Goobi-Tag 2021 - Der intranda OCR-Service - Ein Entwicklungsupdate, Oliver Paetzel (intranda)

1. Der intranda OCR Service
Ein Entwicklungsupdate
1
Oliver
Paetzel,
intranda
GmbH
09.11.2021

2. Wer spricht da eigentlich?
2012: "Der Student" (Softwareentwickler) bei intranda
Ab 2014: Der ABBYY-OCR-Typ bei intranda
Ab 2018: Product manager Goobi workflow bei intranda
Ab 2018: Der intranda-OCR Typ bei intranda
Außerdem: Der machine learning Typ bei intranda
3
Oliver
Paetzel,
intranda
GmbH
09.11.2021

3. Worum wird es gehen?
1. Wie war das noch mal mit OCR?
2. Aktueller Status der OCR Pipeline / OCR Qualität
3. Durchsatz und Skalierung
4
Oliver
Paetzel,
intranda
GmbH
09.11.2021

4. Wie war das noch mal mit OCR?
1. Seitensegmentierung
2. Binarisierung
3. Zeilensegmentierung
4. OCR auf Zeilenbasis
5. Textflussanalyse
6. Ausgabeformate schreiben
5
Oliver
Paetzel,
intranda
GmbH
09.11.2021

5. Worum wird es gehen?
1. Wie war das noch mal mit OCR?
2. Aktueller Status der OCR Pipeline / OCR Qualität
1. Bessere Binarisierung
2. Verbesserungen an der Segmentierung
3. Neue OCR-Engine für (erstmal) Fraktur
3. Durchsatz und Skalierung
6
Oliver
Paetzel,
intranda
GmbH
09.11.2021

6. Bessere Binarisierung
7
Oliver
Paetzel,
intranda
GmbH
09.11.2021

7. Binarisierung: Tesseract
8
Oliver
Paetzel,
intranda
GmbH
09.11.2021

8. Bessere Binarisierung
9
Oliver
Paetzel,
intranda
GmbH
09.11.2021

9. Verbesserungen an der Segmentierung
10
Oliver
Paetzel,
intranda
GmbH
09.11.2021

10. Verbesserungen an der Segmentierung
11
Oliver
Paetzel,
intranda
GmbH
09.11.2021

11. Verbesserungen an der Segmentierung
12
Oliver
Paetzel,
intranda
GmbH
09.11.2021

12. Verbesserungen an der Segmentierung
13
Oliver
Paetzel,
intranda
GmbH
09.11.2021

13. Verbesserungen an der Segmentierung
14
Oliver
Paetzel,
intranda
GmbH
09.11.2021

14. Verbesserungen an der Segmentierung
15
Oliver
Paetzel,
intranda
GmbH
09.11.2021

15. Verbesserungen an der Segmentierung
16
Oliver
Paetzel,
intranda
GmbH
09.11.2021

16. Neue OCR Engine
https://commons.wikimedia.org/wiki/File:The_LSTM_cell.png CC BY 4.0
17
Oliver
Paetzel,
intranda
GmbH
09.11.2021

17. Resultate
18
Oliver
Paetzel,
intranda
GmbH
09.11.2021

18. Resultate
Vorher Nachher
zFeligions.
Delhi
zero bas 1 dem Hauvt/nece
zue :*
, - vassu: verabschiede“
ze. . Te Zxtraaien
ot - 8 6
„Ln „v , ua
6 ..
6.3 6bc -
eslions» als auc) *;*
verden»
„um Eintnt
Religions⸗Beschwerden.
desto baß zu vernehmen, dem Haupt⸗Reces zu⸗
geleget und angefuͤget.
So ist in diesem passu verabschiedet, daß
man so bald nach geschehener Extradition auf
den Augenschein zusammen kommen, denselben
und alle andere Motiven und Rationes. freund⸗
und friedlich mit einander zuerwaͤgen, undver
hoffentlich diese Jrrsalen in Guͤte accommoci⸗
ren,in Entstehung aber deren soll es dißfalls
wie oben Arriculo 8. versehen, so wohl der Po-
ellons- als auch Entstehung wegen gehalten
19
Oliver
Paetzel,
intranda
GmbH
09.11.2021

19. Worum wird es gehen?
1. Wie war das noch mal mit OCR?
2. Aktueller Status der OCR Pipeline / OCR Qualität
3. Durchsatz und Skalierung
20
Oliver
Paetzel,
intranda
GmbH
09.11.2021

20. Durchsatz und Skalierung
https://de.wikipedia.org/wiki/Datei:Trichtermodell_zur_Verdeutlichung_der_Theory-of-Constraints.PNG CC-by-sa 3.0/de
21
Oliver
Paetzel,
intranda
GmbH
09.11.2021

21. Situation vorher
22
Oliver
Paetzel,
intranda
GmbH
09.11.2021

22. Aufteilung in einzelne Services
Bildaufbereitung
Segmentierung
Binarisierung
Zeilensegmentierung / OCR
23
Oliver
Paetzel,
intranda
GmbH
09.11.2021

23. Skalierung der Services
24
Oliver
Paetzel,
intranda
GmbH
09.11.2021

24. Fragen?
25
Oliver
Paetzel,
intranda
GmbH
09.11.2021