@misc{Brenn2019, author = {Brenn, Daniel}, title = {Tesseract: Turbo und Training}, series = {TK 3: Content kuratieren / Texterkennung: aktuelle Entwicklungen (18.03.2019, 09:00 - 11:30 Uhr, M5 (Messehaus))}, journal = {TK 3: Content kuratieren / Texterkennung: aktuelle Entwicklungen (18.03.2019, 09:00 - 11:30 Uhr, M5 (Messehaus))}, url = {http://nbn-resolving.de/urn:nbn:de:0290-opus4-163602}, year = {2019}, abstract = {Im Zuge der Einrichtung eines modularen Digitalisierungsworkflows auf Basis von Open-Source-Komponenten wurden ausf{\"u}hrliche Tests mit der offenen OCR-Software Tesseract durchgef{\"u}hrt. Da diese seit der Version 4.0 neuronale Netze verwendet, wie sie auch in kommerziellen Systemen zum Einsatz kommen, konnte im Vergleich zu fr{\"u}heren Versionen eine deutliche Verbesserung der Erkennungsraten beobachtet werden. Dies war f{\"u}r den Einsatz an der ULB ausschlaggebend. Im Vortrag wird anhand von zwei Beispielen dargestellt, wie Tesseract eingebunden wurde:Das erste Beispiel behandelt ein Zeitungsprojekt im Umfang von ca. einer Million Seiten. Die besondere Herausforderung stellt die große Menge an Material dar, das innerhalb k{\"u}rzester Zeit die OCR durchlaufen muss: Aufgrund der stark wechselnden Segmentierung und Gr{\"o}ße des Formats wird f{\"u}r die Texterkennung in der Regel mehr Zeit ben{\"o}tigt - da diese aber lediglich ein Zwischenschritt im Digitalisierungsprozess ist, m{\"u}ssen Ausgaben zeitnah bearbeitet werden, um den Projektplan einzuhalten. F{\"u}r die L{\"o}sung wurden verschiedene Optionen, wie etwa eine Cluster-L{\"o}sung oder ein leistungsstarker Server mit einer separaten Lastverteilung in Betracht gezogen - diese {\"U}berlegungen und das Ergebnis werden vorgestellt.Das zweite Beispiel bezieht sich auf die umfangreichen Sammlungen des FID Nahost, f{\"u}r dessen arabische Titel bislang keine OCR mit zufriedenstellender Qualit{\"a}t geliefert werden konnte. Erste Tests mit den vorhandenen Trainingsdaten von Tesseract lieferten hier erfolgversprechende Erkennungsraten, die in der zweiten F{\"o}rderphase des FID weiter verbessert und f{\"u}r die Nachnutzung bereitgestellt werden sollen. Grundlage liefern u.a. die umfangreichen GroundTruth-Daten von KrakenOCR. Da der FID neben Arabisch auch Titel aus anderen Sprachen sammelt und Best{\"a}nde aus mehreren Jahrhunderten vorhanden sind, existieren vielf{\"a}ltige Problemstellungen mit hohem Bedarf an effektivem Training der Software. Dies erscheint mit Tesseract l{\"o}sbar.}, language = {de} }