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 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.
Ticketsysteme sind lebende Wesen
29.03.2020
Hier zunächst wieder eine Triggerwarnung: Dieser Artikel wird meine Meinung abbilden. es kann sein, dass sie dem einen oder anderen nicht gefällt - das ist mir aber egal. Und wenn hier irgendwelche Schneeflocken mitlesen, dann sind die selber schuld.
Weiterlesen...Android Basteln C und C++ Chaos Datenbanken Docker dWb+ ESP Wifi Garten Geo Go GUI Gui Hardware Java Jupyter JupyterBinder Komponenten Links Linux Markdown Markup Music Numerik OpenSource PKI-X.509-CA Präsentationen Python QBrowser Rants Raspi Revisited Security Software-Test sQLshell TeleGrafana Verschiedenes Video Virtualisierung Windows Upcoming...
Ich berichtete hier bereits über Experimente mit dem Clifford-Attractor, allerdings war ich noch Experimente unter geringfügig geänderten Parametern schuldig...
WeiterlesenEs wurde wieder einmal Zeit für ein neues Feature in meinem Static Site Generator mittels dessen ich ja auch meine Heimatseite im Zwischennetz gestalte und verwalte...
WeiterlesenEs kamen mehrere Faktoren zusammen: die Tatsache, dass ich nicht mehr ganz so kürzlich die 50 überschritten habe hatte ebenso darauf Einfluss wie das heutige trübe Wetter und auch der Fakt, dass ich bereits beinahe alle Wochenendpflichten erledigt habe. Der letzte Stein des Anstoßes war dann aber, dass sich heute zum 125. Mal der Geburtstag von Erich Fromm jährt.
WeiterlesenManche nennen es Blog, manche Web-Seite - ich schreibe hier hin und wieder über meine Erlebnisse, Rückschläge und Erleuchtungen bei meinen Hobbies.
Wer daran teilhaben und eventuell sogar davon profitieren möchte, muss damit leben, daß ich hin und wieder kleine Ausflüge in Bereiche mache, die nichts mit IT, Administration oder Softwareentwicklung zu tun haben.
Ich wünsche allen Lesern viel Spaß und hin und wieder einen kleinen AHA!-Effekt...
PS: Meine öffentlichen Codeberg-Repositories findet man hier.