11. Unsere neue OCR Pipeline
(0) Neue Schriftarten trainieren
1. Seitensegmentierung
2. dewarp
3. Zeilensegmentierung
4. OCR auf Zeilenbasis
5. Textflussanalyse
6. Ausgabeformate schreiben
11
Oliver
Paetzel,
intranda
GmbH
25.09.2019
12. Neue Schriftarten trainieren
Hierfür haben wir unseren "OcrFontTranscriptor" entwickelt, mit dem wir eine
primitive "Schriftart"
erzeugen, um damit Texte zu setzen.
12
Oliver
Paetzel,
intranda
GmbH
25.09.2019
23. Unsere neue OCR Pipeline
(0) Neue Schriftarten trainieren
1. Seitensegmentierung
2. dewarp
3. Zeilensegmentierung
4. OCR auf Zeilenbasis
5. Textflussanalyse
6. Ausgabeformate schreiben
23
Oliver
Paetzel,
intranda
GmbH
25.09.2019
24. Seitensegmentierung
Unsere neue Seitensegmentierung sollte die Seite zuverlässig in folgende
Klassen segmentieren
können:
Textblöcke
Abbildungen
Rahmen
Außerdem sollten Leerseiten zuverlässig als solche erkannt werden.
24
Oliver
Paetzel,
intranda
GmbH
25.09.2019
28. Training
Wir haben mehrere Netzwerk-Architekturen ausprobiert.
28
Oliver
Paetzel,
intranda
GmbH
25.09.2019
29. Training
Wir haben mehrere Netzwerk-Architekturen ausprobiert.
Objekt-Detektoren waren zu ungenau für unsere Zwecke:
Single Shot Detector (SSD)
yolo v3
29
Oliver
Paetzel,
intranda
GmbH
25.09.2019
30. Training
Wir haben mehrere Netzwerk-Architekturen ausprobiert.
Pixel-labeler machen genau das was wir brauchen:
U-net
RU-net
30
Oliver
Paetzel,
intranda
GmbH
25.09.2019
31. Ergebnisse
Auf dem (auch synthetisch erzeugten) Validierungs-Set haben wir eine
Pixel-Genauigkeit von 99%.
31
Oliver
Paetzel,
intranda
GmbH
25.09.2019
52. Unsere neue OCR Pipeline
(0) Neue Schriftarten trainieren
1. Seitensegmentierung
2. dewarp
3. Zeilensegmentierung
4. OCR auf Zeilenbasis
5. Textflussanalyse
6. Ausgabeformate schreiben
52
Oliver
Paetzel,
intranda
GmbH
25.09.2019
53. Ausgabeformate schreiben
ALTO mit ausgezeichneten Abbildungen
TEXT
PDF kann aus ALTO und Bildern entweder in Goobi workflow oder im Goobi viewer erzeugt werden.
53
Oliver
Paetzel,
intranda
GmbH
25.09.2019
55. Was bringt es?
Auf unserem real-life Testset mit Bildern und Verzierungen: 15%
verbesserte character error rate
gegenüber baseline-Tesseract
Damit sind wir in diesem Testset nur einen Prozentpunkt schlechter als ABBYY.
55
Oliver
Paetzel,
intranda
GmbH
25.09.2019
60. Wie geht es weiter?
60
Oliver
Paetzel,
intranda
GmbH
25.09.2019
61. Wir sind noch nicht zufrieden
Die Baustellen werden sein:
1. Seitensegmentierung
2. dewarp
3. Zeilensegmentierung
4. OCR auf Zeilenbasis
5. Textflussanalyse
6. Ausgabeformate schreiben
61
Oliver
Paetzel,
intranda
GmbH
25.09.2019
62. OCR auf Zeilenbasis
Tesseract hat einige Vorteile:
Java-API
124 vortrainierte Sprachen
Es funktioniert jetzt
62
Oliver
Paetzel,
intranda
GmbH
25.09.2019
63. OCR auf Zeilenbasis
Tesseract hat aber auch einige Nachteile:
Der Trainingsprozess ist etwas seltsam
Es kann nur auf der CPU trainiert werden
Es werden maximal 4 Kerne für das Training benutzt
Ein Modell zu trainieren dauert gerne mal 2 Wochen
63
Oliver
Paetzel,
intranda
GmbH
25.09.2019
64. Der Zukunftsplan
Unsere Wunsch-Pipeline sieht folgendermaßen aus:
1. Seitensegmentierung
2. dewarp
3. (unsere) Zeilensegmentierung
4. OCR auf Zeilenbasis: Tesseract oder ein eigenes Tensorflow-Modell
