Bestimmt ist dir die Erkennung von maschinengedrucktem sowie handgeschriebenem Text schon das ein oder andere Mal begegnet. Nehmen wir den Kontext \u201eOnline-Banking\u201c. Die Rechnung der Autowerkstatt wird maschinell erstellt, ausgedruckt und per Post an dich versendet. In deiner Banking-App machst du ein Foto der Rechnung. Die Daten wie Empf\u00e4nger, IBAN, Verwendungszweck und Betrag werden automatisch extrahiert und f\u00fcr dich vorausgef\u00fcllt. Das macht die OCR-Methode \u2013 sie liest maschinell erstellten Text aus.<\/p>\n\n\n\n
Bleiben wir im Banking Szenario f\u00fcr ein weiteres Alltagsbeispiel. Du erh\u00e4ltst ein ausgedrucktes Formular, um ein SEPA-Lastschriftmandat zu genehmigen. Du f\u00fcllst das Formular handschriftlich aus. Jetzt wird das Formular gescannt und deine Daten wie die Kontonummer werden maschinell ausgelesen und im System hinterlegt. F\u00fcr diese Handschrifterkennung ist die Methode der HWR oder auch Handwriting Recognition zust\u00e4ndig.<\/p>\n\n\n\n
<\/span>Handschrift erkennen \u2013 Praxisbeispiele und Definition<\/span><\/h2>\n\n\n\nSchauen wir uns zun\u00e4chst einige weitere Praxisbeispiele f\u00fcr die Erkennung von Handschrift an. Die Beispiele haben gemeinsam, dass es sich um eine Kombination aus maschinellem und handschriftlichem Text handelt.<\/p>\n\n\n\n
\n- Formulare verschiedener Art<\/li>\n\n\n\n
- Anmeldeb\u00f6gen beim Arzt oder im Krankenhaus<\/li>\n\n\n\n
- Besprechungsnotizen<\/li>\n\n\n\n
- Lieferscheine<\/a> \u2013 h\u00e4ufig: handschriftliche Erg\u00e4nzung der Bestellnummer<\/li>\n\n\n\n
- Ausf\u00fcllen eines SEPA-Lastschriftmandat<\/li>\n\n\n\n
- Bestellformulare oder -tabellen in Katalogen<\/li>\n\n\n\n
- Schadensformulare f\u00fcr die Versicherung<\/li>\n\n\n\n
- Diverse Belege, um weitere Nummern erg\u00e4nzt<\/li>\n<\/ul>\n\n\n\n
Im Zusammenhang von HWR f\u00e4llt auch das K\u00fcrzel ICR. Dieses steht f\u00fcr Intelligent Character Recognition. Die Differenzierung der beiden Begrifflichkeiten ist nicht ganz einfach, da es \u00dcberschneidungen und flie\u00dfende \u00dcberg\u00e4nge gibt. Allerdings kann man sagen, dass ICR das Lesen \u00fcber den reinen Textinhalt hinaus bedeutet. Die intelligente Erkennung kann als \u201eUpgrade\u201c der OCR-Technologie verstanden werden.<\/p>\n\n\n\n
\n<\/span>Definitionen<\/span><\/h2>\n\n\n\nOptical Character Recognition (OCR)<\/strong>: Die Technologie, um maschinellen Text in Dokumenten zu erkennen. Dadurch wird der Text editier- und durchsuchbar gemacht.<\/p>\n\n\n\nHandschrifterkennung (HWR)<\/strong>: Es werden W\u00f6rtern, Zeichen und Zahlen erkannt. Dabei wird Handgeschriebenes in maschinenlesbare Zeichen konvertiert.<\/p>\n\n\n\nIntelligent Character Recognition (ICR)<\/strong>: Versteht sich als Erweiterung der OCR und HWR. Die Methode dient der Kontextanalyse \u2013 beispielsweise \u201e8aum\u201c oder \u201eBaum\u201c.<\/p>\n<\/div><\/div>\n\n\n\n![\"Infografik](\"https:\/\/www.d-velop.de\/blog\/wp-content\/uploads\/2023\/09\/handschrifterkennung-schaubild.jpg\")
<\/figure>\n\n\n\n<\/span>Linguistik und Statistik<\/span><\/h2>\n\n\n\nDie Erkennung von Schriftst\u00fccken kann in verschiedene Abstufungen unterteilt werden. Die Texterkennung<\/a> funktioniert am genauesten bei digitalem, maschinellem Text. Danach folgen gescannte Dokumente mit maschinellem Text. Auch bei der Erkennung von Handschrift gibt es Unterschiede: Gut leserliche Block- bzw. Druckschrift kann genauer ausgelesen werden als unleserliche, flie\u00dfende Schreibschrift.<\/p>\n\n\n\nUns Menschen geht es da auch nicht anders. Allerdings besitzt die Technik Mechanismen, um die Erkennung so genau und plausibel wie m\u00f6glich zu machen. Ein wichtiger Mechanismus sind W\u00f6rterb\u00fccher. W\u00f6rterb\u00fccher bieten der Maschine linguistische Trainingsdaten.<\/p>\n\n\n\n
