OCR이 소수점과 통화 기호를
놓치는 이유는?

비용은 화면의 잘못된 숫자 하나로 끝나지 않습니다. SOX 규정 준수 요건에 따라 상장 기업은 완전하고 정확한 재무 기록을 유지해야 합니다. 자동화 파이프라인의 소수점 오류 하나가 규정 위반 노출로 이어질 수 있습니다. 어떤 기업이든 $154.99 인보이스에 대해 $15,499.00을 결제하면 월말 마감이 이를 잡아내기 전까지 $15,344.01을 초과 지급하게 됩니다. 대부분의 OCR 엔진은 문자 수준 정확도 99%를 광고하지만, 숫자 필드의 단일 문자 오류가 데이터 행 전체를 망가뜨릴 수 있다는 점에서 이 수치는 오해를 불러일으킵니다. 다음은 픽셀 수준에서 이러한 오류가 발생하는 원인과 이를 막는 방법입니다.

원인 1: 저해상도 압축이 작은 점을 지워버림

10pt 글꼴의 소수점은 100 DPI에서 너비가 3~5픽셀에 불과합니다. 대부분의 스크린샷 해상도인 72 DPI에서는 약 2픽셀로 줄어듭니다. JPEG 압축은 이미지를 8×8 픽셀 블록 단위로 처리하며, 대부분 흰색인 블록 안의 2픽셀 점은 노이즈로 간주되어 버려집니다.

이것이 $154.99가 $15499가 되는 방식입니다. 4와 9 사이의 소수점이 그냥 사라지고, 이전에는 구별되던 값 154와 99가 원래보다 100배 큰 단일 숫자로 합쳐집니다. 동일한 메커니즘이 라인 항목 금액, 단가, 세금 합계 및 두 자리 소수 구성 요소에 의존하는 모든 필드에 영향을 미칩니다.

조명이 좋지 않으면 효과는 더 악화됩니다. 소수점 주변의 그림자나 눈부심은 이진화 필터가 점과 배경을 구분하기를 더 어렵게 만듭니다. 이진화된 이미지에서 점이 사라지면 어떤 언어 모델도 이를 복구할 수 없습니다. 엔진이 그 점을 본 적이 없기 때문입니다.

원인 2: 통화 기호 근접 혼동

통화 기호는 대부분의 OCR 엔진에서 사각지대에 있습니다. 달러 기호($), 유로 기호(€), 파운드 기호(£), 엔 기호(¥)는 숫자 값 바로 앞이나 뒤에 나타나는 장식 문자입니다. 기존 OCR은 이를 식별해야 할 개별 글리프로 취급하며, 자주 오인합니다.

실제로 통화 기호에 영향을 미치는 세 가지 뚜렷한 오류 유형이 있습니다:

• 기호가 완전히 누락됨 — OCR 엔진이 $1,234.56을 단순히 1,234.56으로 처리하여 통화 표시를 조용히 제거합니다. 이는 모호한 출력을 만듭니다: 1,234.56이 USD, EUR 또는 다른 단위인가요? 여러 공급업체나 통화의 데이터가 단일 스프레드시트로 병합될 때, 통화 표시의 손실로 인해 어떤 값이 비교 가능한지 판단할 수 없게 됩니다.
• 기호가 문자나 숫자로 오독됨 — $는 자주 S 또는 5로 읽힙니다. £는 대문자 L 또는 양식화된 E로 읽힐 수 있습니다. 이러한 대체는 S1,234.56과 같은 출력을 생성하며, 다운스트림 시스템은 이를 숫자 값이 아닌 문자열로 해석하여 데이터베이스 가져오기나 Excel 수식에서 유형 변환 오류를 유발할 수 있습니다.
• 기호가 인접한 숫자와 병합됨 — $ 기호가 굵은 글꼴이나 세리프 글꼴로 인쇄되고 첫 번째 숫자에 가깝게 위치하면, OCR은 결합된 영역을 단일 문자로 읽을 수 있습니다. $5는 글꼴 세부 사항에 따라 55 또는 95가 됩니다.

통화 기호 혼동은 빠른 육안 검사를 통과하기 때문에 좌절스럽습니다. 숫자는 정확해 보이지만, 해당 숫자가 어떤 통화를 나타내는지에 대한 정보는 손실되었습니다. 이것이 금융 문서 처리에서 문자 수준 정확도보다 필드 수준 정확도가 더 중요한 이유입니다.

원인 3: 작은 문자에서의 안티앨리어싱 블러

안티앨리어싱은 문자 경계를 부분적으로 채워진 픽셀의 그라데이션으로 렌더링하여 부드러운 곡선의 인상을 만듭니다. 큰 본문 텍스트에서는 가독성을 높이지만, 소수점이나 통화 기호 같은 작은 문자에서는 그 반대의 효과를 냅니다.

