Schlagwort-Archive: OCR-BW

OCR-BW auf dem Südwestdeutschen Archivtag am 20.05.2022

Dieses Jahr ist OCR-BW auf dem 81. Südwestdeutschen Archivtag in Reutlingen vertreten. Die Veranstaltung widmet sich den Herausforderungen, mit denen Archive im digitalen Zeitalter konfrontiert sind.

Passend dazu steht Ihnen das Team von OCR-BW auf der dazugehörigen Fachmesse am 20.05.2022 in der Reutlinger Stadthalle für alle Fragen rund um die Anwendung von Texterkennungs- und Transkriptionssoftware zur Verfügung. Weitere Informationen zur Veranstaltung finden Sie unter: https://www.landesarchiv-bw.de/de/aktuelles/termine/73866.

Wir freuen uns, nach der Pandemie endlich wieder persönlich mit Ihnen ins Gespräch zu kommen!

Save-the-Date: 3. OCR-BW-Workshop am 22.06.2022

Der diesjährige Projektworkshop von OCR-BW findet am Mittwoch, dem 22. Juni 2022, an der Universität Mannheim statt. Die Veranstaltung wird in einem hybriden Format abgehalten, so können Interessierte sowohl vor Ort als auch vom eigenen Büro aus virtuell teilnehmen.

Neben Berichten des Projektteams der UB Tübingen und der UB Mannheim sind auch Vorträge von verschiedenen Wissenschaftlerinnen und Wissenschaftlern sowie Institutionen über deren Erfahrungen mit automatisierter Texterkennung geplant. Ergänzt wird das Programm durch praktische Hands-On-Sessions, die den Teilnehmerinnen und Teilnehmern einen Einblick in die praktische Anwendung von Texterkennungsprogrammen gewähren. Ein Thema des Workshops ist unter anderem der Einsatz von Texterkennungs- und Transkriptionssoftware in der Lehre.

Weitere Informationen zum genauen Ablauf des Workshops werden in den nächsten Wochen bekannt gegeben.

Einführung in die Transkriptionsplattform eScriptorium

Am Freitag den, 25.03.2022 um 11 Uhr findet eine kleine Einführung in die Arbeit mit der Transkriptionsplattform eScriptorium statt. Falls Sie gerne teilnehmen würden, senden Sie uns einfach eine Mail an larissa.will(at)uni-mannheim.de. Anschließend erhalten Sie einen Link zum virtuellen Veranstaltungsraum.

Wir freuen uns Ihnen eScriptorium in kleinem Rahmen vorführen und Ihre Fragen dazu beantworten zu können.

eScriptorium im Produktionsbetrieb

Inzwischen ist unser eScriptorium über die URL https://ocr-bw.bib.uni-mannheim.de/escriptorium/ erreichbar. Die neue Instanz läuft auf einem leistungsfähigen Server mit GPU-Unterstützung, was die Geschwindigkeit von Segmentierung, automatisierter Texterkennung und Modelltraining deutlich erhöht. Der produktiven Nutzung von eScriptorium steht somit nichts mehr im Weg.

Für die Erkennung von Frakturschrift des 19. Jahrhunderts haben wir mit Hilfe des Datensatzes „Austrian Newspapers“ ein Modell für die OCR-Software Kraken trainiert. Auf Basis dieses Frakturschriftmodells führten wir innerhalb von eScriptorium diverse Nachtrainings mit unterschiedlichen historischen Dokumenten der Universitätsbibliothek Tübingen durch. Eines der so erzeugten Modelle erzielt mit einer Zeichenerkennungsrate von 99,9 % (11 Fehler auf 9567 Zeichen) ein außerordentlich gutes Ergebnis. Auch die anderen Modelle erzielen mit Genauigkeiten von über 92 % sehr ordentliche Ergebnisse.

Sollten Sie Fragen oder Interesse an der Nutzung von eScriptorium haben, wenden Sie sich an Larissa Will unter: larissa.will(at)uni-mannheim.de.

Jahresrückblick 2021

Das Team von OCR-BW ist mit dem Projektverlauf im letzten Jahr durchaus zufrieden. Zahlreichen Einrichtungen wie der Badischen Landesbibliothek Karlsruhe, dem MARCHIVUM oder der Bibliothèque Nationale et Universitaire de Strasbourg konnte bei der voranschreitenden Digitalisierung und dem Umgang mit Texterkennung unter die Arme gegriffen werden. Auch einzelne Forschende von Universitäten wandten sich wiederholt an das Projektteam sowie auch immer wieder die interessierte Öffentlichkeit.

