OCR 光學字元辨識 - RPA 結合人工智慧的第一步
RPA 結合人工智慧的第一步 - 光學字元辨識 (OCR)
你可能聽過紙本掃描筆，體驗過停車場車牌辨識，甚至被身份證件辨識的技術驚艷，這類型的生活應用源於一項近百年歷史的技術 - 「光學字元辨識」（OCR, Optical Character Recognition）。所謂的光學字元辨識，是種將圖片或掃描檔轉換為文字資料的技術，在現今資訊爆炸的時代，傳統的紙本處理早已不敷使用，故此技術也是企業與公部門在「數位轉型」不可或缺的一環。
# 電腦是如何解讀圖片？
與肉眼不同的是，電腦會將圖像解讀為一連串的 ''數值''，以 CNN（卷積神經網路）演算法為例，其處理過程會將圖像轉換為二維陣列，套上濾鏡來提取圖片特徵（與修圖軟體的濾鏡相似，用以強化圖片特徵），並逐像素、區塊進行特徵擷取，最後再轉換為一維陣列運算判讀結果。
不同的資料類型，會有各別合適的圖像算法及處理程序，例如：物件偵測選擇 YOLO、人臉辨識選擇 FaceNet。本文探討的 OCR則適合以 CNN + RNN（循環神經網路），分別進行文字內容識別和文本分析、辭意歸類。
# OCR 圖像前置處理
在不同應用領域，會有各自特定的圖像前置處理程序，例如數位相機所拍攝的照片會需要經過「降噪」處理，來減少圖像中噪點的干擾，增強後續特徵捕捉的準確性；掃描器產出的文件會需要經過「傾斜校正」，來導正拍攝時產生的傾斜。
而為了降低圖片顏色的干預、提升運算速度，並更好的擷取圖像中的關鍵特徵，通常會對圖像進行「灰階」處理，使圖像中的色彩統一以不同程度的灰色來表現，接著透過「二值化」來將其轉換為只有黑、白兩種顏色的影像，藉以區分影像中的背景、文字。
# OCR 字元辨識
圖片經前置處理並將文字分離後，下一步即可開始比對文字。過去的 OCR 通常是透過所謂的「模板匹配」技術來進行，顧名思義是將影像中抽離的文字，去比對既有的模板並計算最大的可能性。既然是比對預先準備好的模板，欲辨識目標字體就必須盡量工整、一致，因此這類型的算法在印刷字體的應用就可以達到很好的效果。
隨著字體種類的不斷增長，開發者發現模板匹配的靈活性漸漸不足以應付此趨勢，也造就了「特徵擷取」技術的萌發。相較於模板匹配，此算法更側重於尋找各個文字的具體特徵，即便在不同字體的情況下，各特徵只要維持在一定的水準範圍內也能被準確識別，這差異不僅賦予了 OCR 更大的靈活性，也降低了圖片品質低落所造成的影響。
然而當應用領域涉及到表單、簽名，關鍵資訊通常是手寫字體，其辨識複雜度又會受字體變化、書寫工具、紙張材質…等影響。因此現代 OCR 技術開始結合機器學習來訓練電腦，基於機器學習的 OCR 可以在大量的圖像資料中自動學習有用的特徵，使其具備等同人類的閱讀文字能力。相較於傳統的 OCR 模式，基於機器學習的 OCR 除了更善於應付多種複雜的情境，亦得利於現代 GPU 的運算輔助，帶來了傳統模式無可比擬的處理速度，被現今大多數的 OCR 套裝軟體所應用著。
# 各產業結合 OCR 技術
舉凡金融業、食品業、製造業…等涉及大量圖像或文件處理的產業，由其處理方式就可以快速看出該組織數位化水平或企業管理效率。
如單單只有將文字由圖檔中取出，還不算一個完整的「數位轉型」，畢竟後續還有繁瑣的輸入、計算、審核等動作，更不論人工操作下產生的失誤，而這一系列重複性極高又耗費大量工時的作業，即適合交辦予「RPA 流程機器人」。
RPA 流程機器人是近年來全球企業最積極導入的技術，雖然叫做機器人，但他本身沒有人工智慧的概念，僅能依循既定步驟一步一步地處理。結合 OCR 技術的 RPA 流程機器人，宛若賦予「視覺」的智能於其中，使其具備解讀非結構性圖像、文件的能力，在各領域的應用範例如下：
1) 網路銀行餘額抓取自動化，透過 OCR 技術辨識登入驗證碼
2) 保單資訊輸入自動化，透過 OCR 技術辨識保單掃描檔內容
3) 發票資訊擷取自動化，透過 OCR 技術辨識發票掃描檔內容
# RPA 結合人工智能的第一步
「數位轉型」已然是眾企業、公部門所關注的熱門議題，也是生存於資訊化潮流下的關鍵趨勢。導入 RPA 流程機器人雖然可以優化人力資源、汰除繁冗作業流程，但其背後仍有龐大的「數位優化」空間，透過整合人工智能的產品，方能使這位虛擬員工具備更加廣泛的業務處理範圍、更加多元的應用服務渠道、更加靈活的作業處理形式。
如您正面臨大量的文件轉換業務需求，也煩惱著人力資源使用效率的最佳化，【導入結合 OCR 的 RPA 流程機器人】就是您執行數位優化的關鍵一步，也會是您邁向數位轉型所必須採取的下一步。
