「文字なし」の画像検査を146枚に当てた。出たのは誤警報4件で、日本語を足すと48件に増えた

「文字なし」の画像検査を146枚に当てた。出たのは誤警報4件で、日本語を足すと48件に増えた

146枚のアイキャッチに英語のOCRを当てると、4枚が「文字あり」で止まりました。4枚とも、目で見ても文字はありません。

AIに画像を作らせるとき、この記事の前提ではタイトルや商品名を画像へ入れません。文字は後からHTMLで置くほうが直しやすいからです。ただ、プロンプトに「文字を入れない」と書いても、守られる保証はありません。そこで、生成した画像をOCRにかけて、英数字が読めたら捨てる検査を足しています。この検査が実際に効くのかを、ブログに置いてあるアイキャッチ146枚で確かめたのが今回の記録です。

環境は Raspberry Pi 5 の Linux、Tesseract 5.5.0、Python 3.13.5、ImageMagick 7.1.1-43 です。

最初の検査は英語だけだった

Tesseractには、読めた単語を位置と信頼度つきで返す tsv 形式があります。信頼度は0から100の数字で、高いほど「読めた」と自信があることを示します。--psm 11 は、行にならないバラバラの文字も拾うモードです。

最初に書いたのは、20行ほどの検査です。英数字3文字以上の語が、信頼度75以上で1つでもあれば「文字あり」にします。

最初の検査のコード(scan.py、全文)
import csv, re, subprocess, sys, time
from pathlib import Path
CONF = float(sys.argv[2]) if len(sys.argv) > 2 else 75
files = sorted(Path(sys.argv[1]).glob("*.webp"))
rows = []
t0 = time.time()
for f in files:
    out = subprocess.run(["tesseract", str(f), "-", "--psm", "11", "-l", "eng", "tsv"],
                         capture_output=True, text=True, timeout=60).stdout
    toks = []
    for line in out.splitlines()[1:]:
        c = line.split("\t")
        if len(c) >= 12 and re.fullmatch(r"[A-Za-z0-9]{3,}", c[11].strip()) and float(c[10]) >= CONF:
            toks.append(f"{c[11].strip()}:{float(c[10]):.0f}")
    rows.append((f.name, len(toks), " ".join(toks[:6])))
w = csv.writer(sys.stdout, delimiter="\t")
for r in rows:
    if r[1]: w.writerow(r)
print(f"files={len(files)} flagged={sum(1 for r in rows if r[1])} sec={time.time()-t0:.0f}", file=sys.stderr)

対象は、リポジトリの public/images/posts に置いた146枚です。

python3 scan.py public/images/posts 75
ai-ics-timezone-preflight.webp	1	noo:83
first-use-jargon-audit.webp	1	aft:77
hermes-agent-context-compression-operations.webp	1	SAN:84
hermes-agent-prompt-size-budget.webp	1	ull:78
files=146 flagged=4 sec=43

読めた語は noo、aft、SAN、ull。どれも単語になっていません。4枚を開くと、机とカレンダー、虫眼鏡と論理回路の記号、ノートと光の線、天秤とグラフが描いてあるだけ。文字は1つもありません。信頼度83や84が出ても、絵の模様を英字に見間違えたのです。

信頼度を50まで下げると、同じ146枚のうち29枚が止まりました。Cory、Wid、LAGS のような語が並びます。閾値を下げても、増えるのは誤警報だけ。

日本語を足したら、検査が黙って全部通した

次に気になったのは日本語です。日本語のタイトルを焼き込んだ画像が出てきたら、英語のOCRでは何も読めません。

追加の言語データは、Tesseractの公式リポジトリにあります。速さ重視の tessdata_fast から、日本語を作業用の tessdata ディレクトリへ置きました。

mkdir -p tessdata
curl -sSL -o tessdata/jpn.traineddata -w '%{http_code} %{size_download}\n' \
  https://github.com/tesseract-ocr/tessdata_fast/raw/main/jpn.traineddata
cp /usr/share/tesseract-ocr/5/tessdata/eng.traineddata tessdata/
200 2471260