Im Bereich der Handwritten Text Recognition gab es in den letzten Monaten neue Entwicklungen. Während der Expert Client von Transkribus durch die READ COOP beständig weiterentwickelt wird und aufgrund seiner vielen Funktionalitäten sowie zufriedenstellenden Ergebnisse im Projektzusammenhang für die automatische Handschriftenerkennung auch das Mittel der Wahl bleibt, gibt es vielversprechende Weiter- und Neuentwicklungen, die eine einfachere Handhabung von Transkribus ermöglichen und neue Anwendungsszenarien eröffnen. Mit der Browserversion Transkribus Lite gestaltet sich Handhabung intuitiver und ist zudem auf die Grundfunktionen von Transkribus beschränkt, sodass Gelegenheitsnutzende nicht überfordert werden. Wenn das Material also nicht zu anspruchsvoll ist und die Texterkennung hauptsächlich als Lesehilfe dient wie z. B. bei Transkriptionen im Rahmen von Citizen Science Projekten, stellt Transkribus Lite eine gute Alternative dar. Zudem befindet sich aktuell eine API in Entwicklung, die eine schnellere Verarbeitung von großen Materialmengen hinsichtlich der automatischen Texterkennung ermöglichen soll.

Aber auch bei der Open-Source-Alternative eScriptorium hat sich einiges getan seitdem die UB Mannheim im November letzten Jahres ihre Testinstanz in Betrieb genommen hat. Momentan hat eScriptorium gegenüber Transkribus zwar noch einige Nachteile wie die erschwerte Usability oder die fehlende Möglichkeit zur Aufteilung von Trainingsmaterialien sowie der Beeinflussung von Parametereinstellungen oder Epochenzahl. Dies macht eine Reproduzierbarkeit bzw. Vergleichbarkeit der Ergebnisse der Texterkennung momentan schwierig. Prinzipiell bringt eScriptorium aber auch Vorteile mit sich wie die einfache Weitergabe von trainierten Modellen bzw. die Nachnutzung von Modellen, die in anderen Umgebungen trainiert wurden.

Auch softwaretechnisch hat das Mannheimer Team an eScriptorium gearbeitet. So gibt es jetzt neben der englischen auch eine deutsche Benutzeroberfläche (auch in der lokalen Version), um eventuell vorhandene sprachliche Hürden abzubauen. Mannheimer Entwickler stellen einige Verbesserungen bzw. Korrekturen sowohl für eScriptorium als auch für Kraken auf GitHub bereit (https://github.com/UB-Mannheim/escriptorium). Momentan arbeitet das Team daran, die Usability von eScriptorium weiter zu verbessern. In den letzten Wochen hat das Team bereits Dokumentationen in deutscher Sprache zur Benutzung von eScriptorium, zum Import von Daten aus Transkribus sowie zur lokalen Installation von eScriptorium erstellt.

Sollten Sie Interesse an der Installation bzw. der Nutzung von eScriptorium haben, zögern Sie nicht und wenden Sie sich an Larissa Will unter: larissa.will@bib.uni-mannheim.de.

Neues Jahr – Neue Herausforderungen

Das Projektteam wünscht allen ein frohes neues Jahr! Mit dem Jahr 2021 ist ein ereignisreiches Jahr für das Projekt OCR BW zu Ende gegangen. Welche Meilensteine das Projekt im letzten Jahr verzeichnen konnte, können Sie gerne im Jahresrückblick nachlesen. Das Team ist bereits tatkräftig in das neue Jahr gestartet und arbeitet weiterhin an einer verbesserten Usability von eScriptorium sowie dem Ausbau der OCR-BW-Homepage mit detaillierten Anleitungen zur OCR-Texterkennung.

Falls Interesse an eScriptorium besteht, können wir Ihnen Anleitungen in deutscher Sprache zur Nutzung von eScriptorium, zum Import von Daten aus Transkribus nach eScriptorium sowie zur lokalen Installation von eScriptorium (auch mit deutscher Benutzungsoberfläche) bereitstellen.

Sollten Sie Fragen haben, wenden Sie sich gerne an Larissa Will unter: larissa.will(at)bib.uni-mannheim.de.

Hinter den verschlossenen Türen des Senats der Universität Tübingen…

…geht es spannender zu, als man meine könnte: ein unwürdiger Zeichenlehrer (19r), Disziplinarmaßnahmen gegen Studenten (110r) und nicht zu vergessen der Skandal um die Antrittsrede des V-Vischers (107v). 

In dem jetzt mit Volltext zugänglich gemachten Band der Senatsprotokolle (Signatur UAT 47/28) mit der Laufzeit 1844-1847 befinden wir uns in einer Zeit, in der sich die Universität in ihrer heutigen Form herausbildete und begegnen vielen Personen, deren Nachnamen noch heute auf Straßenschildern in Tübingen zu finden sind. Der Wirkungskreis des Senats war zu damaliger Zeit deutlich weiter als heute und beinhaltete neben den üblichen administrativen Aufgaben wie die Neubesetzung von Professorenstellen, die Vergabe von Stipendien und Anträge auf Benutzung der Bibliothek z.B. auch Befugnisse der Gerichtsbarkeit, Patronatsrechte und Armenfürsorge.

Auf Grundlage von 214 Seiten Ground-Truth-Daten aus sieben Bänden des Zeitraums 1799-1847 wurde in Transkribus ein Texterkennungsmodell entwickelt, das im Durchschnitt eine Character Error Rate von 4,60 % erzielt. Das Material wurde nach Kriterien wie Schreibzeitraum und enthaltende Schreiberhände möglichst repräsentativ ausgewählt. Dieses Modell wurde auf die Seiten des Protokollbands angewandt und der erzeugte Text in die Präsentation des Tübinger OpenDigi integriert.

