@misc{WeidlingBaierer2024, author = {Weidling, Michelle and Baierer, Konstantin}, title = {Quiver: Die Qualit{\"a}t von OCR-D-Workflows messen}, series = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, journal = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, year = {2024}, abstract = {Die Volltexterkennung von Digitalisaten ist heute eine wichtige Aufgabe von Bibliotheken, um die Durchsuchbarkeit von Texten und eine digitale Weiterverarbeitung der Inhalte zu erm{\"o}glichen. Ein frei verf{\"u}gbares Tool zur Volltexterkennung ist die Open-Source-Software OCR-D, die seit 2014 von der DFG gef{\"o}rdert wird und die die Volltextdigitalisierung der historischen Best{\"a}nde der VD 16, VD 17 und VD 18 realisieren wird. Doch wie gut ist die gew{\"a}hlte Volltexterkennung eigentlich? Und welche OCR-Workflows eignen sich f{\"u}r das vorhandene Material am besten in Hinblick auf die Zeichenerkennungsrate oder den Durchsatz? Um diese und {\"a}hnliche Fragen zu beantworten, hat das OCR-D-Team das Tool Quiver[1] entwickelt. Es vergleicht exemplarisch Workflows zur Volltexterkennung miteinander, indem es sie auf unterschiedliche Ground Truth, d.h. manuell annotierte korrekte Transkriptionen, aus dem VD-Bestand anwendet. Das Ergebnis der Volltexterkennung wird dann mit der Ground Truth verglichen und die vom OCR-D-Projekt spezifizierten Qualit{\"a}tsmerkmale[2] erfasst, sodass ein objektiver und schneller qualitativer Vergleich zwischen den verschiedenen Workflows m{\"o}glich ist. Quiver b{\"u}ndelt dar{\"u}ber hinaus Erkenntnisse aus den OCR-Durchl{\"a}ufen {\"u}ber die Zeit und unterst{\"u}tzt bei der Suche nach einem optimalen Workflow. Der Vortrag soll einen {\"U}berblick {\"u}ber Quiver geben und aufzeigen, wie es gewinnbringend bei der Volltexterkennung eigener Best{\"a}nde mit der OCR-D-Software angewendet werden kann. [1] https://ocr-d.de/quiver-frontend [2] https://ocr-d.de/en/spec/ocrd_eval}, language = {de} } @misc{HinrichsenBaiererNeudeckeretal.2023, author = {Hinrichsen, Lena and Baierer, Konstantin and Neudecker, Clemens and Boenig, Matthias and Weidling, Michelle}, title = {OCR-D f{\"u}r die Massendigitalisierung: Projektstand und Ausblick}, series = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, journal = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, year = {2023}, abstract = {Seit 2015 wird im DFG-gef{\"o}rderten Projekt OCR-D (Koordinierte F{\"o}rderinitiative zur Weiterentwicklung von Verfahren der Optical Character Recognition) an L{\"o}sungen f{\"u}r die Massenvervolltextung von digitalisierten Best{\"a}nden in Bibliotheken, insbesondere der Verzeichnisse der im deutschen Sprachraum erschienenen Drucke (VD), gearbeitet. W{\"a}hrend in den ersten beiden Projektphasen die Entwicklung von Werkzeugen f{\"u}r alle Aspekte des OCR-Workflows im Vordergrund stand, ist der Fokus in Phase III von OCR-D (2021-2024) die Entwicklung von L{\"o}sungen f{\"u}r hohe Qualit{\"a}t bei hohem Durchsatz f{\"u}r die Massendigitalisierung, die in verschiedenen Kontexten und Infrastrukturen nachnutzbar sind. Auf dieser Grundlage arbeiten vier Implementierungsprojekte daran, OCR-D unter anderem in bestehende L{\"o}sungen wie Kitodo, OCR4all oder eigenentwickelte Digitalisierungsworkflows zu integrieren und den Einsatz von OCR-D auf Hochleistungsrechnern zu erm{\"o}glichen. Zudem arbeiten drei fortgef{\"u}hrte Modulprojekte daran, ausgew{\"a}hlte Workflowschritte zu verbessern, um die Genauigkeit der Volltexterkennung weiter zu verbessern. Im Vortrag berichten wir vom aktuellen Stand des Gesamtvorhabens und geben einen {\"U}berblick {\"u}ber die aktuellen Entwicklungen rund um OCR-D. Wir gehen darauf ein, welches Potenzial die Weiterentwicklungen f{\"u}r Bibliotheken und ihre Nutzenden bieten, welche Herausforderungen noch bestehen und was das f{\"u}r die (Massen-)Digitalisierung der VD und sonstigen Best{\"a}nde bedeutet. Dazu gehen wir auf das Gesamtvorhaben ein sowie auf unsere Implementierungs- und Modulprojekte und geben einen Ausblick, wie es mit OCR(-D) in Kulturerbeeinrichtungen weitergehen wird.}, language = {de} } @misc{BoenigHartwigWeidlingetal.2023, author = {Boenig, Matthias and Hartwig, Uwe and Weidling, Michelle and Baierer, Konstantin and Neudecker, Clemens}, title = {Moderne Standards bei der Erstellung und Evaluation von Volltextdaten}, series = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, journal = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, year = {2023}, abstract = {Die Bereitstellung qualitativ hochwertiger Volltexte ist eine Voraussetzung f{\"u}r die Erschließung umfangreicher bibliothekarischer Best{\"a}nde und zugleich Grundlage f{\"u}r nachgelagerte Verfahren wie Normdatenverkn{\"u}pfung oder automatische Sacherschließung. W{\"a}hrend die Evaluation von OCR bislang meist als einmalige und rein manuelle Aktivit{\"a}t verstanden wurde, skaliert dieser Ansatz nicht f{\"u}r die Massenvolltextdigitalisierung. Stattdessen wird zunehmend Ground Truth (GT), d.h. manuell erstellte, qualitativ einwandfreie Transkription, f{\"u}r die OCR-Evaluation und dar{\"u}ber hinaus erstellt. Die Nachnutzbarkeit von GT ist dann am h{\"o}chsten, wenn bei der Erstellung Spezifikationen {\"u}ber Formate und Verfahren eingehalten werden. Zwar ist der Aufwand von GT-getriebener Evaluation substantiell h{\"o}her als f{\"u}r einmalige manuelle Evaluationen (z.B. Bernoulli-Experiment); dies wird jedoch aufgewogen durch die sehr viel h{\"o}here Verl{\"a}sslichkeit und Aussagekraft der ermittelten Zahlen. Sowohl f{\"u}r Annotation und Repr{\"a}sentation der GT als auch f{\"u}r die Auswertungsverfahren zur OCR-Evaluation sind weitere Standardisierungen notwendig. Dar{\"u}ber hinaus kann GT auch zum Training von OCR und Layoutanalyse sowie in nachgelagerten Aufgaben verwendet werden, wof{\"u}r ebenfalls spezifische Anforderungen zu definieren sind. Im Rahmen der DFG-F{\"o}rderinitiative OCR-D wurden hierf{\"u}r eine Reihe von Richtlinien entwickelt. Neben einer {\"U}berarbeitung der DFG-Praxisregeln Digitalisierung im Hinblick auf OCR werden Richtlinien zur Erstellung von GT entwickelt. Auch dazu, wie GT nachhaltig und vielseitig anwendbar disseminiert werden sollte, werden Best Practices kommuniziert. Diese und weitere Aspekte der Standardisierung rund um OCR werden im Vortrag diskutiert und auch praktische Empfehlungen f{\"u}r OCR-Vorhaben gegeben.}, language = {de} }