OCR לטקסט בכתב פרקטור (Fraktur): שִמרו על המקור לפני שאתם מעדכנים אותו
השתמשו בניסוי OCR קטן ובר-שחזור לכתב פרקטור כדי להבדיל בין שגיאות זיהוי לבין נרמול של s ארוכה לפני חיפוש או תרגום של ספר ישן.
כדי לבצע OCR לדפוס בכתב פרקטור, בחרו מודל התומך בכתב זה, בדקו קטע קצר מול הדף, והחליטו האם התעתיק שלכם צריך לשמר את ה-s הארוכה, ſ, או לנרמל אותה ל- s. שמרו את תעתיק המקור שנבדק בנפרד מכל מודרניזציה או תרגום. מילה שנראית מוכרת יותר אינה בהכרח קריאה נאמנה יותר של הדפוס המקורי.
בדקנו שני קטעים קצרים וסינתטיים בגרמנית בגופן פרקטור, לצד קבוצת ביקורת בגופן מודרני. אפילו בתמונות נקיות אלו, מודל הפרקטור שינה את iſt ל- ift בקטע אחד, ול- if בקטע אחר. התוצאה המועילה לא הייתה דירוג של הכלי המנצח: אלא הדגמה לכך ש זיהוי התווים, בחירת מוסכמת תעתיק והתאמת השפה לימינו הן שלוש משימות שונות לחלוטין.
מדריך זה מיועד לדפים מודפסים. הוא אינו מתווה תהליך עבודה עבור כתב יד כמו קורנט (Kurrent) או זיטרלין (Sütterlin), כתבי יד פגומים או אוסף היסטורי שלם.
החליטו מה נחשב נכון לפני הפעלת ה-OCR
נסחו מדיניות תעתיק בת משפט אחד לפני השוואת כלים. לדוגמה: "לשמור על האיות המקורי ועל ה-s הארוכה; לסמן מילים שלא ניתן לאמת." אחרת, אתם עלולים להתייחס לנרמול מכוון כאל שגיאה — או לקבל שכתוב בלתי רצוי רק משום שהוא נקרא שוטף.
פרויקט OCR-D מספק דוגמה מוחשית להבחנה זו. הנחיות רמה 1 (Level 1) שלו מייצגות s ארוכה ו-s עגולה כ- s; רמות 2 ו-3 מבדילות ביניהן. מדובר במוסכמות תעתיק, ולא בהנחיה להפוך כל איות ישן למקבילו המודרני. עיינו בהנחיות הרשמיות של כללי s עבור רמה 1 ושל כללי s עבור רמות 2/3.
עבור פרויקט קריאה אישי, שמרו על הפלטים הללו בנפרד:
| פלט | דוגמה מתוך טקסט ההדרכה שחיברנו | לשם מה זה נועד |
|---|---|---|
| תעתיק נאמן למקור | Die rothe Blume ſteht hier. | בדיקת התווים שזוהו אל מול התמונה |
| גרסה מעובדת עם נרמול s ארוכה | Die rothe Blume steht hier. | חיפוש או קריאה ללא ההבחנה ב-s ארוכה |
| גרסה מעובדת ומודרנית | Die rote Blume steht hier. | גרסת עריכה נפרדת הכוללת שינויי איות |
השורה השנייה משנה רק את ſ ל- s; היא אינה מיישמת את כל הכללים של OCR-D רמה 1. השורה השלישית משנה גם את האיות של המקור. אף אחת מהגרסאות המעובדות אינה צריכה להחליף בשקט את התעתיק הנאמן למקור.
בפרט, אל תחליפו באופן גורף את האות f ב- s. פלט ה-OCR השגוי שלנו מכיל אמנם ift, אך גם f אותנטית יכולה להופיע במקור. תקנו את המילה בהשוואה לתמונה, ולא לפי כלל החלפה גורף.
מה קרה בניסוי שמונה הקריאות שלנו
ב-11 בספטמבר 2026, רינדרנו שני קטעי לימוד מקוריים בני שלוש שורות בגופנים UnifrakturMaguntia ו- Noto Sans. כל תמונה עברה זיהוי באמצעות שני מודלים קבועים של Tesseract: מודל הכתב tessdata_best עבור Fraktur והמודל האנגלי שלו. תצורת האנגלית משמשת כניגוד, ולא כקו בסיס לגרמנית מודרנית.
