OCR가 소수점과 통화 기호를
놓치는 이유는?

비용은 단순히 화면에 잘못된 숫자가 표시되는 것 이상의 문제를 야기합니다. SOX 규정 준수 요구사항에 따라 상장 기업은 완전하고 정확한 재무 기록을 유지해야 하며, 자동화된 파이프라인의 소수점 오류는 규정 위험으로 이어집니다. 모든 기업에서 $15,499.00의 결제가 $154.99 청구서에 대해 이루어지면 월말 마감 시점까지 $15,344.01을 초과 지급하게 됩니다. 대부분의 OCR 엔진은 문자 수준에서 99%의 정확도를 광고하지만, 숫자 필드의 단일 문자 오류가 데이터 행 전체를 망가뜨릴 수 있다는 점에서 이 수치는 오해의 소지가 있습니다. 다음은 픽셀 수준에서 이러한 오류가 발생하는 원인과 이를 방지하는 방법입니다.

원인 1: 저해상도 압축으로 인한 작은 점 소멸

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

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

조명이 좋지 않으면 효과가 더 악화됩니다. 소수점 주변의 그림자나 눈부심은 이진화 필터(컬러를 흑백 픽셀로 변환)가 점과 배경을 구분하기 더 어렵게 만듭니다. 이진화된 이미지에서 점이 사라지면 어떤 언어 모델도 이를 복구할 수 없습니다. 엔진이 점을 본 적이 없기 때문입니다.

원인 2: 통화 기호 근접성 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 하는 개별 글리프로 처리하며, 자주 오류를 범합니다.

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

• 기호가 완전히 생략됨 — OCR 엔진이 $1,234.56을 단순히 1,234.56으로 결정하여 통화 표시를 조용히 제거합니다. 이는 모호한 출력을 만듭니다. 1,234.56이 USD, EUR 또는 다른 단위인지 알 수 없습니다. 여러 공급업체 또는 통화의 데이터가 단일 스프레드시트에 병합되면 통화 표시의 손실로 인해 어떤 값이 비교 가능한지 판단할 수 없게 됩니다.
• 기호가 문자나 숫자로 잘못 읽힘 — $는 자주 S나 5로 읽힙니다. £는 대문자 L이나 양식화된 E로 읽힐 수 있습니다. 이러한 대체는 S1,234.56과 같은 출력을 생성하며, 다운스트림 시스템에서 이를 숫자 값이 아닌 문자열로 해석하여 데이터베이스 가져오기나 Excel 수식에서 유형 변환 오류를 일으킬 수 있습니다.
• 기호가 인접한 숫자와 병합됨 — $ 기호가 굵은 글꼴이나 세리프 글꼴로 인쇄되고 첫 번째 숫자에 가깝게 위치하면 OCR이 결합된 영역을 단일 문자로 읽을 수 있습니다. $5는 글꼴 세부 사항에 따라 55 또는 95가 됩니다.

통화 기호 혼동은 짜증스러운 문제입니다. 숫자는 겉보기에 맞아 보이지만, 그 숫자가 어떤 통화인지에 대한 정보가 사라졌기 때문입니다. 이것이 금융 문서 처리에서 문자 수준 정확도보다 필드 수준 정확도가 더 중요한 이유입니다.

원인 3: 작은 문자의 앤티앨리어싱 흐림 현상

앤티앨리어싱(글꼴 다듬기)은 문자 경계를 부분적으로 채워진 픽셀의 그라데이션으로 렌더링하여 부드러운 곡선처럼 보이게 합니다. 큰 본문 텍스트에서는 가독성을 높이지만, 소수점이나 통화 기호 같은 작은 문자에서는 오히려 해롭습니다.

인보이스 라인 항목 표나 영수증의 작은 글씨에서 흔히 볼 수 있는 8pt 또는 9pt로 렌더링된 소수점은 픽셀이 너무 적어 다듬기 과정에서 배경에 흐려집니다. OCR 엔진이 이진화(이미지를 흑백으로 변환)를 적용하면 점은 회색 얼룩이 되어 신뢰도 임계값 아래로 떨어지고, 엔진은 해당 위치에 아무것도 출력하지 않습니다.

음수 금액의 마이너스 기호, 대변을 나타내는 괄호, ¥이나 € 같은 통화 기호의 가는 획에도 동일하게 적용됩니다. 이 모든 것은 앤티앨리어싱이 가장 파괴적인 조밀한 표 셀에서 매우 작은 크기로 자주 렌더링됩니다.

