Input/Output Java + OCR ? Erfahrungen und bitte um Hilfe

[mac21]

Hallo zusammen,

leider muss ich das beliebte Thema "OCR unter Java" wieder aufgreifen...
Viel zu lesen, entschuldigt...

Ich versuche, Fahrzeugscheine ("Zulassungsbescheinigung Teil1") von einem Scan zu digitalisieren.
Nach dem ich die Einträge hier im Forum gelesen habe [somit fällt wohl euer erster Tipp weg ] und mich auch per Google schlau gemacht hab, hätte ich gerne noch eine Meinung von euch dazu.

Begonnen habe ich mit "Asprise OCR", was aber kostenpflichtig ist, und mit der "Free-Trial-Demo" konnte ich nicht viel anfangen.
Durch die Suche auf Google stieß ich auf "oscarklee-javaocr", die Texterkennung erfolgt durch den vergleich eines Vorlagenbildes (zb mit A-Z,a-z,0-9) mit dem Scan.
Obwohl ich verschiedene Scans versucht habe, 200dpi, 300dpi jeweils in s/w und Farbe, wurden Buchstaben falsch erkannt. Zahlen funktionieren super!
Da im Fahrzeugschein die Schriftart "Courier new" verwendet wird (meiner Meinung nach muss das diese Schriftart sein, habs mehrmals verglichen), "bastelte" ich auch eine neue Vorlagendatei in dieser.
Zahlen werden nach wie vor super erkannt, doch die Buchstaben sind eine Katastrophe. N oder H, O oder o, manchmal überspringt er ganze "Teile" eines Wortes. Aus 17ECAN65 wurde "17E65", da sich die Serifen von "CAN" "berühren" und "CAN" somit als EIN Zeichen erkannt wird, welches nicht in der Vorlagendatei auftaucht.
Durch längeres stöbern hierzu wurde ich auf einen Post aufmerksam, in dem von "oscarklee-javaocr" abgeraten wird, man solle lieber "Tesseract" bzw. in meinem Fall "Tess4J" verwenden.

Eclipse auf, neues Projekt, Jar-Dateien als Bibliotheken eingebunden, Erstellungspfad angepasst, externe DLL geladen,
alles kein Problem.
Test von Tess4J
lief einwandfrei!
Lese ich den Fahrzeugschein im ganzen ein (egal ob S/W- oder Farbscan) kommt nur quark raus.

Überlegung: Zerlegen des Scheins in Zonen, wie beim "Zone OCR".
Also schnell ein paar einzelne Zeilen herausgeschnitten, Erkennung viel besser als bei "oscarklee",

Jedoch taucht nun ein neues Problem auf:
Aus "PERSONENKRAFTWAGEN" wird nun nicht "PERNKFTWAN" (wie in oscarklee javaocr) sondern
"P ERS O N ENKRAFT WAGE N" zwar sind alle Zeichen da, aber mit Leerzeichen.
ReplaceAll(" ","") wäre Quark, da ich in manchen Zeilen die Leerzeichen benötige.

Habt ihr nun Idee, Erfahrungen, Vorschläge oder Projekte für mich, die mich evtl etwas weiter bringen könnten?

 

[taro]

Du könntest zum Beispiel mit Wortlisten arbeiten. Ich habe allerdings keine Ahnung, inwiefern das bei dir praktikabel ist.

Testweise hatte ich vor geraumer Zeit einmal mit https://code.google.com/p/tesseract-ocr/ ein wenig rumgespielt und war eigentlich recht zufrieden - auch wenn es keine direkte "Java-Einbindung" gibt, lässt sich der Prozess recht gut automatisieren und die Ergebnisse mit wenig Aufwand in Java weiterverarbeiten.

