Re: [InetBib] Alte Drucke und OCR

[Stefan Weil via InetBib <inetbib@xxxxxxxxxx>]

Am 17.05.20 um 07:28 schrieb Heino Speer via InetBib:

> Liebe Liste,
> ich habe den Eindruck, dass seit einigen Jahren bei der
> Digitalisierung von (auch älteren) Druckwerken ein OCR-Programm
> mitläuft und automatisch eine mehr/weniger brauchbare Transkription
> des Faksimiles liefert. Vor einiger Zeit bekam ich von einer
> wissenschaftlichen Bibliothek die Auskunft, dies sei ein Teil der
> Leistung, die Google bei Digitalisierungskampagnen erbringe, sie seien
> aber selbst nicht eingebunden.
> Weiß jemand, ob dies heute auch noch der Fall ist und welche
> OCR-Programme andernfalls von den Bibliotheken eingesetzt werden? Da
> ich mich in meinem Webportal (s. die URL's unten) seit Jahren mit der
> Volltextdigitalisierung (rechts-)historischer Quellen beschäftige,
> wüßte ich gerne mehr über die Hintergründe. Denn bei allem Nutzen, den
> diese ocr-erzeugten Texte hierfür haben: Die Nachbearbeitung ist immer
> noch äußerst zeitaufwendig und vielleicht gäbe es da ja
> Verbesserungsmöglichkeiten.
> Mit bestem Dank für jede Auskunft, gerne auch außerhalb der Liste.
> Heino Speer

Lieber Herr Speer,

inzwischen gibt es - auch unabhängig von Google - Software, die schon
sehr brauchbare Volltexte für Alte Drucke erzeugen kann.

Das ist genau das Ziel des DFG-Projektes OCR-D (https://ocr-d.de/).

Verwendet werden u. a. folgende Programme:

- ABBYY Finereader (kommerziell)

- Transkribus (kostenpflichtig, nur teilweise offen)

- Calamari, Kraken, Ocropy, Tesseract (Open Source), inzwischen auch in
Kombination mit OCR-D

Die UB Mannheim hat beispielsweise früher ABBYY verwendet und nimmt
jetzt Tesseract oder OCR-D, da die Erkennungsraten besser sind und keine
Kosten mehr anfallen. Auch Dienstleister, die bisher vornehmlich ABBYY
angeboten hatten, unterstützen zunehmend Open Source OCR.

Praktische Beispiele finden Sie z. B. hier:

- https://github.com/tesseract-ocr/tesstrain/wiki/GT4HistOCR (OCR für
15. bis 20. Jahrhundert)

- https://github.com/tesseract-ocr/tesstrain/wiki/ (weitere Beispiele
inkl. Handschriften)

Es gibt auch Bibliotheken, die ihre Digitalisierung einschließlich OCR
von Google machen lassen, leider mit dem Ergebnis, dass die Digitalisate
nicht mehr frei verwendbar sind. Google macht auch ungefragt OCR für
Bilder, die es beim Absuchen von Websites findet.

Mit freundlichen Grüßen

Stefan Weil