王效鵬

（山東省菏澤市牡丹區(qū)人力資源和社會(huì)保障局,山東 菏澤 274000）

在信息時(shí)代背景下，檔案數(shù)字化成為當(dāng)前檔案管理工作的一個(gè)重點(diǎn)內(nèi)容，但是從當(dāng)前發(fā)展實(shí)際情況來看，掃描所產(chǎn)生的電子檔案是以圖像形式存在的文件，而不是真正意義上的文本文件信息。也就是說，依托計(jì)算機(jī)系統(tǒng)僅僅鞥能夠查看到檔案信息的外在形體，沒有在真正意義上識(shí)別出檔案信息的內(nèi)在文字信息，用戶雖然使用計(jì)算機(jī)系統(tǒng)看到了檔案信息原本的面貌，但是卻沒有根據(jù)實(shí)際情況合理利用這些信息，最終對(duì)電子檔案利用工作造成了很大的不變。為了能夠根據(jù)用戶的需要為其提供有針對(duì)的檔案管理服務(wù)，獲得文本形態(tài)的電子檔案，實(shí)現(xiàn)檔案管理的數(shù)字化、科學(xué)化發(fā)展，相關(guān)人員提出了OCR 技術(shù)在檔案數(shù)字化管理中的應(yīng)用主張，旨在能夠在該技術(shù)的支持下提升檔案管理的科學(xué)性、有效性。

一、OCR 技術(shù)的應(yīng)用內(nèi)涵和發(fā)展歷程

OCR 技術(shù)是光學(xué)字符識(shí)別技術(shù)，在具體實(shí)施操作的時(shí)候會(huì)通過光學(xué)輸入的方式來將文字信息轉(zhuǎn)變?yōu)橐环N圖像信息，而后在文字識(shí)別技術(shù)的作用下會(huì)將相關(guān)圖像信息轉(zhuǎn)變?yōu)槟軌虮挥?jì)算機(jī)識(shí)別和應(yīng)用的信息形式。從當(dāng)前發(fā)展實(shí)際情況來看，OCR 技術(shù)成為檔案管理領(lǐng)域的重要技術(shù)形式，在該技術(shù)的支持下能夠?qū)崿F(xiàn)全文字識(shí)別模式下的檔案掃描管理，在這個(gè)過程中會(huì)促進(jìn)我國(guó)檔案數(shù)字化管理發(fā)展，實(shí)現(xiàn)我國(guó)檔案管理工作的數(shù)字化發(fā)展，為相關(guān)人員查詢和利用檔案信息提供必要的技術(shù)支持。OCR 技術(shù)的應(yīng)用流程如下：影像輸入、影像前處理、文字特征抽取、比對(duì)識(shí)別、人工識(shí)別和人工校正。在經(jīng)過一系列識(shí)別分析之后會(huì)將最終的識(shí)別結(jié)果顯示出來，而后保存。

OCR 的概念是由德國(guó)科學(xué)家Tausheck 在1929年提出來，后來美國(guó)科學(xué)家Handel 也提出了利用計(jì)算機(jī)掃描等技術(shù)對(duì)文字進(jìn)行識(shí)別的想法。在社會(huì)科技的發(fā)展支持下，OCR 技術(shù)已經(jīng)從原來的字符識(shí)別率低于50%到現(xiàn)在針對(duì)印刷體字符識(shí)別正確率達(dá)到了99%以上，并可以識(shí)別宋體、黑體、楷體等多種字體的簡(jiǎn)、繁體；也能夠?qū)Σ煌淖煮w排列方式識(shí)別；一些技術(shù)的識(shí)別速度很快，一分鐘到兩分鐘能夠完成1000 字符的識(shí)別。站在技術(shù)應(yīng)用角度分析這項(xiàng)技術(shù)形式，其可以被完全應(yīng)用到檔案數(shù)字化管理中，在檔案信息識(shí)別中顯示出較高的識(shí)別率和較快的識(shí)別速度。

二、檔案數(shù)字化過程中OCR 技術(shù)的使用流程

檔案數(shù)字化過程中OCR 技術(shù)的使用主要遵循這樣的操作流程：影像數(shù)據(jù)信息的輸入管理、影像前處理、文字特征的提取、綜合比對(duì)識(shí)別、人工校正、輸出和保存。從實(shí)際應(yīng)用角度來看，檔案數(shù)字化過程中OCR技術(shù)的使用會(huì)縮短手工操作的時(shí)間，有一些圖像信息的識(shí)別僅僅需要零點(diǎn)幾秒即可，且在圖像處理的過程中會(huì)優(yōu)化前期處理和后期校對(duì)比較。且和傳統(tǒng)意義上的文字識(shí)別相比，所獲得的圖像信息更為精準(zhǔn)。檔案數(shù)字化過程中OCR 技術(shù)的使用僅僅使用簡(jiǎn)單的人工操作即可，工作效率高，在處理檔案的過程中會(huì)在最大限度上節(jié)省人力資源的消耗，能夠幫助勞動(dòng)者從繁瑣的勞動(dòng)中解脫和釋放出來，在最大限度上實(shí)現(xiàn)資源的合理優(yōu)化配置。