Die Qualit\u00e4t der Handschrifterkennung ist auch abh\u00e4ngig von der Sprache. Das Ganze kannst du dir so vorstellen: Zu einer Sprache, die weitverbreitet ist wie Deutsch, Englisch oder Spanisch gibt es \u00fcblicherweise eine Menge Trainingsdaten. Sprachen, die kaum verbreitet sind, bieten tendenziell weniger Trainingsdaten an. Kleiner Funfact: Die Sprache \u201eYuchi\u201c ist die weltweit seltenste Sprache. Angeblich gibt es nur noch 5 Menschen, welche die Sprache der amerikanischen Ureinwohner \u00fcberhaupt noch sprechen.<\/p>\n\n\n\n
Der eigentlichen Erkennung nachgelagert findet ein Validierungsschritt statt. Klassische Fehlzuordnungen kennen wir alle: I, l und |. Von links nach rechts: ein gro\u00dfes I, ein kleines L und ein Pipe Zeichen. Oder die Verwechselung von der Zahl 0 mit dem Buchstaben O \u2013 auch ein Klassiker. Das Einspeisen verschiedener Regeln und statistischer Annahmen minimiert solche Verwechselungen.<\/p>\n\n\n\n
<\/span>Handschrifterkennung im d.velop document reader<\/span><\/h2>\n\n\n\nDer nachfolgende Screenshot zeigt einen Auszug aus dem d.velop document reader<\/a>. Auf der linken Seite sind die erkannten Besprechungsnotizen blau markiert. Auf der rechten Seite sind sie strukturiert und in eine maschinengenerierte Schrift \u00fcbersetzt.<\/p>\n\n\n\n![\"Screenshot](\"https:\/\/www.d-velop.de\/blog\/wp-content\/uploads\/2023\/09\/handschrift-erkennen-screenshot-1090x659.png\")
<\/figure>\n\n\n\n
Im Zusammenhang von HWR f\u00e4llt auch das K\u00fcrzel ICR. Dieses steht f\u00fcr Intelligent Character Recognition. Die Differenzierung der beiden Begrifflichkeiten ist nicht ganz einfach, da es \u00dcberschneidungen und flie\u00dfende \u00dcberg\u00e4nge gibt. Allerdings kann man sagen, dass ICR das Lesen \u00fcber den reinen Textinhalt hinaus bedeutet. Die intelligente Erkennung kann als \u201eUpgrade\u201c der OCR-Technologie verstanden werden.<\/p>\n\n\n\n
<\/span>Definitionen<\/span><\/h2>\n\n\n\nOptical Character Recognition (OCR)<\/strong>: Die Technologie, um maschinellen Text in Dokumenten zu erkennen. Dadurch wird der Text editier- und durchsuchbar gemacht.<\/p>\n\n\n\nHandschrifterkennung (HWR)<\/strong>: Es werden W\u00f6rtern, Zeichen und Zahlen erkannt. Dabei wird Handgeschriebenes in maschinenlesbare Zeichen konvertiert.<\/p>\n\n\n\nIntelligent Character Recognition (ICR)<\/strong>: Versteht sich als Erweiterung der OCR und HWR. Die Methode dient der Kontextanalyse \u2013 beispielsweise \u201e8aum\u201c oder \u201eBaum\u201c.<\/p>\n<\/div><\/div>\n\n\n\n<\/figure>\n\n\n\n<\/span>Linguistik und Statistik<\/span><\/h2>\n\n\n\nDie Erkennung von Schriftst\u00fccken kann in verschiedene Abstufungen unterteilt werden. Die Texterkennung<\/a> funktioniert am genauesten bei digitalem, maschinellem Text. Danach folgen gescannte Dokumente mit maschinellem Text. Auch bei der Erkennung von Handschrift gibt es Unterschiede: Gut leserliche Block- bzw. Druckschrift kann genauer ausgelesen werden als unleserliche, flie\u00dfende Schreibschrift.<\/p>\n\n\n\nUns Menschen geht es da auch nicht anders. Allerdings besitzt die Technik Mechanismen, um die Erkennung so genau und plausibel wie m\u00f6glich zu machen. Ein wichtiger Mechanismus sind W\u00f6rterb\u00fccher. W\u00f6rterb\u00fccher bieten der Maschine linguistische Trainingsdaten.<\/p>\n\n\n\n
