特許ウォッチ

公開番号2025122675
公報種別公開特許公報(A)
公開日2025-08-22
出願番号2024018226
出願日2024-02-09
発明の名称画像認識装置、およびその方法
出願人Arithmer株式会社
代理人
主分類G06V 30/194 20220101AFI20250815BHJP(計算;計数)
要約【課題】画像認識を精度よく行う。
【解決手段】イメージファイルを読み取る複数のAI画像読み取り装置と、前記イメージファイルの画像読み取り機能を持った大規模言語モデルとを備え、前記イメージファイルを前記複数の読み取り装置で読み取った結果の複数の出力と、前記イメージファイルと、前記大規模言語モデルでの出力フォーマット指示とを入力して前記大規模言語モデル内で整合性を取って、前記イメージファイルの画像認識結果を前記大規模言語モデルから前記指示通りに出力する画像認識装置。
【選択図】図1
特許請求の範囲【請求項１】
イメージファイルを読み取る複数のＡＩ画像読み取り装置と、
前記イメージファイルの画像読み取り機能を持った大規模言語モデルと、
を備え、
前記イメージファイルを前記複数の読み取り装置で読み取った結果の複数の出力と、前記イメージファイルと、前記大規模言語モデルでの出力フォーマット指示とを入力して前記大規模言語モデル内で整合性を取って、前記イメージファイルの画像認識結果を前記大規模言語モデルから前記指示通りに出力する画像認識装置。
続きを表示（約 230 文字）【請求項２】
複数のＡＩ画像読み取り装置で同じイメージファイルを読み取り、読み取った結果を出力するステップと、
画像読み取り機能を持った大規模言語モデルに、前記複数の出力と、前記イメージファイルと、前記大規模言語モデルでの出力フォーマット指示とを入力して、前記大規模言語モデル内で整合性を取るステップと、
前記大規模言語モデルから前記イメージファイルの画像認識結果を前記指示通りに出力するステップと、
を備えた画像認識方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、画像認識装置、および方法に関する。
続きを表示（約 1,100 文字）【背景技術】
【０００２】
例えば、非特許文献１には、「Google CloudのDocumentAIを使用した請求書のOCR自動化手法と、ChatGPTを組み合わせたOCRデータ正規化及びJsonフォーマット形成の方法について説明しました」と記載されている。
【先行技術文献】
【非特許文献】
【０００３】
「請求書OCR自動化： Document AI + ChatGPT API で非構造化データを JSON で出力させる」https://recruit.gmo.jp/engineer/jisedai/blog/automated-invoice-ocr-with-chatgpt-and-documentai/
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、非特許文献１のシステムでは、簡単なフォーマットのＯＣＲは可能だが、複雑なフォーマットで、なおかつ、出力指示する項目名と同じ意味の帳票の項目名が異なって記載されている帳票等のＯＣＲには適していない。
【課題を解決するための手段】
【０００５】
イメージファイルを読み取る複数のＡＩ画像読み取り装置と、前記イメージファイルの画像読み取り機能を持った大規模言語モデルとを備え、前記イメージファイルを前記複数の読み取り装置で読み取った結果の複数の出力と、前記イメージファイルと、前記大規模言語モデルでの出力フォーマット指示とを入力して前記大規模言語モデル内で整合性を取って、前記イメージファイルの画像認識結果を前記大規模言語モデルから前記指示通りに出力することを特徴とする。
【発明の効果】
【０００６】
本発明によれば、画像認識を精度よく行うことができる。
【図面の簡単な説明】
【０００７】
本発明の実施形態に係る画像認識装置１０の構成を示す模式図である。
【発明を実施するための形態】
【０００８】
（１）画像認識装置の構成
【０００９】
図１は本実施形態に係る画像認識装置１０の構成を示す模式図である。便宜上、以下の説明において、画像認識の対象は、イメージファイルであるとする。
【００１０】
OCR1１２は、例えば、GoogleドライブのＡＩを使用したＯＣＲエンジンである。0CR2１３は、例えば、Microsoft（登録商標）のＡＩを使用したＯＣＲエンジンである。ＯＣＲ機能を持ったLLM１１は、例えば、GhatGPT4である。
（【００１１】以降は省略されています）

関連特許