8pt 또는 9pt로 렌더링된 소수점 — 인보이스 라인 항목 표나 영수증의 작은 글씨에서 흔히 볼 수 있는 — 은 픽셀이 너무 적어 다듬기 과정에서 배경으로 흐려집니다. OCR 엔진이 이진화를 적용하면 점은 회색 얼룩이 되어 신뢰도 임계값 아래로 떨어지고, 엔진은 해당 위치에 아무것도 출력하지 않습니다.

음수 금액의 마이너스 기호, 대변을 나타내는 괄호, ¥ 또는 € 같은 통화 기호의 가는 획에도 동일하게 적용됩니다 — 이 모든 것은 밀집된 표 셀에서 매우 작은 크기로 렌더링되는 경우가 많아 안티앨리어싱이 가장 파괴적인 영향을 미칩니다.

원인 4: 쉼표 및 소수점 표기 관례의 모호성

마침표 또는 쉼표라는 단일 문자는 문서가 작성된 지역에 따라 정반대의 의미를 갖습니다. 미국에서는 1,234.56이 쉼표를 천 단위 구분 기호로, 마침표를 소수점으로 사용합니다. 유럽 대륙 대부분에서는 동일한 값이 1.234,56으로 표기됩니다 — 마침표가 천 단위 구분 기호, 쉼표가 소수점입니다. 지역적 맥락이 없는 OCR 엔진은 이 둘을 안정적으로 구분할 방법이 없습니다.

미국 인보이스용으로 설계된 OCR 시스템이 독일식 1.234,56을 만나면 두 개의 숫자로 분할하거나 두 구분 기호를 모두 제거하여(123456) 값을 100배로 부풀릴 수 있습니다. 어느 쪽이든 손상된 데이터가 조용히 회계 시스템에 유입됩니다.

혼합 지역 문서에서는 문제가 더욱 악화됩니다 — 쉼표 소수점을 사용하는 프랑스 공급업체와 영어 필드 레이블의 조합은 단일 지역 표기 관례를 기대하는 로케일 기반 OCR 도구를 혼란에 빠뜨립니다.

해결 방법: 증상 기반 진단 프레임워크

모든 소수점 및 통화 오류의 근본 원인이 같은 것은 아닙니다. 잘못된 해결책을 적용하면 시간을 낭비하고 실제 문제를 놓칠 수 있습니다. 아래 표는 추출된 출력에서 보이는 증상을 가장 가능성 높은 원인과 그에 해당하는 해결책에 매핑합니다.

수정 1: 원본 이미지 품질 개선

가장 효과적인 해결책은 가장 간단합니다. OCR 엔진에 더 많은 픽셀을 제공하는 것입니다. 300 DPI에서 소수점은 약 9픽셀을 차지하며, JPEG 압축이 이를 노이즈로 폐기할 수 없을 만큼 충분합니다. 600 DPI에서는 같은 점이 18픽셀에 걸쳐 있어 공격적인 압축 설정에서도 살아남습니다.

• 최소 300 DPI로 스캔 — 200 DPI는 최소 기준이며, 300 DPI는 금융 문서에 적합한 신뢰할 수 있는 표준입니다. 가능하면 휴대폰 카메라보다 평판 스캐너를 사용하세요.
• JPEG가 아닌 TIFF 또는 PNG로 저장 — JPEG의 손실 압축은 소수점 누락의 주요 원인입니다. TIFF와 PNG는 JPEG가 폐기하는 2~3픽셀 크기의 점을 보존합니다.
• 휴대폰 사진의 경우 — 문서 바로 위에서 촬영하고, 조명이 밝은 표면을 사용하며, 카메라의 최대 해상도로 내보내세요. 텍스트 영역의 픽셀 밀도를 최대화하려면 문서 영역에 맞게 꼭 잘라내세요.

수정 2: 필드 유형 힌트 사용

이는 대부분의 범용 OCR 도구가 제공할 수 없는 해결책이며, 금융 데이터에 가장 효과적입니다. 시스템에 필드가 통화 금액임을 알리면 소수점과 통화 기호를 일반 문자로 취급하지 않고 값에 대한 의미적 신호로 처리합니다.

ImageToTable.ai에서는 맞춤 열 추출을 통해 이 기능이 작동합니다. "청구서 합계"와 같은 열을 정의하면 AI가 필드 유형을 이해합니다. 알려진 통화 필드에서 값을 만나면 소수 구분 기호를 적극적으로 찾고 예상되는 소수점 두 자리 구조를 사용하여 숫자를 검증합니다. "총액(USD)" 필드에 대해 원시 출력이 "15499"를 생성하면 AI는 누락된 소수점을 표시하고 확률적 보정을 적용합니다.

이는 위치 기반 추출과 의미 기반 추출 사이의 근본적인 차이입니다. 필드 유형 힌트는 소수점 누락을 조용한 데이터 손상에서 수정 가능한 모호성으로 전환합니다. 동일한 접근 방식을 통해 공급업체 청구서 배치를 공급업체별 템플릿 구성 없이 구조화된 Excel 시트로 직접 처리할 수 있습니다. AI는 각 필드가 페이지에서 어디에 있는지가 아니라 무엇을 의미하는지 이해하여 형식 변형을 처리합니다.