원인 4: 쉼표 및 소수점 표기법 모호성

마침표나 쉼표라는 단일 문자가 문서의 출처에 따라 반대되는 의미를 갖습니다. 미국에서는 1,234.56이 쉼표를 천 단위 구분 기호로, 마침표를 소수점으로 사용합니다. 유럽 대륙 대부분에서는 동일한 값이 1.234,56으로 표시됩니다. 즉, 마침표가 천 단위 구분 기호이고 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 숫자(1과 234,56)로 분할하거나 두 구분 기호를 모두 제거하여(123456) 값을 100배 부풀릴 수 있습니다. 어느 쪽이든 손상된 데이터가 회계 시스템에 조용히 유입됩니다.

이 문제는 혼합 지역 문서에서 더욱 악화됩니다. 쉼표 소수점을 사용하지만 영어 필드 레이블을 사용하는 프랑스 공급업체는 단일 지역 규칙을 기대하는 로케일 기반 OCR 도구를 혼란스럽게 만듭니다.

문제 해결 방법: 증상 기반 진단 프레임워크

모든 소수점 및 통화 오류의 근본 원인이 동일한 것은 아닙니다. 잘못된 수정 방법을 사용하면 시간만 낭비하고 실제 문제를 놓칠 수 있습니다. 아래 표는 추출된 출력에서 확인되는 증상을 가장 가능성 높은 원인 및 해당 수정 방법과 연결합니다.

해결책 1: 원본 이미지 품질 개선

가장 효과적인 해결책은 가장 간단합니다. OCR 엔진이 처리할 픽셀을 더 많이 제공하는 것입니다. 300 DPI에서 소수점은 약 9픽셀을 차지하며, JPEG 압축이 이를 노이즈로 간주해 버리지 않을 정도의 크기입니다. 600 DPI에서는 같은 점이 18픽셀로 늘어나며, 높은 압축 설정에서도 손실되지 않습니다.

• 최소 300 DPI로 스캔 — 200 DPI는 최소 기준이며, 300 DPI가 금융 문서의 신뢰할 수 있는 표준입니다. 가능하면 휴대폰 카메라보다 평판 스캐너를 사용하세요.
• JPEG 대신 TIFF 또는 PNG로 저장 — JPEG의 손실 압축은 소수점 누락의 주요 원인입니다. TIFF와 PNG는 JPEG이 버리는 2~3픽셀 크기의 점을 보존합니다.
• 휴대폰 사진 촬영 시 — 문서 바로 위에서 촬영하고, 조명이 밝은 표면을 사용하며, 카메라의 최대 해상도로 내보내세요. 문서 영역에 꼭 맞게 자르면 텍스트 영역의 픽셀 밀도를 최대화할 수 있습니다.

해결책 2: 필드 유형 힌트 사용

이는 대부분의 범용 OCR 도구가 제공할 수 없는 해결책이며, 금융 데이터에 가장 효과적입니다. 시스템에 특정 필드가 통화 금액임을 알려주면, 소수점과 통화 기호를 단순한 문자가 아닌 값에 대한 의미적 신호로 처리합니다.

ImageToTable.ai에서는 사용자 정의 열 추출을 통해 작동합니다. "송장 합계"와 같은 열을 정의하면 AI가 필드 유형을 이해합니다. 알려진 통화 필드에서 값을 만나면, 능동적으로 소수점 구분자를 찾고 예상되는 소수점 이하 두 자리 구조를 사용하여 숫자를 검증합니다. "합계 (USD)" 필드에 대해 원시 출력이 "15499"를 생성하면, AI는 누락된 소수점을 감지하고 확률론적 보정을 적용합니다.

이것이 위치 기반 추출(도구가 영역의 모든 문자를 읽고 보이는 대로 출력)과 의미 기반 추출(도구가 찾고자 하는 것을 이해하고 그 맥락을 사용하여 모호성을 해결)의 근본적인 차이점입니다. 필드 유형 힌트는 소수점 누락을 조용한 데이터 오류에서 수정 가능한 모호성으로 바꿔줍니다. 동일한 접근 방식으로 공급업체별 템플릿 구성 없이 공급업체 송장 배치를 구조화된 Excel 시트로 직접 처리할 수 있습니다. AI는 각 필드가 페이지에서 어디에 위치하는지가 아니라 무엇을 의미하는지 이해하여 형식 변형을 처리합니다.

