Refine
Document Type
Is part of the Bibliography
- no (8)
Keywords
- OCR (4)
- Texterkennung (2)
- Digitalisierung (1)
- Gruppenarbeit (1)
- HTR (1)
- Kitodo (1)
- Kraken (1)
- Lernen (1)
- Reichsanzeiger (1)
- Software (1)
Language
- German (8)
The presentation describes the current status and further plans for "OCR on demand", which was developed as part of the OCR-D implementation project "Integration of Kitodo and OCR-D for productive mass digitization" (2021-2023/24) at the Mannheim University Library.
With the support of the German Research Foundation (DFG), the SLUB Dresden, the UB Braunschweig and the UB Mannheim have integrated the OCR-D software toolkit into the digitization software Kitodo.Production and Kitodo.Presentation.
Kombinierte Lösungen im Bereich Digitalisierung/Texterkennung sind heutzutage sehr gefragt und versprechen einen großen Fortschritt für Digitalisierungsprojekte zu verschiedensten Kulturgütern. Besonders im Bibliothekswesen ist die automatische Erzeugung von Volltext bei der Digitalisierung historischer Drucke ein wesentliches Desiderat. Für die Verwaltung von Digitalisierungsworkflows ist Kitodo.Production ein weit verbreitetes Werkzeug. Diese Open-Source-Software unterstützt alle Schritte des Digitalisierungsprozesses und ist auch für automatische Texterkennung erweiterbar, wofür bisher nur Dienstleister mit priorietärer Software verfügbar waren. Doch gerade Open-Source-OCR hat sich in den letzten Jahren sehr dynamisch entwickelt und auf einem breiten Spektrum von Materialien einen qualitativen Sprung gemacht. Daher wurde entschieden, die ebenfalls freie Software OCR-D in Kitodo.Production zu integrieren. Diese kombinierte Lösung ermöglicht die flexible automatische Texterkennung für neue Digitalisierungen historischer Drucke sowie für bereits digitalisierte Bestände.
Gefördert durch die DFG, ist das oben beschriebene Integrationsprojekt eine Zusammenarbeit zwischen der SLUB Dresden, der UB Mannheim und der UB Braunschweig.
Die automatische Volltexterkennung erfordert neben technischen Lösungen den Aufbau und Erhalt von Kompetenzen rund um OCR in den Kulturerbeeinrichtungen. Das Hands-on Lab bietet daher einen Einblick in die Einsatzmöglichkeiten von OCR-D: Die UB Braunschweig, die SLUB Dresden und die UB Mannheim entwickeln eine OCR-D-Integration in Kitodo.Production. Wir zeigen, wie mithilfe von Kitodo zukünftig, abhängig von der erforderlichen Skalierbarkeit, optimale OCR-Workflows genutzt werden können. Zudem probieren wir eine entwickelte Lösung für OCR on Demand im DFG-Viewer aus. Die ULB Sachsen-Anhalt entwickelt ODEM (OCR-D Erweiterung für Massendigitalisierung) als eine niedrigschwellige, vollautomatische Lösung, auch um zu demonstrieren, wie OCR-D in hausintern entwickelte Digitalisierungsworkflows integriert werden kann. Besonderes Augenmerk liegt hier auf einer leichtgewichtigen Architektur, hoher Qualität auch für heterogene Sprach- und Schriftbilder und Anreicherung bestehender Metadaten. Das Projekt OPERANDI von SUB und GWDG Göttingen erhöht den Durchsatz unter anderem durch die Nutzung von Hochleistungsrechnern, Workflow-Parallelisierung, Zwischenspeicherung und Verbesserung der Prozessoren. Wir stellen die Architektur von OPERANDI vor und diskutieren Möglichkeiten, wie damit die massenhafte OCR der VD zentral geleistet werden kann. Schließlich probieren wir OCR4all aus, eine grafische Oberfläche für alle Aspekte eines OCR-Workflows, das im Rahmen des Projekts OCR4all-libraries der Universität Würzburg und des GEI Braunschweig auf die Verwendung von OCR-D-Komponenten umgebaut wird. Dank der intuitiven Benutzeroberfläche ermöglicht OCR4all den raschen Einstieg in OCR-D und Workflows können mit anderen Implementierungsprojekten hochskaliert werden. Die Teilnehmenden haben am Ende des Workshops einen Überblick darüber, wie sie OCR-D im eigenen Haus einsetzen können, und haben erste praktische Erfahrungen mit den vielfältigen Möglichkeiten der Texterkennung gesammelt