수정 3: 정규식 및 합계 검증 후처리

소스 품질이나 추출 도구를 제어할 수 없을 때, 후처리가 안전망입니다. 두 가지 기법으로 추출 후 발생하는 대부분의 소수점 및 통화 오류를 잡을 수 있습니다. 전처리, 엔진 튜닝, 필드 수준 검증 전략에 대한 자세한 내용은 금융 문서의 OCR 정확도를 높이는 방법에 대한 전체 가이드를 참조하세요.

패턴 기반 검증. 대부분의 통화 금액은 예측 가능한 패턴을 따릅니다. ^\d{1,3}(?:,\d{3})*\.\d{2}$ 같은 정규식은 미국식 금액 형식을 검증합니다. 소수점이 없거나, 소수점 이하 4자리이거나, 구분 기호가 일치하지 않는 값은 모두 검토 대상으로 표시됩니다.

합계 검증. 라인 항목이 있는 모든 문서에서 라인 금액의 합계는 총액과 일치해야 합니다. 불일치가 발견되면 소수점 인식 오류를 의미합니다. 라인 항목의 합계가 $1,249.85인데 총액이 $124,985.00으로 추출되었다면, 소수점이 세 자리 이동한 것입니다 — 거의 확실히 소수점 누락 오류입니다. 합계 검증은 근본 원인과 관계없이 즉시 이를 포착합니다.

후처리는 우수한 소스 품질이나 의미론적 추출을 대체하는 것이 아니라, 통과된 오류를 잡아내도록 설계된 탐지 레이어입니다.

심화 상황: 수정의 한계 인식

모든 소수점 및 통화 기호 오류가 입력 품질 개선이나 후처리 규칙 추가로 해결되는 것은 아닙니다. 다음 세 가지 상황에서는 추출 방식 자체를 변경해야 합니다:

상황 1: 대량의 혼합 소스 처리. 다양한 형식과 지역별 규칙을 사용하는 수백 개 공급업체의 인보이스를 처리하는 워크플로우라면, 공급업체별 전처리 튜닝은 확장이 불가능합니다 — 오버헤드가 자동화의 효율성 이점을 상쇄합니다.

상황 2: 모바일 촬영 문서가 대부분인 경우. 휴대폰 사진은 원근 왜곡, 눈부심, 가변 조명을 유발하여 작은 문자 인식을 지속적으로 저하시킵니다. 해결책은 더 나은 전처리가 아니라, 문자 수준 인식이 불확실할 때 의미론적 맥락을 사용하여 값을 해석하는 시스템입니다.

상황 3: 표가 매우 조밀한 문서. 은행 거래 내역서, 중개 보고서, 다중 라인 인보이스는 숫자를 6pt~8pt의 소수점으로 렌더링되는 작은 표 셀에 압축합니다. 이 크기에서는 스캔 해상도와 관계없이 안티앨리어싱 블러가 거의 불가피합니다 — 픽셀 기반 OCR은 근본적인 정확도 한계에 도달합니다.

이러한 상황에서는 완벽한 전처리로도 격차를 메울 수 없습니다 — 해결책은 픽셀 값만이 아닌 문서 구조와 필드 의미론을 이해하는 비전 기반 접근 방식입니다. 관련 지침은 병합된 셀이 표 추출을 깨뜨리는 방식과 OCR이 표를 인식하지 못하는 이유를 참조하세요 — 소수점 오류가 픽셀 수준 문제가 아닌 구조적 오독에서 발생하는 일반적인 시나리오입니다.

자주 묻는 질문

소수점 하나가 수천 달러의 손실을 막는다

소수점과 통화 기호는 작은 문자지만 그 영향은 엄청납니다. 점 하나가 빠지면 공급업체에 $15,000를 초과 지급하거나 월말 검증에서 규정 위반을 놓칠 수 있습니다. 이러한 오류는 무작위가 아닙니다. 각각은 OCR 엔진이 픽셀 수준에서 이미지를 처리하는 방식에 뿌리를 둔 추적 가능한 원인이 있습니다. 어떤 원인이 문서에 영향을 미쳤는지 아는 것이 설정을 무작정 조정하는 것과 문제를 영구적으로 해결하는 것의 차이입니다.

가장 확실한 해결책은 읽는 내용을 이해하는 추출 시스템입니다. 누락된 소수점을 재구성하고, 값을 예상 형식과 대조 검증하며, 수동 설정 없이 지역별 구분 기호 규칙을 처리합니다. 이것이 바로 의미 기반 추출이 가능하게 하는 것입니다. 현재 도구가 어려워하는 인보이스를 업로드하고 정확도를 나란히 비교해 보세요.