Automatisierte Handschriftenerkennung: Das Projekt READ und die in seinem Rahmen entwickelte Plattform Transkribus

Menschen sind in der Lage, Handschriften zu entziffern. Wie sieht es bei den Maschinen aus? Können sie uns heutzutage diese Aufgabe komplett abnehmen oder ist es momentan noch nicht so weit? Über den Stand der Dinge zur automatisierten Handschriftenerkennung aus dem Kontext des Projekts READ berichtete im Rahmen des Kolloquiums Digital Humanities Tobias Hodel aus dem Staatsarchiv Zürich.

Handschriftenerkennung: Wozu der Aufwand?

Die Entzifferung von Archivdokumenten ermöglicht uns einen tiefen Einblick in die Vergangenheit. Millionen von Akten, die weltweit in unterschiedlichen Archiven in analoger oder digitaler Form aufbewahrt werden, verbergen unvorstellbare Mengen an Wissen und Erkenntnissen in sich.

Viele von diesen Dokumenten sind Handschriften. Wenn sie in digitaler Form zur Verfügung stehen, dann handelt es sich fast immer um die gescannten und als Bild werden sie in der Regel in einem unkomprimierten Format archiviert (z.B. TIFF) und z.B. als JPG zur Verfügung gestellt. Um Daten bloß aufzubewahren, ist das soweit in Ordnung.

Sobald mit diesen Dokumenten für Forschungszwecke gearbeitet wird, treten allerdings Schwierigkeiten auf. Man muss die Schrift verstehen, um mit den Handschriften arbeiten zu können, oder sie müssen von jemandem transkribiert und als lesbarer bzw. gedruckter Text zur Verfügung gestellt werden. Das bedeutet oft hohe Kosten und enormen Zeitaufwand.

Nicht nur der Lesbarkeit halber werden die Handschriften von Menschen für Menschen und Maschinen transkribiert. Transkribierte Texte, die in digitaler Form zur Verfügung stehen, können beispielsweise im XML-Format kodiert und für die Online-Editionen verwendet werden. So entsteht die Möglichkeit, in Dokumenten nach bestimmten Begriffen zu suchen, Ergebnisse zu filtern, bestimmte Daten zu visualisieren und interaktiv zu bearbeiten. Außerdem erlauben die transkribierten Texte die Durchführung von statistischen Auswertungen usw. Es spricht also viel für die Handschriftenerkennung.

Handschriftenerkennung: Mensch vs. Maschine

Bei der Erkennung der Texte müssen laut Tobias Hodel zwei Hauptfaktoren berücksichtigt werden. Der erste Faktor ist die Erkennung vom Layout. Das gestaltet sich in der Regel für Menschen als einfach. Wenn wir vor uns ein Blatt mit Textabschnitten und Einrückungen haben, erkennen wir dessen Struktur. Für Maschinen ist es jedoch schwierig, das Layout zu erkennen, zum Beispiel, wenn der Autor im Kreis geschrieben hat. Layoutanalyse ist ein Bereich, in welchem noch viel geforscht werden muss.

Der zweite Faktor ist die Handwritten Text Recognition (HTR). Hier geht es um die Erkennung des Textes selbst. Bei der Erkennung eines gedruckten Textes kommt der Mensch gut zurecht. Auch die Maschine liefert dank Optical Character Recognition (OCR) mittlerweile gute Ergebnisse.

Anders sieht es bei der Erkennung der handgeschriebenen Texte aus. Sowohl der Mensch als auch die Maschine haben damit gewisse Schwierigkeiten. Beide müssen zunächst die jeweilige Schriftart erlernen, um den Text entziffern zu können. Interessanterweise machen sowohl Menschen als auch Maschinen bei der Erkennung der Handschriften oft die gleichen Fehler. Der Mensch hat aber grundsätzlich einen Vorteil gegenüber der Maschine, da er nicht nur die Form der Zeichen, sondern auch ihre Bedeutung erkennen kann.

Die maschinelle Erkennung der Handschriften funktioniert prinzipiell ähnlich wie normales OCR, jedoch gibt es einige Unterschiede. So werden beim normalen OCR die einzelnen Zeichen eingelesen bzw. segmentiert, bei HTR aber nicht. Dies veranschaulicht die Abbildung 1.

Abbildung 1: Segmentation und segmentationsfreie Erkennung (Quelle: Präsentation Tobias Hodel)

Außerdem werden bei der HTR Algorithmen eingesetzt, die auf künstlichen  neuronalen Netzen basieren. „(Künstliche) neuronale Netze (engl. artificial neural networks) sind informationsverarbeitende Systeme, deren Struktur und Funktionsweise dem Nervensystem und speziell dem Gehirn von Tieren und Menschen nachempfunden sind“ (Kruse et al. 2015, 7).  Damit wird die Lernfähigkeit der Maschine gewährleistet.

READ

READ (Recognition and Enrichment of Archival Documents) ist ein “e-Infrastructure project funded by the European Commission and combines research, services and network building”. Das Projekt läuft bis Mitte 2019 und wird im Rahmen des H2020 Programms gefördert[1]. READ ist ein großes und ambitioniertes Projekt mit dem Ziel, den Zugang zu Archivdokumenten mit Hilfe innovativer Technologien wie beispielsweise Keyword Spotting (KWS), Automatic Writer Identification (AWI) und anderen zu revolutionieren. Das heißt, es handelt sich um die Automatisierung des Prozesses der Handschriftenterkennung für große Mengen an Dokumenten aus unterschiedlichen Epochen und in unterschiedlichen Sprachen. Dieses Ziel soll vor allem durch Transkribus, eine Plattform für die automatische Erkennung, Transkription und Durchsuchung historischer Dokumente, erreicht werden.

