kba / dh-2022-12-01

Hinter den Kullissen der Staatsbibliothek - Texterkennung/OCR

Demo 1 - Einfache und komplexe Workflows

METS URL

• Browsen nach https://digital.staatsbibliothek-berlin.de/werkansicht?PPN=PPN680203753
• Kopieren der METS-URL https://content.staatsbibliothek-berlin.de/dc/PPN680203753.mets.xml

Von METS zum Workspace

mkdir demo1
cd demo1
ocrd workspace clone https://content.staatsbibliothek-berlin.de/dc/PPN680203753.mets.xml

Welche Dateien sind vorhanden?

ocrd workspace find -k url -k mimetype -k fileGrp

Laden wir uns die Bilder herunter

ocrd workspace find --file-grp DEFAULT --download

Minimaler OCR-Workflow mit tesseract

Laden des GT4Hist Modells

ocrd resmgr download ocrd-tesserocr-recognize Fraktur_GT4HistOCR.traineddata

Workflow

Workflow-Dokumentation: https://ocr-d.de/en/workflows

ocrd-tesserocr-recognize -P segmentation_level region -P textequiv_level word -P find_tables true -P model Fraktur_GT4HistOCR -I DEFAULT -O OCR-D-OCR-TESS

ppn2ocr

Mit dem Skript ppn2ocr aus dem Projekt https://github.com/qurator-spk/ocrd-galley können Sie Werke der Staatsbibliothek "in einem Rutsch" mit voller Auflösung als OCR-D-Workspace herunterladen:

ppn2ocr PPN680203753

Komplexerer Workflow mit Calamari

Laden des GT4Hist Modells

ocrd resmgr download ocrd-calamari-recognize qurator-gt4histocr-1.0

Workflow

ocrd process \
  "skimage-binarize -I DEFAULT -O OCR-D-BIN2 -P method li" \
  "skimage-denoise -I OCR-D-BIN2 -O OCR-D-BIN-DENOISE -P level-of-operation page" \
  "tesserocr-deskew -I OCR-D-BIN-DENOISE -O OCR-D-BIN-DENOISE-DESKEW -P operation_level page" \
  "cis-ocropy-segment -I OCR-D-BIN-DENOISE-DESKEW -O OCR-D-SEG -P level-of-operation page" \
  "cis-ocropy-dewarp -I OCR-D-SEG -O OCR-D-SEG-LINE-RESEG-DEWARP" \
  "calamari-recognize -I OCR-D-SEG-LINE-RESEG-DEWARP -O OCR-D-OCR-CALA -P checkpoint_dir qurator-gt4histocr-1.0"

Vergleichen wir die Ergebnisse mit browse-ocrd

browse-ocrd mets.xml

Demo 2 - Evaluation von OCR-Ergebnissen

mkdir demo2
cd demo2

Laden wir uns ein Werk aus dem OCR-D-GT-Repo

OCR-D-GT-Repo: http://ola-hd.ocr-d.de

• Suchen nach luz
• Quick Export

unzip quick-export.zip
cd data

Tesseract Workflow

ocrd-tesserocr-recognize -P segmentation_level region -P textequiv_level word -P find_tables true -P model Fraktur_GT4HistOCR -I OCR-D-IMG -O OCR-D-OCR-TESS

Evaluation mit dinglehopper

ocrd-dinglehopper -I OCR-D-GT-SEG-LINE,OCR-D-OCR-TESS -O EVAL-DINGLE

CER und WER

{
    "gt": "OCR-D-GT-SEG-LINE/OCR-D-GT-SEG-LINE_0003.xml",
    "ocr": "OCR-D-OCR-TESS/OCR-D-OCR-TESS_0003.xml",

    "cer": 0.02749551703526599,
    "wer": 0.07924528301886792,

    "n_characters": 1673,
    "n_words": 265
}

Browser-Ansicht

Diff-View in browse-ocrd