2019年12月16日，檔案行業(yè)標準《紙質(zhì)檔案數(shù)字復制件光學字符識別（OCR）工作規(guī)范》（DA/T 77—2019）（以下簡稱《規(guī)范》）由國家檔案局正式發(fā)布，并將于2020年5月1日起實施。《規(guī)范》規(guī)定了紙質(zhì)檔案數(shù)字復制件光學字符識別（OCR）工作的組織、實施和管理要求，確定了開展檔案OCR工作的總體原則、工作流程、質(zhì)量規(guī)定等內(nèi)容，尤其是對歸檔章、文件處理單、公章等具有檔案特征的內(nèi)容提出了識別要求，并明確評價指標，對于引導并規(guī)范檔案OCR工作、進一步提升檔案信息化工作水平具有重要意義。

　　一、編制背景

　　檔案OCR是指通過信息技術(shù)對紙質(zhì)檔案數(shù)字圖像文件中的字符形狀進行識別、文字轉(zhuǎn)換和文本輸出、呈現(xiàn)的過程。一方面，檔案OCR是檔案信息化工作的重要內(nèi)容。隨著紙質(zhì)檔案數(shù)字化的普遍開展和電子檔案管理的日漸成熟，檔案OCR對于運用電子檔案管理思路推動紙質(zhì)檔案管理、實現(xiàn)紙質(zhì)檔案與電子檔案融合管理具有很強的現(xiàn)實意義。同時，檔案OCR是檔案從數(shù)字化向數(shù)據(jù)化轉(zhuǎn)化的重要步驟，是檔案數(shù)據(jù)化工作的重要環(huán)節(jié)。另一方面，檔案OCR也是提升檔案工作水平的重要手段?！兑?guī)范》第9.2條明確了OCR成果應(yīng)用的3個場景，即通過數(shù)字檔案館（室）應(yīng)用系統(tǒng)實現(xiàn)全文檢索，提高檔案信息檢索效率；輔助開展檔案自動著錄、目錄質(zhì)量核查，以及紙質(zhì)檔案數(shù)字復制件掛接準確性核查等業(yè)務(wù)工作；結(jié)合數(shù)據(jù)挖掘技術(shù)開展數(shù)據(jù)分析、知識管理、詞庫建設(shè)等工作，提出了檔案OCR工作在推動檔案工作方面的重要價值。

　　《規(guī)范》列入2016年檔案行業(yè)標準制修訂項目計劃，由國家檔案局檔案館（室）業(yè)務(wù)指導司、青島市檔案館起草。2017年2月，形成標準征求意見稿，向各地、各部門征求并采納意見后形成標準送審稿。2017年4月，標準送審稿通過專家評審。2019年5月，標準送審稿提交檔標會審查通過。

　　二、工作思路

　　檔案OCR不是一項孤立的工作，需要與數(shù)字檔案館（室）建設(shè)、檔案數(shù)字化工作等切結(jié)合起來實施，并遵循以下工作原則：一是檔案OCR應(yīng)當納入數(shù)字檔案館（室）資源建設(shè)范疇，統(tǒng)籌規(guī)劃、有序?qū)嵤?，逐步實現(xiàn)常態(tài)化。二是檔案OCR應(yīng)當科學開展，以有利于實現(xiàn)檔案信息檢索和計算機輔助編目、編研開發(fā)、數(shù)據(jù)挖掘為原則。三是檔案OCR應(yīng)當基于檔案數(shù)字化工作，檔案OCR成果與紙質(zhì)檔案數(shù)字復制件之間應(yīng)建立準確、可靠的關(guān)聯(lián)關(guān)系。四是應(yīng)當采取有效的管理和技術(shù)手段，加強檔案OCR過程管理和質(zhì)量控制，確保檔案OCR過程規(guī)范、成果可靠、數(shù)據(jù)安全。五是紙質(zhì)檔案數(shù)字復制件的OCR工作，應(yīng)符合檔案相關(guān)管理和技術(shù)要求。

　　三、工作組織

　　檔案OCR工作組織主要包括機構(gòu)及人員、流程控制、工作文件與元數(shù)據(jù)要求等。

　　(1)機構(gòu)及人員要求

　　檔案OCR工作要求建立機構(gòu)配備相應(yīng)素質(zhì)和技術(shù)水平的工作人員，組織開展檔案OCR工作的統(tǒng)籌規(guī)劃、組織實施、協(xié)調(diào)管理、技術(shù)保障、安全保障、監(jiān)督檢查、成果驗收和長期保存等。《規(guī)范》建議與紙質(zhì)檔案數(shù)字化工作統(tǒng)籌配置工作機構(gòu)和人員。檔案OCR工作實行服務(wù)外包的，應(yīng)從企業(yè)性質(zhì)、股東組成、安全保、企業(yè)規(guī)模、注冊資金情況等方面嚴格審查檔案OCR服務(wù)供方的相關(guān)資質(zhì)；從規(guī)章制度的建立健全程度等方面考察服務(wù)供方的管理能力，建立權(quán)責明確、覆蓋工作全過程的監(jiān)督機制和安全防范機制，確保檔案信息安全。對外聘的工作人員，應(yīng)進行安全審查，按規(guī)定進行保教育。

　　(2)流程控制要求

　　應(yīng)依據(jù)相關(guān)技術(shù)標準，對檔案OCR圖像導入、圖像預(yù)處理、比對識別、修改校正、成果整理輸出等業(yè)務(wù)環(huán)節(jié)全過程進行有效控制。應(yīng)加強對檔案OCR工作全流程的質(zhì)量管理和安全管理，建立完善的質(zhì)量、安全問題發(fā)現(xiàn)、修正機制，確保OCR成果質(zhì)量和檔案信息安全。

