類似文字は、画像認識だけで100%見分けようとせず、撮影・複数認識・書式・マスター・UIを重ねて誤登録を防ぎます。 重要なのは認識率の小数点以下を競うことより、曖昧な結果を自動確定しない仕組みです。
自然文なら L0T を LOT と文脈補正できます。しかしロット番号 A10O1 は、どの位置が数字か英字かを画像だけで判断できない場合があります。番号は意味のない文字列に見え、1文字違いが別ロットを示します。VLMの文脈理解にも限界がある領域です。
解像度、焦点、露光、反射、傾きを入口で判定します。原画像に字形の差が写っていなければ、後段では復元できません。金属・フィルムには偏光や斜光、曲面には複数フレームを検討します。
VLM、文字専用OCR、バーコードの結果を比較します。同一画像でもラベル全体とロット欄の拡大を分け、結果が一致したときだけ信頼度を上げます。単純な多数決ではなく、項目別に得意な方式へ重み付けします。
品番の1〜3文字目は英大文字、4〜8文字目は数字という規則があれば候補を制約できます。許容文字を [A-Z0-9-] に限定し、空白や全角を正規化します。
桁数、接頭辞、区切り、日付範囲を検証します。20261340 は文字として読めても日付として不正です。ただし、取引先ごとの規則を増やしすぎると別のレシピ地獄になるため、共通規則と例外規則を分けます。
GTINなど検査数字を持つコードは計算で検証します。チェックディジットに通っただけで現物一致を保証するわけではありませんが、転記誤り検出に有効です。
全在庫マスターだけでなく、当日の入荷予定、仕入先、発注番号、品目の組み合わせで候補を狭めます。文字列類似度に加えて、業務上あり得る候補かを評価します。
候補が一つでも、危険度の高い項目は確認へ回せます。元画像の該当箇所と候補差分を並べ、作業者は候補選択だけで修正します。訂正理由と操作者をログへ残します。
次のすべてを満たす場合を一例にします。
反対に、候補が複数、マスター未登録、新規ロットとして妥当、画像の該当字形が見えない場合は補正せず保留します。
読み取り値 AB10 に対してマスターに AB1O と AB01 があれば、編集距離はいずれも近くなります。もっとも近い候補へ強制置換すると、「確信を持って間違える」システムになります。
照合結果は、exact_match、unique_candidate、multiple_candidates、no_candidate のように理由コード付きで返します。AIの自己申告信頼度だけを自動登録条件にしないことも重要です。
業務上もっとも重視するのは誤自動補正率です。自動化率を上げるほど誤登録が増えるトレードオフを、閾値曲線で評価します。
類似文字問題はOCRモデル単体の問題ではなく、入力から確定までの意思決定問題です。まず字形が見える画像を作り、複数の根拠を重ね、一意でない結果は人へ戻す。この設計なら、認識性能が完全でなくても誤登録を抑えられます。
方式の比較は「VLM OCRと従来型OCRの違い」、実データ評価は「VLM OCR PoC・RFP実践ガイド」をご覧ください。
モデルの信頼度が校正されているとは限りません。外部照合、書式検証、業務リスクと組み合わせて判断します。
いいえ。ロットは新規値であることが普通です。品目や発注との関係、ロット書式、バーコード等で検証し、既存値への安易な補正を避けます。
低リスクかつ根拠が一致する範囲では可能です。全件ゼロではなく、例外率を継続的に下げる運用が現実的です。
通常例だけでなく、反射、傾き、汚れ、未知レイアウト、マスター不在を含む実画像と、抽出項目、正解値、照合先、例外時の処理を準備します。