כל שמונה הקריאות השתמשו ב-Tesseract 5.5.3, במצב LSTM (--oem 1), בלוק טקסט יחיד (--psm 6), ו-300 dpi. לא שינינו את ההגדרות, לא החלגנו תוצאות ולא ניסינו זיהוי מחדש במסגרת הניסוי המקורי. הרצה חוזרת של החבילה ב-12 בספטמבר על אותן שמונה תמונות שיחזרה במדויק את בייטי הפלט שנשמרו.
התמונות עוצבו בפועל באמצעות Apple CoreText עם ליגטורות מופעלות, ולא צוירו כתיבות תווים פשוטות ללא עיצוב טיפוגרפי. נעשה בהן שימוש בטקסט בגודל 64 פיקסלים על גבי קנבס לבן של 2200 × 460. התמונות, בדיקות ספירת הגליפים, רישיונות הגופנים, גיבובי המודלים ופלטי הגלם זמינים ב הוראות חבילת הניסוי.
מודל ייעודי עדיין נזקק לתיקון
שורת המקור הראשונה הייתה:
Das Waſſer iſt klar.
בתמונת גופן הפרקטור, מודל הפרקטור החזיר:
Das Waſſer ift klar.
רוב השורה שרדה, אך ſ במילה iſt הפך ל- f. בקטע השני, Das Thal iſt weit. הפך ל- Das Thal if weit.: הזיהוי שינה תו אחד והשמיט תו אחר. קריאת הפלט כגרמנית סבירה אינה מהווה תחליף לבדיקת המקור.
בבקרת הגופן המודרני אירע כשל מסוג אחר. מודל הפרקטור שמר על המילים בקטע הראשון, אך שינה את שני הנקודה-פסיק ב- Buch 12; Seite 27; Nummer 105. לנקודתיים. בדיקה של ה-s הארוכה בלבד הייתה מפספסת את השינויים הללו בסימני הפיסוק.
היעד משנה את הציון
דירגנו כל פלט גולמי מול שני יעדים שנקבעו מראש לפני הזיהוי: טקסט המקור המדויק, והמקור עם בלבד ſ → s. שתי ההשוואות מבצעות נורמליזציה של יוניקוד ל-NFC ומצמצמות רווחים לבנים; הן שומרות על אותיות גדולות/קטנות ועל סימני פיסוק. איננו ממירים אותיות רישיות בפלט הגולמי לפני הדירוג.
המספרים להלן הם מרחקי עריכת תווים — הוספות, מחיקות והחלפות — ולא אחוזי דיוק.
| קטע | גופן מרונדר | מודל OCR | עריכות ביחס למקור המדויק | עריכות ביחס ליעד שעבר נירמול של s ארוכה בלבד |
|---|---|---|---|---|
| s ארוכה ומספרים | פרקטור | פרקטור | 1 | 6 |
| s ארוכה ומספרים | פרקטור | אנגלית | 8 | 8 |
| s ארוכה ומספרים | Noto Sans | פרקטור | 2 | 8 |
| s ארוכה ומספרים | Noto Sans | אנגלית | 7 | 7 |
| איות בעל חזות היסטורית | פרקטור | פרקטור | 2 | 4 |
| איות בעל חזות היסטורית | פרקטור | אנגלית | 7 | 7 |
| איות בעל חזות היסטורית | Noto Sans | פרקטור | 0 | 3 |
| איות במראה היסטורי | Noto Sans | אנגלית | 4 | 4 |
האפס באחת השורות מעיד על התאמה מדויקת עבור אותו קלט קצר בלבד. אין בו כדי ללמד דבר על העמוד הבא בספר אמיתי. לעומת זאת, מודל שמשמר כהלכה את ſ יצבור הבדלים נוספים כאשר משווים אותו ליעד שדורש s. הבדלים אלה משקפים אי-התאמה במדיניות, ולא בהכרח שגיאת זיהוי.
בדקו את כל הפלטים והציונים המקוריים, את טקסט המקור הקבוע ומדיניות הניקוד, או את סקריפט האימות. החבילה מתעדת גיבובי SHA-256 כך שניתן להתאים בין המודל, התמונה והפלט לכל תוצאה.