三、檔案數(shù)字化過程中OCR 技術(shù)的運(yùn)用優(yōu)勢(shì)分析

第一，提升檔案數(shù)據(jù)信息的輸入速度。檔案數(shù)字化過程中OCR 技術(shù)的運(yùn)用會(huì)在使用檔案資料信息之前對(duì)檔案資料信息的內(nèi)容進(jìn)行識(shí)別整理，由此會(huì)使得檔案信息的錄入方式實(shí)現(xiàn)質(zhì)的突破。第二，提升檔案數(shù)據(jù)信息的錄入質(zhì)量。在OCR 技術(shù)支持下的檔案處理雖然仍然無法保障檔案信息識(shí)別處理的精準(zhǔn)度，但是在檔案信息質(zhì)量服務(wù)方面會(huì)有效提升檔案信息的質(zhì)量。第三，OCR 技術(shù)在使用的時(shí)候只需要單人操作即可，和一般情況下的檔案管理相比，OCR 技術(shù)支持下的檔案管理會(huì)簡(jiǎn)化檔案操作，在保障檔案信息有效使用的同時(shí)會(huì)減少人力資源在檔案管理中的消耗。

四、OCR 技術(shù)在檔案數(shù)字化發(fā)展中的具體應(yīng)用

（一）創(chuàng)新著錄標(biāo)引方式

檔案目錄數(shù)據(jù)庫打造的一個(gè)重要基礎(chǔ)是檔案數(shù)字化工作，當(dāng)前，在技術(shù)的支持下我國(guó)社會(huì)范圍內(nèi)的很多檔案館都打造出了完善的目錄庫。但是有很多檔案庫采取的是手工操作方式，檔案處理繁瑣、效率低下。

OCR 技術(shù)在檔案管理中的使用會(huì)為人們提供一種新的著錄方式，在這種著錄方式的支持下會(huì)實(shí)現(xiàn)計(jì)算機(jī)系統(tǒng)錄入管理。檔案管理工作人員會(huì)直接從OCR 之后的全文中尋找到著錄項(xiàng)，包含題目名稱、文號(hào)、責(zé)任者等，在查找到這些信息之后會(huì)將信息復(fù)制粘貼到目錄庫對(duì)應(yīng)的字段中，從而實(shí)現(xiàn)對(duì)檔案信息內(nèi)容的自動(dòng)化檢索。OCR 技術(shù)的使用為檔案目錄的創(chuàng)建和錄入管理提供了一種全新的方式，工作人員能夠從OCR 中尋找著錄項(xiàng)目，而后將基本的復(fù)制粘貼操作放入到目錄庫中對(duì)應(yīng)的段落即可完成操作。但是從實(shí)際應(yīng)用操作角度來看，受OCR 技術(shù)本身使用局限的影響，基于該技術(shù)的檔案管理缺乏實(shí)踐操作的可行性，在未來，需要相關(guān)人員因地制宜地采取恰當(dāng)?shù)拇胧﹣斫鉀Q檔案管理的實(shí)踐操作可行性，逐漸完善OCR 技術(shù)形式。

（二）實(shí)現(xiàn)真正的全文檢索

檔案信息資料中的全文檢索包含兩個(gè)類型，一個(gè)是對(duì)檔案目錄庫信息的檢索，在找到關(guān)聯(lián)條目后會(huì)打開對(duì)應(yīng)的檔案全文。這種檢索方式是當(dāng)前檔案館常用的檔案檢索方式。另外一種檢索方式是全文檢索，即對(duì)檔案全文庫逐字逐句的檢索，幫助用戶從龐雜的數(shù)據(jù)庫中獲取自己所需要的檔案信息資源。第二種檢索方式離不開OCR 技術(shù)的支持，在具體實(shí)施操作的時(shí)候通過掃描圖像中的文字會(huì)將其轉(zhuǎn)變?yōu)閷?duì)應(yīng)的文本格式。

（三）支持雙層PDF 技術(shù)

