Tutorial Abby Recognition Server

Installation

Workflow

Trainingsdaten

Korrektur

Fehlermeldungen

[bearbeiten]

Tutorial Abbyy Recognition Server

Installation und Einrichtung des Recognition Servers

Hinweis: diese Dokumentation geht auf die nötigen Vorbereitungen und Besonderheiten bei der OCR der Zeitschrift Daheim (und ähnliche Digitalisate) ein, die in der Dokumentation des Abbyy Recognition Servers und der dazugehörigen Korrekturstation nicht beschrieben werden.

Die Einstellungen können so übernommen werden; das erspart Denk- und Arbeitszeit für spätere Nutzung weiterer Programmkomponenten.

Minimal notwendig sind:

• Server Manager
• Verification Station

Auswählen des Benutzerkontos

Die Dokumentation des Recognition Servers bezieht sich auf eine Windows-Domäne mit Windows-Netzlaufwerken. Sollen die OCR-Ergebnisse auf einem Windows-Netzlaufwerk gespeichert werden, so muss ein Benutzerkonto/User account ausgewählt werden, der Berechtigungen zum Zugriff auf das Netzwerk hat. Der lokale Benutzer hat diese Rechte nicht.

Es bietet sich an, das Netzwerkdienstkonto auszuwählen, da dieses über Berechtigungen zum Zugriff auf Netzwerkressourcen besitzt.

In unserem Fall handelte es sich um eine Novell-Domäne mit Novell-Netzlaufwerken. Das Speichern der OCR-Ergebnisse auf diesen Laufwerken war uns nicht möglich. Die Meldung im Recognition Server besagte, dass auf das Netzlaufwerk nicht zugegriffen werden konnte. Somit konnten die Ergebnisse nur auf dem lokalen ABBYY-Server gespeichert, und dann mit einem Synchronisationsprogramm auf ein Netzlaufwerk kopiert werden.

[bearbeiten]

Erstellen eines Workflows

Anlegen der Ordnerstruktur

Es empfiehlt sich, folgende Ordnerstruktur zur Kontrolle des Worflows anzulegen:

• _Input
  • Hier werden die zu erkennenden Scans eingefügt
• _Output
  • hier werden die Ergebnisse der OCR abgelegt

Den Ausgabeordner (hier Daheim) freigeben

• Rechtsklick auf den Ordner
  • Freigeben für -> erweiterte Freigabe
  • Erweiterte Freigabe
  • Haken bei Diesen Ordner freigeben setzen
  • Berechtigungen
    • Benutzer auswählen, die Zugriff darauf haben sollen

Diese Benutzer müssen auf dem Rechner, auf dem der Recognition Server läuft, angelegt sein und ein Zugang mit Passwort haben.

• Jeder entfernen
  • Hinzufügen
    • Erweitert
      • Jetzt suchen
      • Benutzer wählen
      • OK -> OK
    • Berechtigungen aktivieren
      • Ändern
      • Lesen

Die Ordner werden jetzt auf den Rechnern, auf denen die Korrekturstation installiert werden soll, als Netzlaufwerk eingebunden.

• Windows-Explorer öffnen
  • Extras
  • Netzlaufwerk verbinden
    • Laufwerksbuchstabe wählen
    • Pfad zum Recognition Server eingeben/auswählen
    • Verbindung bei Anmeldung wiederherstellen
    • Fertig stellen

Workfloweinstellungen

Zur Erklärung des Punktes "Entzerren":

Diese Option richtet das Bild anhand von Linien aus. Sind diese wie in diesem Beispielbild - die trapezförmige Daheim-Fahne - sieht die Ausgabe folgendermaßen aus:

Das Programm richtet die lange Kante der Fahne horizontal aus, da es diese als Referenz für die Ausrichtung ansieht. Daher sollte in solchen Fällen die Option Entzerren deaktiviert werden.