Egal, ob es sich um Citizen-Science-Projekte, ein Seminar zur Handschriftenkunde oder die eigene Ahnenforschung handelt: Schriftgut aus vergangenen Zeiten lässt sich oft nicht ohne Weiteres entziffern. Die Texterkennungs- und Transkriptionsplattform eScriptorium kann hier bei der Erschließung von historischen Quellen unterstützen. Dabei spielt es keine Rolle, ob es sich um eine Postkarte, eine historische Zeitung oder ein behördliches Dokument handelt. eScriptorium ist eine freie Open-Source-Alternative zu Transkribus, die sich auf dem eigenen PC oder Server betreiben lässt. Handschriftliche und gedruckte Texte können automatisiert oder manuell segmentiert und transkribiert werden. Segmentierung und Texterkennung lassen sich auch trainieren und die so neu erzeugten Modelle können weitergegeben werden. Die Universitätsbibliothek Mannheim betreibt seit Oktober 2021 eine eigene Instanz von eScriptorium und hat schon einige Projekte damit umgesetzt.
Beim Hands-On Lab erhalten die Teilnehmenden einen Einblick in das Tool und können die wichtigsten Funktionalitäten an eigenen oder bereitgestellten Dokumenten selbst ausprobieren. Notwendig dafür ist ein Laptop mit Internetzugang. So bietet das Lab auch Anfänger:innen einen spannenden Einstieg in die Welt der modernen Transkriptionsarbeit, von der Layouterkennung bis hin zur automatisierten Texterkennung. Bibliothekar:innen mit digitalisierten Altbeständen werden motiviert, diese – soweit noch nicht geschehen – mit Volltexten anzureichern.
Im Rahmen freier Kapazitäten sind auch Kurzentschlossene ohne vorherige Anmeldung herzlich willkommen.
Viele Bibliotheken und Archive digitalisieren ihre historischen Druckwerke und machen diese auch im Internet zugänglich. Aber erst mit durchsuchbarem Text, der auch maschinell weiterverarbeitet werden kann, wird der historische Schatz wirklich gut erschlossen, und Alte Drucke werden zu modernen Forschungsdaten. Wer dies erkannt hat, verlässt sich häufig noch auf einen externen Dienstleister für die automatisierte Texterkennung per Software – die sogenannte OCR ("optical character recognition", also optische Zeichenerkennung). Das Hands-On-Lab bietet die Möglichkeit, OCR einmal selbst auszuprobieren, auf dem eigenen Notebook die Software Tesseract zu installieren und damit erste Gehversuche zur automatisierten Texterkennung zu machen. Vorlage können mitgebrachte Scans von Seiten aus historischen Büchern oder Beispiele aus dem Internet sein. Fortgeschrittene Anwender erhalten einen Einblick in das Training neuer oder verbesserter Modelle für die Texterkennung. Tesseract entstand in den 80er Jahren, wird aber bis heute aktiv weiterentwickelt und gepflegt und gehört mit zu den leistungsfähigsten Produkten für OCR. So ist es auch eine wichtige Komponente von OCR-D, der Koordinierten Förderinitiative zur Weiterentwicklung von Verfahren für die Optical Character Recognition (OCR) der Deutschen Forschungsgemeinschaft (DFG). Die Universitätsbibliothek Mannheim hat im Rahmen von OCR-D Tesseract weiterentwickelt und ist eine der Pilotbibliotheken von OCR-D. Die dabei gemachten Erfahrungen werden ebenfalls kurz vorgestellt. Bitte eigenes Notebook (Windows, macOS oder Linux) mitbringen!