検査の対象も用意しました。手元の画像1枚(ai-ics-timezone-preflight.webp)に、ImageMagickで文字を重ねた6つの見本です。

B=public/images/posts/ai-ics-timezone-preflight.webp
JP=/usr/share/fonts/opentype/noto/NotoSansCJK-Medium.ttc
mkdir -p v
magick $B v/f_none.png
magick $B -font $JP -fill white -pointsize 110 -gravity west -annotate +80-250 'SALE 50 OFF' v/a_latin_big.png
magick $B -font $JP -fill white -pointsize 22 -gravity west -annotate +80-250 'SALE 50 OFF' v/b_latin_small.png
magick $B -font $JP -fill white -pointsize 110 -gravity west -annotate +80-250 '読書記録テンプレート' v/c_jp_big.png
magick $B -font $JP -fill white -pointsize 90 -gravity west -annotate +80-250 'Notion 読書記録' v/d_mixed.png
magick $B -font $JP -fill '#2a3a5a' -pointsize 110 -gravity west -annotate +80-250 'SALE 50 OFF' v/e_latin_lowcontrast.png

f_none は何も重ねていない対照です。e_latin_lowcontrast は、背景の紺に近い色で文字を重ねています。-l jpn+eng と --tessdata-dir tessdata を足して、同じ検査に6枚を通しました。結果は、6枚すべてで空のリストです。

SALE 50 OFF を白で大きく重ねた a_latin_big.png まで空なのは、おかしい。英語だけの検査では ['SALE', 'OFF'] が読めていた画像なのに。

原因は、Tesseractを直接動かすとすぐ分かりました。nocfg は、eng.traineddata と jpn.traineddata の2ファイルだけを入れたディレクトリです。

tesseract v/a_latin_big.png - --psm 11 -l jpn+eng --tessdata-dir nocfg tsv
read_params_file: Can't open tsv
read_params_file: Can't open tsv
Estimating resolution as 1124
SALE 50 OFF

--tessdata-dir で指した先に configs/ ディレクトリが無いと、末尾の tsv が設定ファイルとして見つかりません。Tesseractは文句を標準エラーに出しただけで、普通のテキストを返します。この検査はそれをtsvとして読み、行を1つも拾えず、「文字なし」で通しました。検査が壊れたとき、結果が「問題なし」と同じ形になります。いちばん危ない壊れ方です。

/usr/share/tesseract-ocr/5/tessdata/configs を tessdata/ にコピーして直しました。あわせて、先頭行が level で始まるtsvでなければ検査を失敗にします。

日本語を足すと、横線が「ー」になる

設定を直して、146枚に日本語込みで当て直しました。1枚ずつの語と信頼度は、あとで閾値を動かせるようにJSONへ保存してあります。2文字以上の語が信頼度75以上で出た画像は、48枚でした。

英語だけの4枚の12倍。中身を見ると、ーー、ニニ、ンー のような語が目立ちます。AI画像に多い細い横線や、ターミナル風の小さな窓を、日本語の長音記号や「ニ」として読んでいました。hermes-agent-skill-bundles.webp では こっ や デーー が出ました。画像の中に、そう読める文字は見当たりません。

信頼度では、読み間違いを見分けられません。qr-code-print-size-error-correction.webp の ーー は91.9で、本物の文字に近い値です。

語ではなく、文字の数で数える

1語でも出たら止める方式は、やめます。では、何を数えるのか。信頼度80以上の語から、横線や記号に化けやすい文字を除いて、残った文字の総数を数えます。除く文字は、ー、ニ、二、ロ、ハイフン類、括弧、句読点など。

python3 check_no_text.py public/images/posts jpn+eng tessdata
echo "exit=$?"
checked=146 flagged=0
exit=0

146枚の文字数のばらつきは、次のとおりです。

文字数012345
画像の枚数1002312731

最大は5で、hermes-agent-skill-bundles.webp です。見ると、モニターの中に小さな端末の窓が2つあり、机の右にはノートが置いてあります。OCRはそこから、読めない文字風の線を拾っていました。キーボードの印字やノートの手書き風の線はありますが、見出しのように焼き込まれた文字はありません。

文字数が6以上なら「文字あり」にしました。6にした理由は、146枚の最大が5だったからです。次に、本当に文字を重ねた見本でも確かめます。

python3 check_no_text.py v jpn+eng tessdata
echo "exit=$?"
文字あり score=9 a_latin_big.png
文字あり score=10 b_latin_small.png
文字あり score=7 c_jp_big.png
文字あり score=6 d_mixed.png
checked=6 flagged=4
exit=1

白い大きな SALE 50 OFF、22ポイントまで小さくしたもの、日本語の 読書記録テンプレート、英日まじりの4枚は止まりました。止まらなかったのは、背景に近い色で重ねた e_latin_lowcontrast.png と、対照の f_none.png です。2枚とも文字数は3で、背景の模様を noo と読んだ分です。背景の紺に近い色で重ねた SALE 50 OFF は、OCRからは見えていません。