　　(3)工作文件與元數(shù)據(jù)要求

　　應(yīng)建立檔案OCR工作方案、技術(shù)方案、工作審批材料、流程控制材料、數(shù)據(jù)驗收材料、項目驗收報告、成果移交材料等管理工作文件，采取服務(wù)外包的還應(yīng)包括項目招標文件、投標文件、中標通知書、項目合同、保協(xié)議、操作規(guī)程、監(jiān)管記錄等，加強對檔案OCR工作的管理。應(yīng)參照相關(guān)標準，提出檔案OCR工作流程中相關(guān)元數(shù)據(jù)設(shè)計、捕獲、著錄和管理的基本要求，與對應(yīng)的紙質(zhì)檔案數(shù)字復制件管理過程元數(shù)據(jù)實施融合管理，并納入數(shù)字檔案館（室）應(yīng)用系統(tǒng)數(shù)據(jù)庫。

　　四、工作流程

　　檔案OCR主要包括圖像導入、圖像預(yù)處理、比對識別、修改校正、成果整理輸出5個業(yè)務(wù)環(huán)節(jié)。其中，圖像預(yù)處理包括二值化、圖像降噪、傾斜校正、圖像監(jiān)測。對比識別包括版式分析、檔案特征分析、識別與匹配。成果整理輸出包括成果整理、成果輸出、成果驗收等（如圖所示）。《規(guī)范》規(guī)定的是較為傳統(tǒng)的OCR工作流程，有條件的也可以運用機器學習（ML）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等技術(shù)開展OCR工作。

　　在5個業(yè)務(wù)環(huán)節(jié)中，比對識別是關(guān)鍵環(huán)節(jié)，《規(guī)范》要求針對檔案特征進行分析、識別和匹配。其主要內(nèi)容包括：

　　檔案OCR工作流程圖

　　(1)歸檔章分析

　　要求建立歸檔章式樣庫，自動識別圖像中的歸檔章，并根據(jù)歸檔章樣式，識別出全宗號、年度、機構(gòu)、保管期限、件號、頁數(shù)等字段位置。

　　(2)公文要素分析

　　要求建立公文格式庫，可準確識別公文的版頭、主體、版記3部分，識別公章、簽章等區(qū)域，比照公文樣式，識別公文正本的級和保期限、緊急程度、發(fā)文字號、簽發(fā)人、標題、主送機關(guān)、正文、附件說明、發(fā)文機關(guān)署名、成文日期、附注、附件、抄送機關(guān)等公文要素，但份號、發(fā)文機關(guān)標志、印章、簽發(fā)人簽名章、印發(fā)機關(guān)和印發(fā)日期、頁碼等公文要素不需要識別。

　　(3)表格分析

　　要求建立單獨表格處理模塊，建立專用表格模板定義工具，自定義文件處理單、發(fā)文稿紙、備考表等表格模板，識別表格中的字段位置。對于文件處理單或發(fā)文稿紙，要求識別起草人、簽發(fā)人、起草時間、簽發(fā)時間、閱辦意見、批辦意見、辦理結(jié)果等內(nèi)容。

　　(4)印章分析

　　要求識別印章圖像位置，存儲印章圖像，建立印章名稱與印章圖像的關(guān)系庫，用于版式恢復。

　　五、質(zhì)量規(guī)定

　　《規(guī)范》從識別準確率、強抗噪能力、識別速度、版面還原度4個方面對檔案OCR質(zhì)量提出了要求（如表所示）。需要特別說明的是，在檔案OCR質(zhì)量要求中，識別速度指標與識別準確率指標應(yīng)當同時適用。

　　六、成果要求

　　(1)成果形式

　　《規(guī)范》要求，檔案OCR成果應(yīng)同時保存為純文本形式和雙層PDF/OFD文件形式。保存純文本形式的，應(yīng)以紙質(zhì)檔案的件或頁為單位輸出檔案OCR成果，即紙質(zhì)檔案數(shù)字復制件保存為一個文件的，檔案OCR成果保存為一個TXT文件；紙質(zhì)檔案數(shù)字復制件按收發(fā)文處理單、正文、定稿等保存為多個文件的，檔案OCR成果分別保存多個TXT文件；紙質(zhì)檔案數(shù)字復制件按頁保存為多個文件的，檔案OCR成果每頁保存一個TXT文件。保存為雙層PDF/OFD的，應(yīng)根據(jù)紙質(zhì)檔案數(shù)字復制件版式文件格式，自動形成支持全文檢索的雙層PDF或OFD文件。

　　(2)保存要求

　　《規(guī)范》要求，以純文本形式保存的檔案OCR成果應(yīng)使用檔號作為文件名，可在存儲載體中以按照檔號構(gòu)成項逐級建立文件夾單獨保存，也可與紙質(zhì)檔案數(shù)字復制件統(tǒng)一保存。支持全文檢索的雙層PDF或OFD文件可與對應(yīng)的紙質(zhì)檔案數(shù)字復制件統(tǒng)一存儲。對于檔案OCR成果中的黨政機關(guān)公文要素，應(yīng)按照檔案著錄規(guī)則和電子檔案元數(shù)據(jù)規(guī)范，保存到數(shù)字檔案館（室）應(yīng)用系統(tǒng)數(shù)據(jù)庫中。

　　作者單位：國家檔案局

　　文章來源：《中國檔案》2020年第2期

　　圖表來源：作者提供