雙層PDF 技術(shù)形式是指每一個(gè)PDF 文件的每一頁都會(huì)包含兩層內(nèi)容，上層是掃描所獲得的原始圖像，下層是OCR 技術(shù)支持下的文字識(shí)別結(jié)果。PDF雙層技術(shù)形式被人們廣泛應(yīng)用在數(shù)字圖書館領(lǐng)域，如在CNKI 數(shù)據(jù)虧中檢索到的PDF 格式的電子文獻(xiàn)就使用了雙層PDF 技術(shù)。從實(shí)際實(shí)施操作上來看，OCR 技術(shù)中的雙層PDF 技術(shù)既能夠保證檔案的原真性，而且還能夠根據(jù)用戶的需求來選擇、復(fù)制和搜搜文字信息。

（四）拓展檔案用戶的利用面

在以往的檔案信息利用管理中，用戶是一般依托檔案憑證價(jià)值來獲取和利用信息。比如政府部門行使自己的職能作用去查閱某份文件信息、居民使用身份證來查詢房產(chǎn)信息、結(jié)婚證發(fā)放、學(xué)籍卡管理等。這些檔案信息在使用的時(shí)候?qū)n案本身的原真性有著較高的要求，在很多情況下檔案信息的使用是需要得到紙質(zhì)文檔支持的。

在人們對(duì)檔案資料的深度挖掘下，檔案資料信息的作用也開始更加多元，檔案除了具備憑證價(jià)值，還會(huì)和圖書、情報(bào)等一樣具備一定的情報(bào)價(jià)值、參考價(jià)值，如何充分利用和挖掘檔案資料中潛在的價(jià)值信息成為相關(guān)人員需要思考和解決的問題。比如在利用檔案資料信息開展學(xué)術(shù)研究的時(shí)候，用戶要注重密切觀察檔案的知識(shí)屬性、信息屬性，如果檔案是通過手動(dòng)方式保存的，就會(huì)出現(xiàn)操作不變的問題。借助OCR 技術(shù)能夠?qū)⒓堎|(zhì)檔案資料信息轉(zhuǎn)變?yōu)橐环N數(shù)字化的形式，借助OCR 識(shí)別會(huì)實(shí)現(xiàn)對(duì)檔案信息的全網(wǎng)絡(luò)檢索、網(wǎng)絡(luò)傳輸，進(jìn)而誒用戶異地檢索和引用數(shù)據(jù)信息提供重要支持，提高檔案資源信息的綜合利用率。

五、提升檔案數(shù)字化過程中OCR 技術(shù)識(shí)別率的基本辦法分析

識(shí)別率高低直接關(guān)系到檔案數(shù)字化過程中OCR 技術(shù)的應(yīng)用成效。從實(shí)際應(yīng)用操作的角度來看，OCR 技術(shù)如果具備較高的識(shí)別率不僅能夠精準(zhǔn)的掃描信息，提升檔案信息的錄入速度，而且還會(huì)降低檔案資料信息的后期處理工作量。如果OCR 技術(shù)的識(shí)別率較低，為了能夠提升識(shí)別率，就需要在檔案信息后期處理中消耗較多的人力、物力和財(cái)力來校對(duì)檔案信息。在檔案數(shù)字化發(fā)展中，通過提升OCR 技術(shù)的識(shí)別率會(huì)降低檔案數(shù)字化建設(shè)中的成本消耗。

（一）科學(xué)設(shè)定掃描參數(shù)

第一，分辨率。分辨率是影響檔案數(shù)字化過程中OCR 技術(shù)識(shí)別率的重要因素，圖像識(shí)別依靠掃描實(shí)現(xiàn)，因此，只有獲得足夠的圖像信息才能夠提升檔案數(shù)字化過程中OCR 技術(shù)識(shí)別率。但是需要注意的是，圖像分辨率和檔案數(shù)字化過程中OCR 技術(shù)識(shí)別率不一定是正比的關(guān)系，圖像分辨率較高也會(huì)引發(fā)圖像掃描失真現(xiàn)象，最終不僅無法提升檔案數(shù)字化過程中OCR的識(shí)別率，而且還會(huì)因?yàn)閳D像文件占據(jù)較大空間而影文件的存儲(chǔ)、傳輸。第二，合理選擇色彩模式。黑色、白色圖像掃描不管是在掃描速度，還是在掃描正確率上都會(huì)遠(yuǎn)遠(yuǎn)超過其他顏色下的圖像掃描。為此，在沒有特殊要求的情況下，會(huì)選擇使用白色和黑色來完成圖像掃描，如果沒有黑色和白色的圖像，也可以選擇使用灰色的圖像完成掃描。第三，亮度和對(duì)比度的選擇。在數(shù)字化檔案發(fā)展之前，我國(guó)檔案存儲(chǔ)形式為紙質(zhì)存儲(chǔ)。但是在實(shí)際存儲(chǔ)管理中，由于一些檔案資料信息的存儲(chǔ)年份久遠(yuǎn)，紙質(zhì)檔案的底色會(huì)泛黃，字跡也會(huì)變得模糊。盡管是使用黑色、白色、灰色的掃描圖像也無法滿足實(shí)際對(duì)檔案的要求。因此，為了能夠提升檔案數(shù)字化過程中OCR 技術(shù)的使用識(shí)別率，需要相關(guān)人員結(jié)合實(shí)際情況來調(diào)整掃描參數(shù)，調(diào)節(jié)圖像的亮度對(duì)比度。在掃描完成之后，如果圖像漢字字跡不清晰，操作人員也可以采取一些措施適當(dāng)?shù)亟档推淞炼龋诮档土炼戎箝_展二次掃描；如果在掃描后發(fā)現(xiàn)字體比較小、筆劃粗糙，可以采取措施提升其亮度；在調(diào)節(jié)亮度的時(shí)候如果文字出現(xiàn)了變淡的情況，還需要采取措施增加圖像的對(duì)比度，在這個(gè)過程中加重原本圖像文字的顏色，最終提升檔案數(shù)字化過程中OCR技術(shù)識(shí)別率。

