Ich habe hier bereits verschiedentlich davon berichtet, wie ich versucht habe, mich dem Thema Optical Character Regognition (OCR) zu nähern. Nach einigen interessanten Diskussionen in den vergangenen Monaten habe ich jetzt ein damit in Verbindung stehendes Projekt aufgesetzt

Für meine Experimente benutze ich Tesseract. Diese Lösung existiert als fertige Anwendung und als Framework mit API, das man in eigene Projekte einbinden kann. NAchdem ich bereits einige Experimente mit der Anwendung gemacht habe, habe ich in den vergangenen Monaten mit dem Framework experimentiert. Dieses bietet die Möglichkeit, eingescannte Vorlagen zu analysieren und zum Beispiel zusätzlich zum erkannten Text auch die Koordinaten auszugeben, an denen der Text erkannt wurde - ergänzt um die Konfidenz.

Die Anwendung Tesseract kann .uzn-Dateien verarbeiten: Wird eine solche Datei gefunden, wird nicht das gesamte Bild verarbeitet, sondern nur die darin angegebenen Bereiche und Regionen.

Das neue Projekt auf Gitlab basiert auf dem Tesseract-Framework ist ein Editor zur Erstellung solcher Dateien: Ein Bild wird geladen und anschließend kann man auf dem Bild Regionen markieren, die in ihrer Gesamtheit als .uzn-Dateien gespeichert werden können.

Die eigentliche Idee war, dass damit Templates erzeugt werden können, die dann in einer Batchverarbeitung auf gescannte Dokumente angewendet werden - Anhand der Tatsache, für welche .uzn-Datei die meisten Regionen mit gefundenem und erkannten Text gefüllt werden könnte man dann eine KLassifikation nach Dokumentarten vornehmen und sie entsprechend in ein Dokumentenmanagementsystem (DMS) einfügen.

Man kann aber natürlich noch weitergehen und den aktuell vorhandenen Editor um eine direkte Anbindung zu einem DMS wie etwa Mayan erweitern. So könnte man sich dann einen Arbeitsablauf vorstellen, dass verschiedene .uzn-Dateien vorhanden sind - ein gescanntes Dokument wird geladen, die entsprechend korrekte .uzn-Datei ausgewählt und OCR dafür durchgeführt - die Regionen entsprechen den einzelnen Metadaten-Feldern und die gefundenen Inhalte werden als Metadaten zum archivierten Dokument direkt ins DMS abgelegt, indem entsprechende Funktionen der API des DMS benutzt werden.