From image to text: Automated text recognition in historical prints with the free software Tesseract
(2019)
Immer noch gibt es viele Bibliotheken und Archive, die zwar schon ihre historischen Druckwerke auch digitalisiert im Internet zugänglich machen, dabei aber keinen Volltext anbieten. Aber erst mit durchsuchbarem Text, der auch maschinell weiterverarbeitet werden kann, wird der historische Schatz wirklich gut erschlossen, werden Alte Drucke zu modernen Forschungsdaten. Wer dies erkannt hat, verlässt sich häufig noch auf einen externen Dienstleister und traut sich nicht selbst an die automatisierte Texterkennung per Software, die sogenannte OCR ("optical character recognition", also optische Zeichenerkennung).Im Hands-On-Lab bekommt jeder Gelegenheit, auf dem eigenen Notebook die Software Tesseract zu installieren und damit selbst erste Gehversuche zur automatisierten Texterkennung zu machen. Vorlage können mitgebrachte Scans von Seiten aus historischen Büchern oder Beispiele aus dem Internet sein.Tesseract entstand in den 80er Jahren, wird aber bis heute aktiv weiterentwickelt und gepflegt und gehört mit zu den leistungsfähigsten Produkten für OCR. Deshalb steht es auch im Fokus eines der Modulprojekte von OCR-D, dem Koordinierungsprojekt zur Weiterentwicklung von Verfahren der Optical Character Recognition (OCR) der Deutschen Forschungsgemeinschaft (DFG).Bitte eigenen Notebook (Windows, macOS oder Linux) mitbringen!Für die bessere Planung wird um Anmeldung gebeten.
Kennen Sie die Verkehrsordnung für Luftschiffe? Möchten Sie historische Ereignisse wie den Mord in Mannheim nicht in Schulbüchern, sondern in der Tageszeitung von damals nachlesen? Oder suchen Sie historische Daten für Ihre Forschung? Mit der Allgemeinen Preußischen Staats-Zeitung erschien ab 1819 in Berlin eine staatliche Zeitung, die viele Jahrzehnte der deutschen Geschichte begleiten sollte und erst 1945 als Deutscher Reichsanzeiger und Preußischer Staatsanzeiger eingestellt wurde. In den amtlichen und nichtamtlichen Nachrichten sowie in diversen Beilagen wurden dabei ganz unterschiedliche Themen behandelt.Die Universitätsbibliothek Mannheim erschließt diese historische Quelle und bietet sie digitalisiert im Internet an. Seit Mitte 2017 ist erstmals auch eine Volltextsuche möglich.Zunächst war die Digitalisierung nur Nebenprodukt eines rechtshistorischen Forschungsprojekte S. Der enorme Umfang an Bilddaten erforderte die Einführung von JPEG2000 als Datenformat und die Weiterentwicklung des freien IIPImage Server S. Für die Texterkennung haben wir uns intensiv mit der ebenfalls freien OCR-Software Tesseract befasst. Dies sind nur drei Beispiele, wie der Reichsanzeiger inspirierend für die Bibliotheks-IT wirkt.
Seit Mai 2014 nutzen Studierende der Universität Mannheim für die Arbeit in Kleingruppen elektronische Arbeitsplätze mit PalMA. Der Name steht für „Präsentieren und Lernen (nicht nur) in Mannheim“ und bezeichnet eine Softwarelösung, die von der UB Mannheim speziell zur drahtlosen Verbindung mitgebrachter Geräte mit einem großformatigen Teammonitor entwickelt wurde. PalMA kann dank einer freien Lizenz auch von anderen Einrichtungen genutzt werden, und so gibt es inzwischen auch weitere Interessenten in Bonn, Freiburg, Heidelberg, Karlsruhe, Mannheim und Tübingen. Im Workshop wird PalMA aus Anwendersicht vorgestellt. Die Teilnehmerinnen und Teilnehmer können dabei mit ihren eigenen Geräten (Smartphones, Tablet-Computer, Notebooks mit WLAN) die Gruppenarbeit mit PalMA ausprobieren. Je nach Gerät können dabei Bildschirmfreigaben, Bilder, Präsentationen, Office-Dokumente oder Webseiten auf dem PalMA-Teammonitor angezeigt werden. (Session: Elektronische Arbeitsplätze für Bibliotheken mit der freien Softwarelösung PalMA; Raum: Prag; 29. Mai 2015: 09:00 Uhr - 10:30 Uhr)