Testbetrieb der Transkriptionsplattform eScriptorium

Die zweite Projektphase läuft bereits auf Hochtouren. Seit Anfang November testen wir die Open-Source-Transkriptions-Plattform eScriptorium als mögliche Alternative zu Transkribus bezüglich der Texterkennung von Handschriften. eScriptorium ist Teil des französischen scripta-Projektes (https://www.psl.eu/en/scripta) und basiert technisch u. a. auf der OCR-Lösung kraken (http://kraken.re/). Gegenüber dem teilweise kostenpflichtigen Transkribus bietet eScriptorium interessante neue Möglichkeiten wie die freie Weitergabe von trainierten Modellen. Das Projektteam hat bereits zwei Modelle auf Basis historischer Dokumente der UB Tübingen trainiert. Um eScriptorium einem breiten Anwenderkreis näher zu bringen, wird bereits tatkräftig an einer benutzerfreundlichen Anleitung gearbeitet.

Tagebucheintrag von Martin Crusius

Falls Sie Interesse an der Nutzung von eScriptorium haben, können Sie sich gerne an uns wenden. Wir freuen uns auf Ihre Anfragen an Larissa Will unter der Mailadresse: larissa.will(at)bib.uni-mannheim.de.

Präsentationen des 2. Workshops von OCR-BW

Mit rund 35 Teilnehmenden war auch der zweite Workshop von OCR-BW gut besucht. Mit der Veröffentlichung der Vortragsfolien möchten wir allen Teilnehmern und Interessierten die Möglichkeit geben, sich in Ruhe mit den präsentierten Inhalten auseinanderzusetzen.

Zu Beginn des Workshops stellten die UB Mannheim und die UB Tübingen die Projektergebnisse aus den letzten beiden Jahren vor.

Darauf folgten vier vertiefende Vorträge:

Die Präsentation Werksspezifisches Training für ein historisches Werk am Beispiel der Weisthümer von Jacob Grimm ist ein Bericht über Ergebnisse aus dem Referendariatspraktikum von Fabian Voigtschild und Maria Nüchter an der UB Mannheim. Im Fokus stehen das Potenzial und die Einsatzmöglichkeiten von werksspezifischem Training für historische Drucke.

Neue Modelle dank GT-Aufwertung und Anreicherung von Jan Kamlah (Universitätsbibiothek Mannheim) präsentiert die Ergebnisse von neuen Tesseractmodellen für Fraktur- und historische Antiquaschriften und zeigt den Nutzen von Aufwertung und Anreicherung von bestehenden GT-Datensätzen auf.

Der Vortrag von Benjamin Rosemann und Elisabeth Klindworth vom Landesarchiv Stuttgart zu OCR im Archiv – Ein Blick in das FDMLab@LABW ist ein Werkstattbericht über die aktuellen Ergebnissen aus dem FDMLab Projekt.

Im Vortrag von Dorothee Huff (Universitätsbibliothek Tübingen) mit dem Titel Stangenware oder Maßanzug? Automatische Texterkennung von Handschriften mit spezialisierten und generischen Modellen in Transkribus geht es um das Training von werksspezifischen Modellen für juristische Konzilien (1602–1883) und wie gut schon geeignete Basismodell abschneiden.

Bei den drei Hands-on-Workshops stellte Jan Kamlah die graphische Oberfläche TesseractXplore für Tesseract vor. Stefan Weil zeigte, wie man mit einfachen Mitteln Volltexte für PDF-Dateien der Danziger Volksstimme und ihrer Vorgängerzeitung Volkswacht Danzig erzeugen kann, und Dorothee Huff demonstrierte in ihrem Workshop Funktionalitäten für Fortgeschritte von Transkribus.

Wir bedanken uns ganz herzlich bei den Referentinnen und Referenten für ihre Vorträge. Dank auch allen Teilnehmenden für ihr Dabeisein und das rege Interesse an den Themen.

Für Ihre weiteren Fragen stehen wir Ihnen natürlich gerne persönlich zur Verfügung.

Links zu den Präsentationen

Projektvorstellungen:
UB Mannheim
UB Tübingen

Vorträge:
Werksspezifisches Training für ein historisches Werk am Beispiel der Weisthümer von Jacob Grimm (Fabian Voigtschild und Maria Nüchter)
Neue Modelle dank GT-Aufwertung und Anreicherung (Jan Kamlah)
OCR im Archiv – Ein Blick in das FDMLab@LABW (Benjamin Rosemann, Elisabeth Klindworth)
Stangenware oder Maßanzug? Automatische Texterkennung von Handschriften mit spezialisierten und generischen Modellen in Transkribus (Dorothee Huff)

Hands-on-Workshops:
TesseractXplore (Jan Kamlah)
Volltexte für PDF-Dateien anhand der Volkswacht Danzig (Stefan Weil)
Advanced Funktionen von Transkribus (Dorothee Huff)