（二）優(yōu)化圖像處理工作

在數(shù)字化檔案中會(huì)有很多文字是以美工體或者藝術(shù)體的形式出現(xiàn)，這種非常規(guī)表現(xiàn)形式上的文字形式會(huì)降低檔案數(shù)字化過程中OCR 技術(shù)的識(shí)別率。另外，如果圖像中的文字出現(xiàn)了污垢，也很容易使得OCR 技術(shù)軟件在識(shí)別的過程中出現(xiàn)判斷失誤的問題。因此，為了能夠規(guī)避以上問題的出現(xiàn)，在開展OCR 技術(shù)識(shí)別操作之前，相關(guān)人員需要采取積極的措施來糾正圖像中的字體，去除圖像上的污點(diǎn)，通過這樣的方式能夠有效提升OCR 技術(shù)支持下的圖像分辨率。另外需要注意的是，圖像去污也是檔案掃描操作管理中的重要工作內(nèi)容，在圖像掃描過程中不能夠忽視。

（三）做好人工校對(duì)管理工作

在檔案數(shù)字化管理的過程中，計(jì)算機(jī)系統(tǒng)也容易出現(xiàn)一些固有的問題，且在同一個(gè)地方一個(gè)問題有時(shí)候會(huì)反復(fù)出現(xiàn)，最終導(dǎo)致檔案管理工作無法按照既定的程序完成操作，檔案操作管理缺乏靈活。為此，在檔案數(shù)字化管理的過程中還需要適當(dāng)?shù)呐浜鲜褂萌斯ぷR(shí)別校對(duì)，通過人工識(shí)別校對(duì)來有效提升OCR 技術(shù)的識(shí)別率。

從實(shí)際應(yīng)用操作角度上來看，在OCR 技術(shù)軟件被識(shí)別之后，系統(tǒng)會(huì)將識(shí)別的結(jié)果通過不同的兩行展現(xiàn)出來，一行是圖像，另外一行是識(shí)別后的結(jié)果。OCR 技術(shù)軟件對(duì)于自身潛在的識(shí)別問題會(huì)通過不同的顏色來表示出來，目的是為用戶發(fā)現(xiàn)和解決錯(cuò)誤提供支持。但是在具體操作中我們會(huì)發(fā)現(xiàn)有一些錯(cuò)誤問題無法使用變色的方式處于展示和處理，而一些出現(xiàn)變色的圖像、數(shù)字也不一定是錯(cuò)誤的。由此要求工作人員在開展人工校對(duì)分析的時(shí)候要對(duì)以上問題進(jìn)行深入的分析檢查，不能夠完全按照提示來開展檢驗(yàn)。

結(jié)束語

綜上所述，在現(xiàn)代信息技術(shù)和科學(xué)技術(shù)的深入發(fā)展下，檔案在人類社會(huì)生活中的作用日益凸顯?；跈n案數(shù)量、類型的增多，人們對(duì)檔案處理提出了更高的要求。傳統(tǒng)的案卷級(jí)和文件級(jí)目錄檢索技術(shù)已經(jīng)無法適應(yīng)當(dāng)前網(wǎng)絡(luò)時(shí)代的搜索要求，檔案全文數(shù)字化是檔案管理的一種必然。比較當(dāng)前的各類檔案數(shù)字化技術(shù)，使用OCR 技術(shù)能夠有效提升檔案處理速率和效率，因而，在未來，需要相關(guān)人員進(jìn)一步強(qiáng)化對(duì)OCR 處理技術(shù)的重視和應(yīng)用，從而更好地推進(jìn)我國(guó)檔案數(shù)字化發(fā)展。