5. Textflussanalyse
6. Ausgabeformate schreiben
64
Oliver
Paetzel,
intranda
GmbH
25.09.2019
67. Inkunabel-Modell
genannt liber de venenis Epidimie
oel Peſtilentialis. von der aller gru
ſameſten vnd ſchwerſten kranckheyt
das do iſt der gemeyn ſterbẽt an den
bülen / trüſen vnd blattern mit allen
iren zůfellen / punctẽ ·vñ grtickeln wie
in. zehelffen iſt / dz ich billich ſchuldig
bin zetůn / entpfangener gůtheit dan
ckbarkeit zů bewiſen / ſo verr mir das
zů wiſſen iſt · wan mã den frünt in noͤ
ten erkẽnẽ vñ bewerẽ iſt / vñ vermeyt
danckbarkeit zů bewiſen / wie wol ic
ſchuldig byn groſſe danckbarkeit dyr
Ddoch nit in mynem vermůgẽ oð wiſſẽ
iſt · Doch in ſollither hoffnũg allẽ ver
nünfftigẽmẽſchẽ dis myn cleyne lere
im beſtẽ vff zenemẽ / vñ hie mit vnge⸗
ccholtẽ die wirdigẽ vñ hochgelertẽ do
ctores in den fryen künſtẽ der artzen
deren diener vñ vndthenig ich all zit
bin / deren rath mã bill ich pflegẽ ſoll
ob mã die habẽ mag . Do aber die al
ten vñ aller gelertſtẽ doctores in der
artzeny offt gewichen vñ gflohen ſint
vnd volgẽ nach der lere des aller be⸗
rümpſtẽ vñ hoch gelertiſtẽ doctor vñ
phile ſophus in ð künſt der artzeny ge
nãt Gentũle der ein übertreffenlicher
artzot was in ſyner zit zů curieren vñ
zů vertriben den genantẽ breſtẽ / vil ð
land durch ziehẽ was den menſchẽ zu
erledigẽ / dar durch er geſchetzt ward
glich eim heilgẽ. des er in ſynen iung⸗
tagẽ ¶MCCCC nam dar durc
p̃t vᷣz ni beffers dar für were
das dz geton würd · Zů glicher wiſe
ſchribt Rolandus ſinem lieben fründ
meiſter Peter gwalandrum von par⸗
ma dem beſtẽ elund artzet von den
geſchwerẽ vñ apoſtemẽ ð peſtilentzen
Pcheilẽ / alſo die wyßheit würt geſpür
vñ bewert im end des wercks ob dyn
gemüet wiſfen iſt / ſo bedencke den vß
gang vñ nit den anfang. wã offt der
anfang glichet ſich dem honig ſüeße.
aber das end aller bitterſt iſt. Nym
war dz du dich vnd alles din huß ge⸗
ſynd ycht zerſtoͤreſt / ſo du begereſt zů
ſamlen dz gold zů diner narũg. Aber
ich bekenn dz dich hie zů me die gitig
keit dann die lieb bezwingt. O wie vil
füret die gitikeit derẽ anfang gůt iſt
zů eim boͤſẽ end / wz meynſtu zů gewin
nẽ in ð aller vnſeligſtẽ ſtatt die doch
aller müe vnd arbeit voll iſt. Jch ge
ite wan die peſtilẽtz regiert in vil lã
den den ertzten groß gab vñ myht ge
choͤckt würt. doch ſo wer beſſer. j. ſchil
ing on ſchadẽ dã ein ducate mit ſcha
den gewũnnẽ tc. Jn dynem ſchribẽ du
mich bitteſt dir zů ſchribẽ myn vñ an
dere erfarende lere võ den bewerteſtẽ
ertzten in eim kurtzẽ begriff ſo mirzů
handẽ / vñ ich in myner pracr: ca ĩ den
edlen ſtettẽ dar in peſtilentziſchẽ ziten
geweſen bin getriben vnd geübt hab.
gloub mir in ð warheit dz ich mich ð
practica nye gbrucht / ſunð allein myn
rath dar zů gebẽ hab / ſo ich doch gele
ret lüt in vnſern landẽ geſehẽ hab pra
cticieren mit ð hand in toͤdtlich ſcha⸗
den namen. nit clein wunder nympt
mich du nit ingedenckẽ biſt dyn vnd
dyns hußgeſinds / nit gibe dich in die
forcht des tods. foͤrchteſtu nit das von
menglich zů foͤrchten iſt · Als mã zalt
ccccciclxxiii . iar. wz ich in einer ſtatt
ar in ein eiſchroͤcklich peſtilẽtz regie⸗
ret / derẽ glichẽ ich vor nye geſehẽ oder
gloub geſehẽ werd. alle lieb vñ frünt⸗
ſchafft in den menſchẽ verloſchẽ was.