 

[mac21]

Hallo taro,

vielen Dank für die Antwort,
Guter Vorschlag! Aber Wortlisten sind leider nicht sinnvoll, da es sich um Fahrzeugscheine handelt... die Einzigen lesbaren Worte sind wohl der Name und Autohersteller, vllt noch ein paar kleine Zusätze. Aber das meiste sind "unlogische" (für den PC) Wörter aus Ziffern und Buchstaben...

ich las in einem Forum, dass Tess4J nur ein Wrapper für Java ist, der auch Tesseract aufbaut. Die DLLs, die verwendet werden, sind die gleichen. Also frage ich mich, ob sich da viel ändert, wenn ich direct Tesseract benutze...

Zwar habe ich nun, entgegen meines Statements, alle Leerzeichen aus den Ausgabestrings gelöscht, jedoch sind immer noch typische Fehler wie "N = H, 0 = O, I = l" vorhanden... Laut der Seite von Tess4J soll es eine Trefferquote von 95% geben...
Die haben wohl ein "Wort" aus 95 x "U" und 5 x "H" genommen... "U...NNNNN" kam raus --> passt schon...
Leider habe ich gerade so die Basics drauf, in ein Project andere Jar-Bibliotheken oder DLLs zu laden.

 

[taro]

Lass deine Scans doch einmal direkt durch Tesseract laufen und schau, was er dir denn da ausspuckt.

Wichtig ist, das die Scans in einer relativ hohen Auflösung vorliegen (Optimal sind 600 dpi)

 

[mac21]

Done.
Ähnlich wie bei der Verwendung von Tess4J scannt er nur die Linke spalte, in der die Infos zum Fahrzeughalter stehen.
Die Details in der mittleren und rechten Spalte wurden nicht bearbeitet.
Hier der Output (Daten wurden teilweise durch xxxxx zensiert)

Zulassungsbescheinigung Teil I l
(Fahrzeugschein) N

1~m—K-0-212/14-ooo45|

Européiische Bundesrepublik ‘
Gemei uuhaft Deutschland

XXXXXXXX <MEINE STRAßE>
XXXXXXXX <PLZ und Ort>

EIG. * LUNG: ZEI E1300-0033*DATUIflUR

Permiso de circulacién. Earle/I; Osvédéeni 0 registracia Cisï¬ I / | — -
Re istrerin satte t. e e isxreerimistunnistus. sa
R gmsm Kg;Lot4)()S;J{';1dI'I|L<;rE7rngLr\](1r|Kn') Iéwpmmg. M700; I / P I / | 0 0 O 0 6 0
' t t" rt ’cat . rt rt‘ ‘c t ’Immatr' tio . art‘
egl(%a|:z«1'ciiri1é:iSct)||azIoE1e. Sane I /eReK§isatr2cijas aplilggilia. |r.‘da|a /le | 0 0 0 0
Regtstracljos Iiudijimas. I dalis / Forgalmi engedély. !. Rész /
Certrï¬kat ta’ Registrazzjuni. L»| Parti / Kentekenbewujs‘ Dee! I / 8 —
Dowéd Rejestracyjndy. Cw? I t/ lcsrlgiï¬cadto dedmatlricuta. gaultle/I / |
0 d‘ ' ' e ii. a ' rome no ova 'en'e. e _
S‘!/Zeek(i:setr;|reé:Itei:rlJdisntxs. Ossa ll Registreringsbevjxsei. Del I 0 0 9 0 0 5 0
AAmt|i:hes Kennzeichen I S (J) 1 5 5 3 7 8 S
ND D179 | | PERSONENKRAFTWAGEN l55R13 783
(1.1 Name oder Firmenname [ "
, XXXXXX<Mein Name> 1 R ROT
1 K _
c.1.2 Vornamekn) 1 BENZ IN 6 .. 17
‘ 2‘ —
c.1.3Anschrm I ZU 18-20:B.1690*ZUG:BIS 1075*ZU .‘1:1470 BIS 8PROZ.ST

[1j;';:,‘:u“nï¬ W09 . 2015 NEUBURG A . D . Donmu]
L - ' 31.07.2014

C.4c Der lnhaber der Zulassungsbescheinigung wird nichl als Eigentiimer des
Fahrzeugs ausgewiesen. N

EDIT: Ich habe scans mit 200 dpi, 300 dpi getestet, mehr ist uns leider nicht möglich
Farbe oder S/W juckt die meisten OCR-Programme nicht, Tess4J zB wandelt alle eingaben eh in S/W um...

