Refine
Document Type
Has Fulltext
- no (3)
Is part of the Bibliography
- no (3) (remove)
Language
- German (3)
Die Volltexterkennung von Digitalisaten ist heute eine wichtige Aufgabe von Bibliotheken, um die Durchsuchbarkeit von Texten und eine digitale Weiterverarbeitung der Inhalte zu ermöglichen. Ein frei verfügbares Tool zur Volltexterkennung ist die Open-Source-Software OCR-D, die seit 2014 von der DFG gefördert wird und die die Volltextdigitalisierung der historischen Bestände der VD 16, VD 17 und VD 18 realisieren wird.
Doch wie gut ist die gewählte Volltexterkennung eigentlich? Und welche OCR-Workflows eignen sich für das vorhandene Material am besten in Hinblick auf die Zeichenerkennungsrate oder den Durchsatz? Um diese und ähnliche 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 Qualitätsmerkmale[2] erfasst, sodass ein objektiver und schneller qualitativer Vergleich zwischen den verschiedenen Workflows möglich ist. Quiver bündelt darüber hinaus Erkenntnisse aus den OCR-Durchläufen über die Zeit und unterstützt bei der Suche nach einem optimalen Workflow.
Der Vortrag soll einen Überblick über Quiver geben und aufzeigen, wie es gewinnbringend bei der Volltexterkennung eigener Bestände mit der OCR-D-Software angewendet werden kann.
[1] https://ocr-d.de/quiver-frontend
[2] https://ocr-d.de/en/spec/ocrd_eval
Seit 2015 wird im DFG-geförderten Projekt OCR-D (Koordinierte Förderinitiative zur Weiterentwicklung von Verfahren der Optical Character Recognition) an Lösungen für die Massenvervolltextung von digitalisierten Beständen in Bibliotheken, insbesondere der Verzeichnisse der im deutschen Sprachraum erschienenen Drucke (VD), gearbeitet. Während in den ersten beiden Projektphasen die Entwicklung von Werkzeugen für alle Aspekte des OCR-Workflows im Vordergrund stand, ist der Fokus in Phase III von OCR-D (2021–2024) die Entwicklung von Lösungen für hohe Qualität bei hohem Durchsatz für die Massendigitalisierung, die in verschiedenen Kontexten und Infrastrukturen nachnutzbar sind. Auf dieser Grundlage arbeiten vier Implementierungsprojekte daran, OCR-D unter anderem in bestehende Lösungen wie Kitodo, OCR4all oder eigenentwickelte Digitalisierungsworkflows zu integrieren und den Einsatz von OCR-D auf Hochleistungsrechnern zu ermöglichen. Zudem arbeiten drei fortgeführte Modulprojekte daran, ausgewählte Workflowschritte zu verbessern, um die Genauigkeit der Volltexterkennung weiter zu verbessern.
Im Vortrag berichten wir vom aktuellen Stand des Gesamtvorhabens und geben einen Überblick über die aktuellen Entwicklungen rund um OCR-D. Wir gehen darauf ein, welches Potenzial die Weiterentwicklungen für Bibliotheken und ihre Nutzenden bieten, welche Herausforderungen noch bestehen und was das für die (Massen-)Digitalisierung der VD und sonstigen Bestände 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.
Die Bereitstellung qualitativ hochwertiger Volltexte ist eine Voraussetzung für die Erschließung umfangreicher bibliothekarischer Bestände und zugleich Grundlage für nachgelagerte Verfahren wie Normdatenverknüpfung oder automatische Sacherschließung. Während die Evaluation von OCR bislang meist als einmalige und rein manuelle Aktivität verstanden wurde, skaliert dieser Ansatz nicht für die Massenvolltextdigitalisierung. Stattdessen wird zunehmend Ground Truth (GT), d.h. manuell erstellte, qualitativ einwandfreie Transkription, für die OCR-Evaluation und darüber hinaus erstellt.
Die Nachnutzbarkeit von GT ist dann am höchsten, wenn bei der Erstellung Spezifikationen über Formate und Verfahren eingehalten werden. Zwar ist der Aufwand von GT-getriebener Evaluation substantiell höher als für einmalige manuelle Evaluationen (z.B. Bernoulli-Experiment); dies wird jedoch aufgewogen durch die sehr viel höhere Verlässlichkeit und Aussagekraft der ermittelten Zahlen.
Sowohl für Annotation und Repräsentation der GT als auch für die Auswertungsverfahren zur OCR-Evaluation sind weitere Standardisierungen notwendig. Darüber hinaus kann GT auch zum Training von OCR und Layoutanalyse sowie in nachgelagerten Aufgaben verwendet werden, wofür ebenfalls spezifische Anforderungen zu definieren sind.
Im Rahmen der DFG-Förderinitiative OCR-D wurden hierfür eine Reihe von Richtlinien entwickelt. Neben einer Überarbeitung 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 für OCR-Vorhaben gegeben.