Transkribus

Transkribus ist Kernteil des Projektes READ. Es besteht laut Transkribus Wiki aus drei wesentlichen Komponenten: einem Expertenprogramm, einer Webseite und aus verschieden Diensten, die auf den Servern der Universität Innsbruck eingerichtet wurden. Alle Nutzerinnen und Nutzer können auf die Transkribus-Komponenten frei zugreifen.

Die Hauptkomponente der Plattform ist das Transkribus-Expertenprogramm. Diese Software ist Java-basiert und damit plattformunabhängig. Sie wird kostenlos zur Verfügung gestellt und kann nach der Anmeldung von der offiziellen Transkribus-Seite heruntergeladen werden. Abbildung 2 veranschaulicht die Oberfläche der Software.

Abbildung 2: Transkribus-Software (Quelle: Screenshot)

Wie aus der Benutzeroberfläche der Transkribus-Software entnommen werden kann, hat dieses Programm unterschiedliche Features. Die Transkribus-Software gilt mit ihren zahlreichen Funktionalitäten als gewöhnungsbedürftig. Doch stehen dem Nutzer/der Nutzerin ausführliche Anleitungen sowie das Transkribus-Team via Email als Hilfe zur Verfügung.

Die vereinfachte Beschreibung des Workflows bei der Verwendung der Transkribus-Software zur automatisierten Handschriftenerkennung sieht etwa so aus:

  • Zunächst müssen Trainingsdaten erstellt werden. Das heißt, es müssen die Handschriften manuell transkribiert werden. Dieser Prozess beinhaltet die Aufteilung des Dokumentes in einzelne Segmente wie Textabschnitte, Seiten und Zeilen sowie das Transkribieren selbst.
  • Danach muss das Transkribus-Team kontaktiert werden, welches das HTR Model basierend auf den transkribierten Dokumenten trainiert.
  • Anschließend kann die automatisierte Erkennung durchgeführt werden.

Transkribus: Qualität der Erkennung

Die Übung macht den Meister. Ähnlich sieht es bei der Transkribus-Software aus. Je mehr die Software trainiert wird, desto niedriger ist die Character Error Rate (CER). Aus der folgenden Abbildung 3 kann man einige Zusammenhänge erkennen.

Abbildung 3: Character Error Rate (Quelle: Präsentation)

Es wird deutlich, dass mit vielen Trainingsdaten eine sehr niedrige CER erreicht werden kann. Die CER gegen 0% ist allerdings (noch) nicht möglich.

Es ist häufig vom Einzelfall abhängig, welche Fehlerquote akzeptabel ist. Der Grenzwert, der für die Menschen normalerweise akzeptabel ist, liegt laut Tobias Hodel unter 10%.

Fazit

Das Projekt READ und die in seinem Rahmen entwickelte Plattform Transkribus beschäftigen sich damit, eine automatisierte Handschriftenerkennung zu ermöglichen und zu verbessern. Die Maschinen sind also zunehmend fähig, die Menschen bei der Handschriftenerkennung zu unterstützen bzw. diese Aufgabe zu übernehmen. Sie müssen allerdings vorher mit den Trainingsdaten gefüttert werden.

Die automatisierte Handschriftenerkennung durch Transkribus liefert mittlerweile relativ gute Ergebnisse. Fehler können bis heute jedoch noch nicht ganz vermieden werden.

 Quellen und weiterführende Information:

Kruse, R., Borgelt, C., Braune, C., Klawonn, F., Moewes, C., Steinbrecher, M. (2015). Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Wiesbaden : Springer Fachmedien Wiesbaden ; Imprint: Springer Vieweg

Offizielle Webseite des Projektes READ: https://read.transkribus.eu/

Offizielle Webseite der Plattform Transkribus: https://transkribus.eu/Transkribus/

Transkribus Anleitung: https://transkribus.eu/wiki/images/7/77/How_to_use_TRANSKRIBUS_-_10_steps.pdf

Transkribus Tutorial auf YouTube: https://www.youtube.com/watch?v=GjChcDExshU

Transkribus-Wiki Hauptseite: https://transkribus.eu/wikiDe/index.php/Hauptseite

Transkribus-Wiki Benutzeranleitung: https://transkribus.eu/wikiDe/index.php/Benutzeranleitung

Artikel über das Projekt READ: http://documents.icar-us.eu/documents/2016/01/forschungsprojekt-zur-automatisierten-handschriftenerkennung-soll-zugang-zu-historischen-archivdokumenten-revolutionieren.pdf

Zum Autor: Sviatoslav Drach absolvierte Zwei-Fach Bachelor Medienkulturwissenschaft und Informationsverarbeitung und studiert zurzeit Informationsverarbeitung als Ein-Fach Master an der Universität zu Köln. Er arbeitet als wissenschaftliche Hilfskraft beim CCeH (Cologne Center for eHumanities).

[1] http://documents.icar-us.eu/documents/2016/01/forschungsprojekt-zur-automatisierten-handschriftenerkennung-soll-zugang-zu-historischen-archivdokumenten-revolutionieren.pdf , abgerufen am 10.08.2017.


Ein Gedanke zu „Automatisierte Handschriftenerkennung: Das Projekt READ und die in seinem Rahmen entwickelte Plattform Transkribus“

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.