Refine
Document Type
Has Fulltext
- yes (2)
Is part of the Bibliography
- no (2)
Keywords
- Digitalisierung (1)
- Digitalization (1)
- Double Keying (1)
- Double keying (1)
- Layout recognition (1)
- OCR (1)
- Structure recognition (1)
- Strukturerfassung (1)
- Text recognition (1)
- Texterfassung (1)
Language
- German (2)
Text- und Strukturerkennung sind bei Digitalisierungsvorhaben unerlässlich, um im Rahmen von Forschungsarbeiten Recherchen und Auswertungen auf effiziente Art und Weise zu ermöglichen. Eine Volltexterkennung inklusive der Erfassung von Strukturmerkmalen schreibt beispielsweise auch die DFG für Druckwerke ab Erscheinungsjahr 1850 folgerichtig verbindlich vor. Bei digitalisierten historischen Forschungsdaten ist darüber hinaus eine möglichst fein-granulare Strukturierung sinnvoll. Die Text- und Strukturerkennung ist damit eine umfassende Herausforderung und im Zuge eines Projekts muss entschieden werden, ob eine maschinelle Texterkennung (OCR) oder ein manuelles Erfassen der Texte (i.d.R. Double Keying) durchgeführt werden soll. Wichtige Faktoren sind hierbei die Güte der Text- und Strukturerkennung, Kosten, Nachnutzbarkeit usw. Anhand des DFG-Digitalisierungsprojekts "Aktienführer-Datenarchiv" (1870-2016) an der Universitätsbibliothek Mannheim sollen beide Methoden beleuchtet und ein Vergleich gezogen werden. In der ersten Projektphase (Erscheinungsjahre 1976-1999) wurde die Text- und Strukturerfassung mittels Double Keying-Verfahren durchgeführt, während in der zweiten Projektphase (Erscheinungsjahre 1953-1975) die maschinelle OCR und automatische Strukturierung für diese Aufgabe vorgezogen wird.
Automatisierte Optimierung und Strukturierung von OCR-Ergebnissen mit nachnutzbaren Werkzeugen
(2019)
Bibliotheken leisten einen wichtigen Beitrag zur Digitalisierung des kulturellen Erbes und ermöglichen Forschenden weltweit den Zugang zu diesen Werken. Textbasierte Dokumente werden häufig zusätzlich durch OCR (optical character recognition) erschlossen. Dies ermöglicht eine Suche nach Stichwörtern im gesamten Inhalt sowie weitere Analysemöglichkeiten. Vielen Bibliotheken fehlt es jedoch an Know-how und Werkzeugen, um optimale OCR-Ergebnisse zu erzielen oder weitere Strukturerkennungsschritte selbstständig auszuführen. Im Zuge des DFG-finanzierten Digitalisierungsprojekts "Aktienführer-Datenarchiv II" wurden mehrere softwaretechnische Werkzeuge entwickelt, um in einem einheitlichen Workflow sowohl den Umgang mit den OCR-Daten zu vereinfachen als auch die Ergebnisse zu optimieren. Unter anderem werden dabei die OCR-Ergebnisse durch die Kombination der Ausgaben mehrerer OCR-Engines verbessert und eine Strukturerfassung im Volltext, inklusive Tabellenextraktion, vorgenommen.In diesem Beitrag werden die entwickelten Lösungsansätze und Tools vorgestellt. Um sie für ähnliche Projekte nachnutzbar und anpassbar zu machen, sind alle Tools als Open-Source-Software verfügbar.