한국 근대 문헌 연구를 위한 OCR 성능 분석

Abstract

본 연구는 한국 근대 문헌을 대상으로 OCR 성능을 비교 분석하는 데 목적이 있다. 한국어 맞춤법 변천에 따라 근대 문헌을 1895-1912년, 1913-1921년, 1922-1930년, 1931-1945년 네 시기로 구분하고 각 시기의 1단 순한글과 1단 혼용, 2단 순한글과 2단 혼용 문헌으로 문서 유형을 나누어 각 문헌의 총글자 수, 각각의 OCR이 모두 인식한 글자 수, OCR이 제대로 인식한 글자 수를 일일이 세어 OCR 성능을 비교하였다. 연구 대상 OCR 엔진으로는 어도비OCR, 네이버OCR, 카카오OCR, 구글OCR을 선정하여 평가를 수행하고, 평가 지표로는 정밀도(Precision), 재현율(Recall), F1 점수(F1-score)를 활용했다. 분석 결과 시기적으로는 최신 표기법을 반영한 문헌에서 OCR의 성능이 가장 높았으며, 문서 유형에서는 카카오 OCR과 구글 OCR은 혼용 문헌에서, 네이버OCR은 순한글 문헌에서 높은 인식 성능을 보였다. 반면, 띄어쓰기가 없거나 옛한글이 많이 포함된 1895-1912년 문헌에서는 인식률이 현저히 낮았다. 시기별, 문서 유형별 OCR 성능 분석 결과는 연구자들에게 OCR 선택의 기준을 제공하며, 향후 옛한글 문헌에 특화된 OCR 기술 개발에 참고가 될 것으로 기대한다.