OCR로 문서 변환 전, 도구와 보안 먼저 따지기

OCR이 잘하는 문서와 못하는 문서

OCR은 스캔한 이미지나 사진 속 글자를 인식해 복사·편집이 가능한 텍스트로 바꿔 준다. 원리는 간단하지만 결과 품질은 문서에 따라 크게 갈린다. 반듯하게 인쇄된 계약서나 보고서는 대부분 도구가 무난하게 읽어낸다. 반면 손글씨, 도장이 겹친 부분, 복잡한 표, 흐릿하거나 기울어진 사진은 오탈자가 쏟아진다.

그래서 도구를 고르기 전에 내가 다룰 문서가 어느 쪽인지부터 봐야 한다. 깨끗한 인쇄물을 가끔 변환하는 것과, 사업자등록증이나 영수증에서 특정 숫자를 정확히 뽑아내는 일은 필요한 도구가 다르다.

무료냐 유료냐, 도구 고르는 기준

Mikhail Nilov

도구 선택은 세 가지로 압축된다. 한글 인식 정확도, 무료로 쓸 수 있는 양, 그리고 파일을 외부로 보내지 않고 처리할 수 있는지다.

도구	한글 인식 경향	무료 사용	처리 방식
네이버 클로바 OCR	한글 특화, 높은 편	월 무료 한도 있음	클라우드
구글(Docs·Vision)	인쇄체에 강함	Vision 월 1,000페이지	클라우드
Tesseract	상업 도구보다 낮음	완전 무료	로컬 실행
Adobe Acrobat	편집 위주, OCR은 보조	제한적	클라우드

한글, 특히 사업자등록번호처럼 국내 서식에 특화된 인식이 중요하다면 네이버 클로바 계열이 유리하다는 평가가 많다. 반대로 개발 리소스 없이 깨끗한 인쇄 문서를 다룬다면 구글 도구가 편하다. 오픈소스인 Tesseract는 정확도가 상업 도구에 미치지 못하지만, 비용이 들지 않고 내 컴퓨터 안에서 돌아간다는 장점이 분명하다.

민감한 문서라면 '어디서 처리하느냐'가 먼저다

여기서 실무자가 가장 놓치기 쉬운 지점이 보안이다. 이름에 '무료'가 붙은 웹 OCR 사이트 대부분은 파일을 자기네 서버에 올려 처리한다. 개인 사진이나 메모라면 몰라도, 계약서·주민등록증·의료 서류처럼 민감한 정보가 담긴 문서를 아무 사이트에나 올리는 건 파일을 외부로 넘기는 행위다.

그래서 민감 문서는 도구의 정확도보다 처리 방식을 먼저 따진다. 부득이 클라우드 서비스를 써야 한다면, 업로드 전에 그 서비스의 개인정보 처리방침과 데이터 보존 기간을 확인한다. 파일이 처리 후 즉시 삭제되는지, 학습에 재사용되지는 않는지가 핵심이다. 문서를 밖으로 내보내기 어렵다면 Tesseract 같은 로컬 실행 도구나 온디바이스 방식을 쓰면 된다. 파일과 추출된 텍스트가 기기 밖으로 나가지 않는다. 문서 안의 주민등록번호나 계좌번호 자체가 문제라면, OCR로 탐지해 자동으로 가리는 마스킹 솔루션을 거치는 방법도 있다.

인식률을 높이는 스캔·전처리

같은 도구라도 원본 품질에 따라 결과가 달라진다. 스캔 단계에서 몇 가지만 지켜도 오탈자가 눈에 띄게 줄어든다.

• 해상도는 300DPI 이상으로 스캔한다. OCR 업계에서 통용되는 최소 권장값이다.
• 컬러보다 흑백(그레이스케일)으로 받은 뒤 글자와 배경을 뚜렷이 나누는 이진화 처리를 하면 인식률이 붙는다.
• 기울어진 문서는 기울기 보정으로 똑바로 세운다. 텍스트 줄이 수평에 가까울수록 인식이 안정적이다.
• 사진으로 찍을 때는 그림자가 지지 않는 균일한 조명 아래, 문서를 평평하게 펴고 수직으로 촬영한다.

정리하면 순서는 이렇다. 문서 성격을 보고 도구를 고르고, 민감 정보라면 처리 방식부터 확인한 뒤, 스캔 품질을 올려 넣는다. 도구를 바꾸는 것보다 원본을 다듬는 편이 인식률에 더 크게 작용할 때가 많다.

출처

1. 한국어 OCR 솔루션 정확도·가격 비교 - Lido
2. 스캔 PDF OCR 처리 방법과 전처리 - Lido
3. 민감 문서를 PC 밖으로 보내지 않는 온디바이스 OCR - 벤처스퀘어