Qualitätskontrolle

Für Dokumente mit sehr einfachen Formatierungen (z.B. reiner Fließtext) und mit nur wenigen Abbildungen, kann Keine Überprüfung gewählt werden. Ein Beispiel für eine relativ unproblematische Seite:

Bei Dokumenten mit aufwändigeren Formatierungen sollte hingegen Alle Dokumente überprüfen gewählt werden, da sonst häufig die segmentierten Bildunterschriften entweder in den Fließtext mit einbezogen oder als separates Textsegment erfasst wird. Das bringt die Lesereihenfolge durcheinander. Ein Beispiel für ein komplexe Formatierung:

[bearbeiten]

Einbinden von Trainingsdaten

Neue Sprache in FineReader erstellen und dem Recognition Server übergeben

In dieser kann der Zeichensatz ausgewählt werden und nicht vorkommende Zeichen entfernt, z.B. das @-Zeichen. Dieses kommt in älteren Schriften nicht vor, wird aber hin- und wieder mal als solches erkannt.

Hierzu im FineReader folgendermaßen vorgehen:

• Optionen
• Werkzeuge
  • Sprachen
  • Neu
    • Eine neue Sprache anhand einer bestehenden erstellen
    • OK
    • Erweitert

Nun können unzulässige Zeichen eingetragen werden; direkt hintereinander ohne Leerzeichen oder andere Trennzeichen.

Trainingsdatei für Schriftzeichen erstellen

Erkennt der Recognition Server bestimmte Zeichen nicht, können diese mittels einer Trainingsdatei im FineReader erstellt, als .fbt-Datei exportiert und im Recognition Server importiert werden. Eine Testversion des FineReaders kann man auf der Abbyy-Seite herunterladen.

Zum Erstellen einer Trainingsdatei (Im Beispiel eine Frakturschrift) wählen Sie die Option Verwenden Sie das Training zum Erkennen neuer Zeichen und Ligaturen aus. Anschließend auf Seite erkennen klicken. Es öffnet sich der Mustertraining-Dialog.

Das M wurde hier nicht vollständig segmentiert, daher mit dem Doppelpfeil >> das Segment erweitern, bis es vollständig umschlossen ist. Anschließend auf Training klicken. Sollten Segmente über ein Zeichen hinaus ragen, so können diese analog mit dem Doppelpfeil << verkleinert werden.

Das Training kann jederzeit über die Schaltfläche Schließen beendet werden. Die trainierten Schriftzeichen können über

• Werkzeuge
  • Mustereditor

gesichtet, und deren Eigenschaften (Fett, Kursiv...) angepasst werden:

Um zu prüfen, ob die Erkennungsgenauigkeit mit der Trainingsdatei besser ist als ohne, kann man im FineReader schon mal einige Seiten mit und ohne den integrierten Mustern erkennen lassen.

Die Trainingsdatei kann im FineReader über

• Werkzeuge
  • OCR
    • Benutzerdefinierte Muster und Sprachen speichern

exportiert und hier dem Recognition Server übergeben werden:

[bearbeiten]

Besonderheiten der Drucktype Gothic

Nicht eingelesene Seitenzahlen

Sollte ein Textsegment, z.B. Seitenzahl, trotz Segmentierung nicht angezeigt werden, klickt man im linken Fenster mit der linken Maustaste doppelt auf das Segment. Jetzt sollte es im rechten Fenster erscheinen und der Cursor blinken. Nun kann die Seitenzahl eingetragen werden.

Einstellungen in der Korrekturstation

Rechtschreibprüfung

Diese führt in der Korrekturstation früher oder später zu Programmfehlern und zum Absturz. Alternativ kann eine txt-Datei als Wörterbuch im Recognition Server eingebunden werden. Diese wird mit UTF-16 angelegt und jedes Wort in eine eigene Zeile eingetragen.

Hinzugefügt wird es im Reiter 2 Verarbeitung.

Neue Textsegmente erstellen

Wenn ein neues Textsegment erstellt wird, so ist die Drucktype auf Default eingestellt. Dies schließt "normale" Drucktypen wie Antiqua ein. Sind jedoch andere Drucktypen, wie etwa Fraktur zu erkennen, muss die Drucktype jedes mal auf Gothic geändert werden.

Datei:D:\OCR\Dokumente\Wiki\Neue Textbox.png

Anschließend muss die Textreihenfolge noch kontrolliert und korrigiert werden.

[bearbeiten]

Fehlermeldungen...

treten auf bei:

• Benutzung der Zwischenablage (Copy & Paste)
• Benutzung der Rechtschreibprüfung
• Eher selten im laufenden Betrieb. Dann jedoch sollte die Korrekturstation komplett geschlossen werden, da sie sonst die gleichen Fehler immer wieder und hintereinander liefert.