検査のコード(check_no_text.py、全文)
#!/usr/bin/env python3
"""画像に読める文字が焼き込まれていないかを、OCRで数えて確かめる。

使い方: python3 check_no_text.py 画像のディレクトリ 言語 tessdataのディレクトリ
終了コード: 0=文字なし / 1=文字あり / 2=検査そのものが成立しなかった
"""
import subprocess
import sys
from pathlib import Path

NOISE = set("ー—–-_|・ニ二ロ=<>\\/.,:;()[]{}~'\"`^*+!?")
CONF = 80   # 信頼度がこの値以上の語だけ数える
LIMIT = 6   # 意味のある文字がこの数以上なら「文字あり」


def score(path, langs, tessdata):
    cmd = ["tesseract", str(path), "-", "--psm", "11", "-l", langs,
           "--tessdata-dir", tessdata, "tsv"]
    r = subprocess.run(cmd, capture_output=True, text=True, timeout=120)
    lines = r.stdout.splitlines()
    if r.returncode != 0 or not lines or not lines[0].startswith("level\t"):
        raise RuntimeError(f"OCRの結果を読めません: {path.name}")
    total = 0
    for line in lines[1:]:
        c = line.split("\t")
        if len(c) < 12 or not c[11].strip() or float(c[10]) < CONF:
            continue
        total += sum(1 for ch in c[11] if ch not in NOISE and not ch.isspace())
    return total


def main():
    src, langs, tessdata = Path(sys.argv[1]), sys.argv[2], sys.argv[3]
    files = sorted(p for p in src.iterdir() if p.suffix in (".webp", ".png"))
    if not files:
        print(f"検査する画像が0枚です: {src.name}")
        return 2
    flagged = 0
    try:
        for f in files:
            s = score(f, langs, tessdata)
            if s >= LIMIT:
                flagged += 1
                print(f"文字あり score={s} {f.name}")
    except (RuntimeError, subprocess.TimeoutExpired) as e:
        print(f"検査できませんでした: {e}")
        return 2
    print(f"checked={len(files)} flagged={flagged}")
    return 1 if flagged else 0


if __name__ == "__main__":
    sys.exit(main())

壊れた入力で、ちゃんと失敗するか

最初の失敗が「黙って通した」ことだったので、壊れた入力でも確かめました。empty は空のディレクトリ、broken は画像ではないファイルを x.png として置いたもの(ok.png も同居)、nocfg は configs/ を持たない言語データのディレクトリです。

python3 check_no_text.py empty jpn+eng tessdata; echo "exit=$?"
python3 check_no_text.py broken jpn+eng tessdata; echo "exit=$?"
python3 check_no_text.py v jpn+eng nocfg; echo "exit=$?"
python3 check_no_text.py v jpn+eng /nonexistent; echo "exit=$?"
検査する画像が0枚です: empty
exit=2
文字あり score=7 ok.png
検査できませんでした: OCRの結果を読めません: x.png
exit=2
検査できませんでした: OCRの結果を読めません: a_latin_big.png
exit=2
検査できませんでした: OCRの結果を読めません: a_latin_big.png
exit=2

4件とも終了コード2で、「文字なし」の0にはなりません。新しいアイキャッチを足した147枚の検査は、Raspberry Pi 5で1分18秒でした。

まだ納得していないこと

6という閾値は、5と6の差ひとつで決めました。146枚の誤警報の最大が5、英日まじりの見本の正解が6です。余裕はほぼありません。今回は146枚の中に文字ありと判定される画像が無く、本物の焼き込み画像で閾値を測り直せていません。OCRが強く反応した上位7枚は目で確かめましたが、残りは目視していません。見本はImageMagickで作った6枚だけです。

背景に溶ける文字も、拾えていません。e_latin_lowcontrast.png は素通りでした。AIが背景の質感に混ぜて入れた薄い文字は、同じように素通りする可能性があります。この検査が弾けるのは、はっきり読める文字だけ。最後の網にすぎません。「文字を入れない」とプロンプトに書く運用や、公開前に画像を1回見ることの代わりにはなりません。

言語データは tessdata_fast だけで試しました。精度重視の tessdata_best なら、横線を「ー」と読む癖は減るのか。未確認です。

このアイキャッチ(新しい1枚)にも、同じ検査を当てました。結果は checked=1 flagged=0、終了コード0です。

出典

この記事をシェア