tesseractuzneditor

vorhergehende Artikel in: Java Komponenten Git(lab|hub)
10.06.2022

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 auf Gitlab 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.

Alle Artikel rss Wochenübersicht Monatsübersicht Github Repositories Gitlab Repositories Mastodon Über mich home xmpp


Vor 5 Jahren hier im Blog

  • Monte Carlo im Dungeon

    30.07.2017

    Der von mir neulich vorgestellte Dungeon-Generator war nur ein Schritt auf dem Weg: Ich wollte meine Studentenzeit aufleben lassen und einen Simulator bauen, in dem ich Monte-Carlo-Lokalisierung ausprobieren konnte...

    Weiterlesen...

Neueste Artikel

  • OpenSource - lieben, hassen - oder beides?

    Ich habe neulich zwei verschiedene Ideen verfolgt, die mich beide dazu brachten, OpenSource-Projekte mit meinem Input zu veredeln. Dabei sah ich, was schlecht an OpenSource-Projekten ist und warum deren Existenz trotzdem eine richtig gute Sache ist!

    Weiterlesen...
  • Links zu SNMP, Telegraf unf Grafana

    Nachdem die letzten Linksammlungen eher immer wilde Zusammenstellungen waren, die alle möglichen und unmöglichen Themen umfassten, hier nun eine thematisch eher enger begrenzte...

    Weiterlesen...
  • LinkCollections 2022 VIII

    Nach der letzten losen Zusammenstellung (für mich) interessanter Links aus den Tiefen des Internet für dieses Jahr folgt hier nunmehr die nächste:

    Weiterlesen...

Manche 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 GitHub-Repositories findet man hier.