ſund alle vnbarmhertzikeit vñ grym
mikeit vff erweckt was Der nach
67
Oliver
Paetzel,
intranda
GmbH
25.09.2019
68. Inkunabel-Modell
buer verließ ſin nachbur. der brůder
ſin brůd. der man ſin frouw. die frow
iren man. der vatter vnd můter das
kindte wan die mẽſchẽ ſturbẽt nit al
leyn võ der peſtilentzẽ / ſund ouch on
notturfft vñ bantreichung die ſie nit
hettẽ / vñ noch vil boͤſer wz es das die
pfarrer vñ die brüder der bettel ordẽ
die ſiechẽ weð bicht hoͤrẽ noch bewarẽ
mit dem heiligẽ ſacramẽt wolten die
geſtorbenen lichnã nit ĩ ir gekoufften
greber begraben laſſen. So bald den
amptlütẽ für kã wie eĩ mẽſch geſtorbẽ
oð mit ð kranckheit behafft der von
ſtund do hin geordenet ward eĩ groſ
ſchar der knecht vñ ſchergen mit groſ
ſem wüeten vñ vngeſtemigkeit den
ſiechẽ vß dem huſezzů den heiligẽ gon
oder aber dar in verſchlieſſen / die ſelb
JZatt was ein metzig vnd mort ð men
ſchen / dar võ alle geſchlecht der vn⸗
küſcheit do getriben ward vñ vil an⸗
der vnmẽſchlicher ding nit not zů ſa
gen iſt. Jn der ſtatt würd ouch ſo vil
myßhandels dz weder mit mund vß
ſprechẽ / noch mit der federn zeſchril
iſt / die ſt att knecht den armẽ lüten ir
ſchwyn erſchlůgẽ vnd verkoufftentz·
die ſchwyn aſſent ſturbent · dar vmb
Jwpeftilenfffchẽ ziten fft dz ſchwynẽ
lp · ¶ afſe gů ſchai pen Jſo ich Jeroo
nimus ſolichs geleſen vnd ouch geſe
hen hab zů.in oder .iii / malen die aller
berůmſten ertzte diſer ſtatt in ſollichẽ
icht wichẽ moͤchtẽ / doch mir nit zwy⸗
felt zů diſer zit vnſer doctores dz mit
nichtẽ thůnd ob einer wich / die ander
blibent. Do iſt nit vnzymlich mit der
hilff des almechtigẽgotts mir võ di ⸗
ſer krãckheit etwas zů ſchribẽ. ſo doch
diſe krãckheit nit allein zů gehoͤrig iſ.
dem hiſico / ſunder ouch dem cyrur⸗
Aico dey die hantwůrckũg / dar zů tri
ben ſoll. wie wol billichei die gelertẽ
das detten die der kunſt wol beriecht
ſint / den mã billich folgen vñ irer ber
ffatt gebẽ ſoll ob ſie willẽ oð neygũg
dar zů habẽ woͤltẽ · Ob aber dz nit ge
ſchehe / vñ ſelber nach folgtẽzd gemey⸗
nen regel vñ ſicherſtẽ ler aller Zoctern
wie ich obgemeldt hab von gentille
vnd Zolando. hab ich mir für geſetzt
dis büechlt volendẽ / ſo etlich myn lie⸗
ẽ herrẽ vñ gůte günner mich gebettẽ
aben in vñ der gantzẽ cõmun etwas
dar võ zů ſchriben wiẽ clein oð wenig
dz were vff dz kurtzeſt doch vᷣſtendig
von den bewerteſtẽ vñ erfarendẽ mẽẽ
ſtern vñ doctern der ertzeny. wan lãc
matery dem leſer vnd lerendẽ vnuer/
tlich wer. ouch mich dz ſo kurtz an
Amen iſt. Vuch zů lieb den iungẽ an
gondẽ meiſtern vñ wũd ertzt vñ ſche
Xi we vñ wie ſie dar für laſſt vñ ſie
Zilẽ ſollẽt die apoſtemẽ. bubones. car
unculus vñ antracẽ vñ ð glichẽ / dar
durch ich in hoffnung bin ñun vñ zů
kiinfftigẽ zitẽ nutz entſpringẽ ſoll / vñ
begere võ menglich diſe myn arbeyt
in gůtẽ zů ſchibẽ / als ich es doch geton
NAb in gůter meynũg vnd vnueracht
Jie gelerten · ſander alleyn dzich mein
ſie do mit zů ſparen / wan ſie vil an⸗
ders groͤſſers vñ merers zů ſchaffẽ ha
ben / vnd in nit notturfft iſt ſich in ein
ollich arbeit zů legen / oð ſo gar licht
lich vnderwürffig machẽ / Aber in der
warheit in vil zůfellẽ diſer kraͤckheit
der phiſicus notulfftig iſt ſie zů erwwe
len ob man ſie haben nag wie ich ge
Prochen hab / dennocht iñ Gott d
err mit flyß zů bitten dem dohh
68
Oliver
Paetzel,
intranda
GmbH
25.09.2019
69. Inkunabel-Modell
wyſ hrit dem ſiechen die geſtnthert zů
verlyhẽ ir beider will zů volbringen.