Die Qualit\u00e4t der Handschrifterkennung ist auch abh\u00e4ngig von der Sprache. Das Ganze kannst du dir so vorstellen: Zu einer Sprache, die weitverbreitet ist wie Deutsch, Englisch oder Spanisch gibt es \u00fcblicherweise eine Menge Trainingsdaten. Sprachen, die kaum verbreitet sind, bieten tendenziell weniger Trainingsdaten an. Kleiner Funfact: Die Sprache \u201eYuchi\u201c ist die weltweit seltenste Sprache. Angeblich gibt es nur noch 5 Menschen, welche die Sprache der amerikanischen Ureinwohner \u00fcberhaupt noch sprechen.<\/p>\n\n\n\n
Der eigentlichen Erkennung nachgelagert findet ein Validierungsschritt statt. Klassische Fehlzuordnungen kennen wir alle: I, l und |. Von links nach rechts: ein gro\u00dfes I, ein kleines L und ein Pipe Zeichen. Oder die Verwechselung von der Zahl 0 mit dem Buchstaben O \u2013 auch ein Klassiker. Das Einspeisen verschiedener Regeln und statistischer Annahmen minimiert solche Verwechselungen.<\/p>\n\n\n\n
<\/span>Handschrifterkennung im d.velop document reader<\/span><\/h2>\n\n\n\nDer nachfolgende Screenshot zeigt einen Auszug aus dem d.velop document reader<\/a>. Auf der linken Seite sind die erkannten Besprechungsnotizen blau markiert. Auf der rechten Seite sind sie strukturiert und in eine maschinengenerierte Schrift \u00fcbersetzt.<\/p>\n\n\n\n<\/figure>\n\n\n\n
Handschrifterkennung (HWR)<\/strong>: Es werden W\u00f6rtern, Zeichen und Zahlen erkannt. Dabei wird Handgeschriebenes in maschinenlesbare Zeichen konvertiert.<\/p>\n\n\n\n Intelligent Character Recognition (ICR)<\/strong>: Versteht sich als Erweiterung der OCR und HWR. Die Methode dient der Kontextanalyse \u2013 beispielsweise \u201e8aum\u201c oder \u201eBaum\u201c.<\/p>\n<\/div><\/div>\n\n\n\n Die Erkennung von Schriftst\u00fccken kann in verschiedene Abstufungen unterteilt werden. Die Texterkennung<\/a> funktioniert am genauesten bei digitalem, maschinellem Text. Danach folgen gescannte Dokumente mit maschinellem Text. Auch bei der Erkennung von Handschrift gibt es Unterschiede: Gut leserliche Block- bzw. Druckschrift kann genauer ausgelesen werden als unleserliche, flie\u00dfende Schreibschrift.<\/p>\n\n\n\n Uns Menschen geht es da auch nicht anders. Allerdings besitzt die Technik Mechanismen, um die Erkennung so genau und plausibel wie m\u00f6glich zu machen. Ein wichtiger Mechanismus sind W\u00f6rterb\u00fccher. W\u00f6rterb\u00fccher bieten der Maschine linguistische Trainingsdaten.<\/p>\n\n\n\n Die Qualit\u00e4t der Handschrifterkennung ist auch abh\u00e4ngig von der Sprache. Das Ganze kannst du dir so vorstellen: Zu einer Sprache, die weitverbreitet ist wie Deutsch, Englisch oder Spanisch gibt es \u00fcblicherweise eine Menge Trainingsdaten. Sprachen, die kaum verbreitet sind, bieten tendenziell weniger Trainingsdaten an. Kleiner Funfact: Die Sprache \u201eYuchi\u201c ist die weltweit seltenste Sprache. Angeblich gibt es nur noch 5 Menschen, welche die Sprache der amerikanischen Ureinwohner \u00fcberhaupt noch sprechen.<\/p>\n\n\n\n Der eigentlichen Erkennung nachgelagert findet ein Validierungsschritt statt. Klassische Fehlzuordnungen kennen wir alle: I, l und |. Von links nach rechts: ein gro\u00dfes I, ein kleines L und ein Pipe Zeichen. Oder die Verwechselung von der Zahl 0 mit dem Buchstaben O \u2013 auch ein Klassiker. Das Einspeisen verschiedener Regeln und statistischer Annahmen minimiert solche Verwechselungen.<\/p>\n\n\n\n Der nachfolgende Screenshot zeigt einen Auszug aus dem d.velop document reader<\/a>. Auf der linken Seite sind die erkannten Besprechungsnotizen blau markiert. Auf der rechten Seite sind sie strukturiert und in eine maschinengenerierte Schrift \u00fcbersetzt.<\/p>\n\n\n\n<\/figure>\n\n\n\n<\/span>Linguistik und Statistik<\/span><\/h2>\n\n\n\n
<\/span>Handschrifterkennung im d.velop document reader<\/span><\/h2>\n\n\n\n
<\/figure>\n\n\n\n