수정 3: 정규식 및 교차 검증 후처리

원본 품질이나 추출 도구를 제어할 수 없는 경우, 후처리가 안전망 역할을 합니다. 두 가지 기법으로 추출 후 발생하는 대부분의 소수점 및 통화 오류를 잡아낼 수 있습니다. 전처리, 엔진 튜닝, 필드 수준 검증 전략에 대한 더 넓은 개요는 금융 문서 OCR 정확도 향상 방법에 대한 전체 가이드를 참조하십시오.

패턴 기반 검증. 대부분의 통화 금액은 예측 가능한 패턴을 따릅니다. ^\d{1,3}(?:,\d{3})*\.\d{2}$와 같은 정규식은 미국 형식 금액을 검증합니다. 소수점이 없거나, 소수점 이하 자릿수가 4자리이거나, 구분자가 일치하지 않는 값은 검토 대상으로 표시됩니다.

교차 검증(수학적 검증). 라인 항목이 있는 문서의 경우, 라인 금액의 합계는 총계와 일치해야 합니다. 불일치는 소수점 오독을 의미합니다. 라인 항목 합계가 $1,249.85인데 총계가 $124,985.00으로 추출되면 소수점이 세 자리 이동한 것입니다. 이는 거의 확실한 소수점 누락 오류입니다. 교차 검증은 근본 원인에 관계없이 이를 즉시 포착합니다.

후처리는 좋은 원본 품질이나 의미론적 추출을 대체하는 것이 아니라, 통과된 오류를 잡아내기 위해 설계된 탐지 계층입니다.

문제 해결 한계 인지: 수정의 한계 인식

모든 소수점 및 통화 기호 오류가 입력 품질 개선이나 후처리 규칙 추가만으로 해결될 수 있는 것은 아닙니다. 다음 세 가지 시나리오는 추출 방식 자체를 변경해야 함을 나타냅니다.

시나리오 1: 대량 혼합 소스 처리. 다양한 형식과 지역 규칙을 사용하는 수백 개 공급업체의 송장을 처리하는 워크플로우에서는 공급업체별 전처리 튜닝이 확장되지 않습니다. 오버헤드로 인해 자동화의 효율성 이점이 상쇄됩니다.

시나리오 2: 주로 모바일로 캡처된 문서. 휴대폰 사진은 원근 왜곡, 눈부심, 가변 조명을 유발하여 작은 문자 인식을 지속적으로 저하시킵니다. 해결책은 더 나은 전처리가 아니라, 문자 수준 인식이 불확실할 때 의미론적 컨텍스트를 사용하여 값을 해석하는 시스템입니다.

시나리오 3: 매우 조밀한 테이블이 있는 문서. 은행 명세서, 중개 보고서, 여러 줄 송장은 소수점이 6pt~8pt로 렌더링되는 작은 테이블 셀에 숫자를 채웁니다. 이 크기에서는 스캔 해상도에 관계없이 앤티앨리어싱 블러가 거의 불가피합니다. 픽셀 기반 OCR은 근본적인 정확도 한계에 도달합니다.

이러한 시나리오에서는 완벽한 전처리로도 격차를 메울 수 없습니다. 해결책은 픽셀 값뿐만 아니라 문서 구조와 필드 의미를 이해하는 비전 기반 접근 방식입니다. 관련 지침은 병합된 셀이 테이블 추출을 손상시키는 방식 및 OCR이 테이블 인식에 실패하는 이유를 참조하십시오. 이는 소수점 오류가 픽셀 수준 문제보다는 구조적 오독에서 발생하는 일반적인 시나리오입니다.

자주 묻는 질문

소수점 하나가 수천만 원을 좌우합니다

소수점과 통화 기호는 작지만 막대한 영향을 미칩니다. 소수점 하나를 놓치면 공급업체에 1,500만 원을 초과 지급하거나, 월말 검증에서 규정 위반을 놓칠 수 있습니다. 이러한 오류는 무작위가 아닙니다. 각각은 OCR 엔진이 이미지를 픽셀 단위로 처리하는 방식에 뿌리를 둔 추적 가능한 원인이 있습니다. 어떤 원인이 문서에 영향을 미쳤는지 아는 것이 맹목적으로 설정을 조정하는 것과 문제를 영구적으로 해결하는 것의 차이입니다.

가장 신뢰할 수 있는 해결책은 읽은 내용을 이해하는 추출 시스템입니다. 누락된 소수점을 재구성하고, 예상 형식에 대해 값을 검증하며, 수동 구성 없이 지역별 구분 기호 규칙을 처리합니다. 이것이 의미 기반 추출이 가능하게 하는 것입니다. 현재 도구가 어려워하는 송장을 업로드하고 정확도를 나란히 비교해 보세요.