• Treffer 1 von 1
Zurück zur Trefferliste

Tesseract: Turbo und Training

  • Im Zuge der Einrichtung eines modularen Digitalisierungsworkflows auf Basis von Open-Source-Komponenten wurden ausführliche Tests mit der offenen OCR-Software Tesseract durchgeführt. Da diese seit der Version 4.0 neuronale Netze verwendet, wie sie auch in kommerziellen Systemen zum Einsatz kommen, konnte im Vergleich zu früheren Versionen eine deutliche Verbesserung der Erkennungsraten beobachtet werden. Dies war für 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 kürzester Zeit die OCR durchlaufen muss: Aufgrund der stark wechselnden Segmentierung und Größe des Formats wird für die Texterkennung in der Regel mehr Zeit benötigt - da diese aber lediglich ein Zwischenschritt im Digitalisierungsprozess ist, müssen Ausgaben zeitnah bearbeitet werden, um den Projektplan einzuhalten. Für die Lösung wurden verschiedene Optionen, wie etwa eine Cluster-Lösung oder ein leistungsstarker Server mit einer separaten Lastverteilung in Betracht gezogen - diese Überlegungen und das Ergebnis werden vorgestellt.Das zweite Beispiel bezieht sich auf die umfangreichen Sammlungen des FID Nahost, für dessen arabische Titel bislang keine OCR mit zufriedenstellender Qualität geliefert werden konnte. Erste Tests mit den vorhandenen Trainingsdaten von Tesseract lieferten hier erfolgversprechende Erkennungsraten, die in der zweiten Förderphase des FID weiter verbessert und für 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 Bestände aus mehreren Jahrhunderten vorhanden sind, existieren vielfältige Problemstellungen mit hohem Bedarf an effektivem Training der Software. Dies erscheint mit Tesseract lösbar.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar
Metadaten
Verfasserangaben:Daniel Brenn
URN:urn:nbn:de:0290-opus4-163602
Titel des übergeordneten Werkes (Deutsch):TK 3: Content kuratieren / Texterkennung: aktuelle Entwicklungen (18.03.2019, 09:00 - 11:30 Uhr, M5 (Messehaus))
Dokumentart:Konferenzveröffentlichung (Vortragsfolien)
Sprache:Deutsch
Jahr der Fertigstellung:2019
Datum der Freischaltung:07.03.2019
Freies Schlagwort / Tag:Parallelisierung; Tesseract; nichtlateinische Schriften
Tesseract; non-Latin scripts; parallelisation
Themen:Digitalisierung, Langzeitarchivierung
Deutsche Bibliothekartage / BiblioCon:108. Deutscher Bibliothekartag in Leipzig 2019 = 7. Bibliothekskongress
108. Deutscher Bibliothekartag in Leipzig 2019 = 7. Bibliothekskongress / Themenkreise / Podium der Verbände / TK 3: Content kuratieren / Texterkennung: aktuelle Entwicklungen
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.