取り
- ベクトル差分から“それっぽい”相関値を作ってみた
- 実際のOCRとは全然違うけれど、
- 「ベクトルで似ているかどうかを見ている」
というイメージを掴むにはちょうどいい
- 「ベクトルで似ているかどうかを見ている」
- ブラックボックスを完全に開けることはできないけど、
概念レベルで説明できるだけでも現場での説得力はかなり変わる
もしこの記事を読んで
- 「自社のフォントパターンでもやってみようかな」
- 「ノイズをわざと足して相関値の変化を見てみようかな」
と思ってもらえたら、このExcel遊びは成功かなと思います。
この記事へのコメント