 

[taro]

in welchem Format liegen dir die scans vor?

Die besten Ergebnisse habe ich im Allgemeinen mit RAW-Tiffs - die schlechtesten mit jpg ...

Grüße
Sven

 

[mac21]

da muss ich ehrlich zugeben, bisher habe ich PNG und JPG getestet.
Das eigentliche Programm soll später PDFs einlesen.
(Wobei ich PDF zu PNG/JPG konvertieren kann).

Muss erst gucken, mit wie viel DPI und in welchen Formaten ich Scannen kann, in meiner Testumgebung.
Ich find das heraus und gebe dir bescheid.

Danke für die Hilfe

 

[mac21]

Haben 2 Scanner (also MFCs):
der eine scannt mit JPGs mit 150 oder 200 DPI
der andere scannt PDFs mit 150, 200 oder 300 DPI.
Nur wenige der "freeware" OCRs lesen PDFs, das eine Programm benötigt sogar GhostScript.
Wenn ich ein PDF mit 300 DPI zu TIFF konvertiere, vorausgesetzt, dass das geht,
verliere ich dann an Qualität?

 

[taro]

Die Frage ist, in welchem Format die Grafik in dem PDF eingebettet wird - oftmals verwenden diese Geräte eine Kompression, um die Dateigröße möglichst gering zu halten - dies ist natürlich genau das, was du nicht willst.

Ich kann dir aus Erfahrung sagen (jährlich eine 6-stellige Zahl von OCR-Dokumenten), dass genau solche Dateien am meisten Probleme bereiten.

 

[mac21]

Ah okay, verstehe.
An sowas dachte ich leider gar nicht.

Habe dir auf deine Nachricht zurück geschrieben.

Naja und selbst wenn wir das nicht besser hinbekommen... muss ich eben mit leben...
dann wird einfach jedes "wort" in ein eigenes Textfeld eingelesen, muss zur Not manuell korrigiert werden.

 

[mac21]

Hey taro,

vielen Dank für den Tipp mit der DPI-Zahl.
Habe nun folgendes versucht:
300 dpi, 600 dpi, 1200 dpi
jpg, bmp, tif
s/w, graustufen (fehlerstreuung), echte graustufen, 24bit-farbe

und einfach mal den ganzen tag gescannt
ALLE kombinationen...

Ergebnis: Alle mit "fehlerstreuung" kannste für OCR wegwerfen
"LEIDER" bekomme ich mit 300 DPI die "besten" Ergebnisse, mit der höchsten Trefferquote.
600 und 1200 sind so groß, dass TESS4J / Tesseract die farbigen Kringel im Hintergrund als Buchstaben und Zahlen sieht...
bei 300 DPI hat er diese Wohl ignoriert, weil zu klein.

Durch die versch. Farboptionen habe ich versucht, die Hintergrundmuster auszumerzen
--> Lief nicht so wie ich gedacht habe.
Auch das setzen eines Filters in Tess4J, wonach nur "schwarztöne" als Buchstaben erkannt, und farbiges ignoriert wird , funktionierte nicht wie erwartet.
Ergebnis ist ehrlich noch schlechter als mit 300 dpi...

Teilweise wurden bei 1200 dpi NUR die Kringel im Hintergrund als Buchstaben/Symbole erkannt, die EIGENTLICHEN Buchstaben nicht.

Anstelle von "NISSAN (J)" bekam ich "N 15 ‘bvncnnvuvbi"
was zur...

deprimierend...

 

[taro]

nicht aufgeben - oftmals sind es nur Kleinigkeiten, welche den Unterschied machen, weiteres erstmal per PN

 

[mac21]

Hallo taro,

vielen Dank für die Hilfe.
ich hoffe so sehr, dass es irgendwie akzeptabel zu lösen ist.
Habe dir aufgrund deiner PN an deine E-Mailadresse geantwortet.