AI-Hub

데이터 변경이력

데이터 히스토리

소개

옛한글을 자동으로 인식 및 판독하는, 인공지능 모델 개발에 필요한 대규모 OCR 데이터. 고문헌 및 고문서의 옛한글 이미지와 해당 이미지 내 개별 글자들을 바운딩 박스로 그리고 해당 영역 내 라벨링 정보로 구성된 JSON 파일을 쌍으로 구성하여 글자 수 기준 1천만 자 이상의 규모로 구축.

구축목적

한글로 생산된 고문서 및 고문헌은 우리 민족의 역사와 지식, 그리고 인류의 문화재를 담고 있는 중요한 기록 유산이다. 그러나 옛한글 자료 판독은 현재 극소수의 인력이 수작업으로 진행하고 있으며, 물리적 시간이 엄청나게 소요된다. 이를 극복하기 위해서는 옛한글 자료를 자동으로 인식하고 읽을 수 있는 시스템 개발이 요구되며, 인공지능을 학습시키기 위한 데이터셋 구축이 필요하다.

데이터 구축 규모
   - 옛한글 자료 이미지 45,872장과 이에 대응하는 JSON 파일 45,872개
   - 이미지에 포함된 글자 수는 아래와 같음

 데이터 분포
   - 생산 유형 분포

   - 주제 분포

저작도구 설명서 및 저작도구 다운로드

AI 모델 상세 설명서 다운로드

모델학습

• 구축된 옛한글 OCR 데이터는 학습용(Training), 검증용(Validation), 테스트용(Test)으로 80% : 10% : 10% 비율로 분리하여 제공하고 학습용 80% 데이터로 학습을 진행, 검증용 10%로 학습 도중 모델 성과 평가 등을 진행한다. 학습용 데이터 10%는 학습이 완료될 때까지 개봉되어서는 안 됨.

서비스 활용 시나리오

• 구축한 모델은 옛한글 자료를 검색하거나 실시간 텍스트로 제공할 수 있다.
• 옛한글 자료 검색
   - 옛한글 이미지 자료에 대한 OCR 작업의 전산화를 통해서 검색 엔진과 연계하여 옛한글 자료 이미지 내 본문 검색을 이미지와 함께 제공
• 옛한글 텍스트 인식 및 현대어 번역
   - 일반인들의 손에 들고 있는 스마트폰으로 어려운 옛한글 자료를 촬영하면 읽기 쉬운 텍스트로 제공하거나 현대어로 번역하는 실시간 서비스 제공 가능

데이터 성능 점수

설명서 및 활용가이드 다운로드

데이터 포맷
• 원천 데이터 특성

원천 데이터 특성

종류	내용
자료형태	디지털 이미지
원본형태	고문헌 / 고문서
생산 유형	목판본, 필사본, 활자본
원본제작시기	조선시대(15세기 중반~20세기 초반)
파일포멧	PNG/JPG
이미지색상	흑백, 컬러
규모	45,872개 (한면 또는 일부는 펼쳐진 양면 페이지 포함)
법률문제	저작권, 초상권, 개인정보, 민감정보 등 없음
예시이미지

{
   "Image_char_count" : 183,
   "Image_data_captured" : "2022-11-20",
   "Image_filename" : "목판본_004_상례초언해_002",
   "Image_height" : 3508,
   "Image_id" : 2,
   "Image_resoltion_dpi" : 96,
   "Image_width" : 2480,
   "Label_data_created" : "2022-09-15",
   "Licensor" : "디지털장서각",
   "Publication_author" : "미상",
   "Publication_category" : "기술 및 전문서류",
   "Publication_difficulty" : "B",
   "Publication_format" : "목판본",
   "Publication_id" : 4,
   "Publication_name" : "상례초언해",
   "Publication_period" : "미상",
   "Publication_place" : "미상",
   "Text_Coord" : [
      {
         "Bbox" : [ 1903, 545, 176, 140, 0, 0 ],
         "annotate" : "부"
      },
      {
         "Bbox" : [ 1912, 702, 158, 116, 0, 1 ],
         "annotate" : "모"
      },
      {
         "Bbox" : [ 1997, 857, 87, 100, 0, 2 ],
         "annotate" : "오"
      },
      {
         "Bbox" : [ 1978, 1001, 103, 117, 0, 3 ],
         "annotate" : "촌"
      },
          (하략)
}

데이터 구성

어노테이션 포맷

실제 예시

 "Image_char_count" : 183,
   "Image_data_captured" : "2022-11-20",
   "Image_filename" : "목판본_004_상례초언해_002",
   "Image_height" : 3508,
   "Image_id" : 2,

"Image_resoltion_dpi" : 96,
   "Image_width" : 2480,
   "Label_data_created" : "2022-09-15",
   "Licensor" : "디지털장서각",
   "Publication_author" : "미상",
   "Publication_category" : "기술 및 전문서류",
   "Publication_difficulty" : "B",
   "Publication_format" : "목판본",
   "Publication_id" : 4,
   "Publication_name" : "상례초언해",
   "Publication_period" : "미상",
   "Publication_place" : "미상",
   "Text_Coord" : [
      {
         "Bbox" : [ 1903, 545, 176, 140, 0, 0 ],
         "annotate" : "부"
      },
      {
         "Bbox" : [ 1912, 702, 158, 116, 0, 1 ],
         "annotate" : "모"
      },
      {
         "Bbox" : [ 1997, 857, 87, 100, 0, 2 ],
         "annotate" : "오"
      },
      {
         "Bbox" : [ 1978, 1001, 103, 117, 0, 3 ],
         "annotate" : "촌"
      },
          (하략)
}

데이터셋 구축 담당자

수행기관(주관) : ㈜엔에이치엔다이퀘스트

수행기관(참여)

데이터 관련 문의처