Ye doch ſo will ich ſchribẽ vñ offẽbar⸗
vᷣõ allen zůfellẽ ſo wer mir dz küntlich
vñ zů wiſſen iſt / vñ will dz ſetzẽ vñ or
denierẽ in.v.txactet oð in. v ·teil / vnd
ein zedes teil oð tractet mit ſinen ſun
derůn capiteln die dem ſelbigen teil an
hangẽ vñ billich zů geeygnet ſint vñ
by eim yedẽ capitel die zal wo vñ wie
mã das ſůchen vnd finden ſoll.
ſEr erſt tractat. vcapiteln halt
N Jn welchen capiteln ich dir zegẽ
gM ſSckCc? CCCCChẽ
diẽ zůkünfftig peſtilentz. Am. jablat
sPEr ander tractact. vi · capitel
dD.hat in welchẽ capiteln dich lerẽ
bin die menſchẽ zů behüetẽ in
den ziten ſo die peſllentz regiert .iiij.
ggEr deitt tractat · cap · hat Jn
Pwelchẽ capiteln ie lerẽ dis
d wie dem mẽſchẽ zehelffen iſt den
gle peſtilentz an kũmen iſt. am · xxii
Er. Mil. tractat .iii. cap. hat · in
dwelchen capiteln ich vndwiſen
kbin von heilung der apoſtemẽ
drüſen / peſtilen tz / carbuͤculen vñ an
trax / das allein dem cfrurgico zů ge⸗
goͤret. An dem. xxviii · blat.
gQ⸗?ĩcCxr . vnd der letſt tractat / in
Lvᷣ⸗ tractat dich lerẽ bin ein
vᷣEvᷣd Ekurtzẽ begriff alle punctẽ vnd
arlickeln uün gãtzẽ bůch gemelt vff ðr
der kranck durch verzug des ſůchẽs
nit toͤdtlich ſchaden neme. xxxv ·
Je.wcapitel des erſtẽ tractats
d Von der offenbarũg d peſtilen
tzen was ſie iſt / wo võ ſie kũpt
vnd zůkünfftig erkennen iſt.
Das erſt capitel ſagen iſt was die pe
ſtilentz iſt · Sůch am erſten blatt.
Das cap ſagẽ iſt wo von die peſti
lentz kimpt. am. iaamc.ij ·blatt .
Das. ni capi wie mã erkennẽ ſoll die
zůkünfftig peſtilentz. anyij · lai
Dz.. ii. cap. eb die peſtilentz zů erbẽ
oder zů fliehen iſt. Am .iij · blat
Das. w. Cap· an welchen enden vnd
tetten den menſchẽ die peſtilentz an
dupt .· An dem .ii. blat. y·
· Wy Je. wl.cap. des and ern tractat
M ?CCCC?C?ÿ?⸗ du den mẽſchẽ
Cr Ybewaren biſt in der zit ſo die pe⸗
ſtilentz regieren iſt. Anniiii ·
Sas capitel wie du dich mit gott
verſoͤnen ſolt. am.iiiobla
Sas ar. cap wie man ſich hüten vnd
alten ſoll in ð zit ð peſtilẽtzẽ. am. v.
ſTas. w. cap. wie du erkẽnẽ kanſt ob
der mẽſch mit dem gebreſtẽ behafft ſy
oder nit. Am. vibblat Ss
Das . mi · wie ſich zehaltẽ ſy in der
it der peſtilentz. am vie ·
Das. wccap. wie mã ſich haltẽ ſoll in
der zit ð peſtilentzẽ mit effen / trinckẽ /
ſchlaffen vnd wach en am. viit
Jů dem erſtẽ võ eſſen vñ trinckẽ in ei
ner gemeyn. Am · vii blatt.f.
Ztzm andn vom fleiſchMam i
Zum drittẽ võ vnðſcheit des gebrat⸗
tes vnd geſottes an iy·
Zum vierdẽ võ ſoſſen vñ ſpyßwurtzẽ
An dem · ixcblatt.
Jnman V · von der milch. am · x ·
Jum. vz. von viſchen.am .x. blat .
Zum .ii. von früchten vnnd oͤbs zů
nützen; An dem. ycblatm
Jum · viii . võ dem tranck des mẽſchẽ
A dem .xj . blatt
Zum .ix. von ſchlaffen vñ wachẽ. xiy.
Zum . x. von arbelẽ vñ růwẽ · xi ·
Sum xi. von zůfell der ſelen vñ des
gemüets am vii ·
Zů dem · xii. vã vnküſcheit. am · xiiz
69
Oliver
Paetzel,
intranda
GmbH
25.09.2019