מה הניסוי הזה אינו יכול ללמד אתכם
אלו שני קטעים סינתטיים, נקיים ובגופן גדול – ולא סריקות של מהדורה ישנה. לא בדקנו דיו דהוי, אותיות קטנות, שוליים פנימיים, טורים, נייר פגום, כתב יד או תעתיקים אנושיים עצמאיים. כמו כן, לא בדקנו מודל גרמנית מודרנית, כלי OCR מסחריים, או את פלט ה-OCR והתרגום של BookTranslator.
התייחסו לדוגמאות אלה כסיבה לבחון את החומרים שלכם, ולא כהערכה של שיעור השגיאות בספר שלם. לא היינו בוחרים שירות OCR עבור אוסף היסטורי על סמך טבלה זו בלבד.
הריצו בדיקה מוגדרת על העמודים שאתם באמת צריכים
אם אתם משתמשים ב-Tesseract באופן מקומי, תעדו את גרסת המנוע ואת קובץ המודל המדויק לפני השוואת הפלטים. שם המודל לבדו אינו מזהה את הקובץ שהורד. רשומת המקוריות שלנו מקשרת למקורות הציבוריים המקובעים של המודל והגופן; קובצי המודל הגדולים אינם מצורפים למאמר.
עבור תמונת הדוגמה בעלת הבלוק הבודדשלנו, כאשר מודל הכתב Fraktur שמור מקומית בתור models/Fraktur.traineddata, הפקודה הייתה:
tesseract samples/long-s-fraktur.png stdout --tessdata-dir ./models -l Fraktur --oem 1 --psm 6 --dpi 300
התיעוד של שורת הפקודה ב-Tesseract מסביר את מצב ה-LSTM ואת ההנחה של בלוק אחיד יחיד ב-PSM 6. הנחה זו מתאימה לתמונה בת שלוש השורות שלנו. זוהי אינה המלצה לעבד כל עמוד ספר מרובה טורים באמצעות PSM 6.
עבור הספר שלכם, התחילו בקטע שתוכלו לתמלל בביטחון ובעמוד אחד מורכב יותר שמייצג את החומר שאתם צריכים. כללו שם או מונח לא מוכר, מספר וכל גופן שמשתנה. אם ספר מחליף כתב או שפות, השתמשו ב מדריך הנפרד ל-OCR של מסמכי PDF בשפות מעורבות במקום להניח שפסקה אחת נקייה בפרקטור מכסה את המסמך כולו.
השאירו את הסריקה ללא שינוי. שמרו את פלט ה-OCR הגולמי בנפרד מהתיקונים, ותעדו את מזהה העמוד או התמונה עבור כל קטע שנבדק. אם הפלט אינו קריא, בדקו שוב את תמונת העמוד ואת החלוקה למקטעים (segmentation) לפני שתרחיבו את המשימה למאות עמודים.
תקנו את התעתיק מבלי להמציא את המילה החסרה
השתמשו ביומן תיקונים קטן עם ארבע עמודות: מיקום במקור, OCR גולמי, קריאה מוגהת וסיבה. הסיבה צריכה להבחין בין שגיאת תו גלויה לעין לבין שינוי עריכתי.
| תצפית | פעולה מועילה | פעולה שיש להימנע ממנה |
|---|---|---|
התמונה מציגה בבירור iſt; ה-OCR מזהה ift | תקנו מופע זה בהשוואה לתמונה | להחליף כל f במסמך |
ה-OCR משמר את rothe, אך אתם מעדיפים rote לצורך קריאה | שמרו על צורת המקור וצרו גרסה מודרנית עם תווית מתאימה | להחשיב מודרניזציה כתיקון OCR |
| מספר או סימן פיסוק שונים | בדקו את המיקום הזה גם כאשר המשפט מסביב שוטף וקריא | בדיקה של צורות אותיות חריגות בלבד |
| התמונה באמת אינה קריאה | סמנו אי-ודאות בתעתיק העבודה שלכם ושמרו את ההפניה לתמונה | קבלת מילה סבירה שנוצרה כראיה ששוחזרה |
אם כבר ניתן לסמן טקסט בקובץ PDF שהורדתם, השוו את הטקסט המודבק אל מול התמונה לפני שמתחילים מחדש. ה אבחון להעתקה והדבקה מקובצי PDF מסביר מדוע עמוד מוצג יכול להיראות תקין בעוד שהטקסט הנסתר או הממופה שלו שגוי. זוהי בעיה שונה לחלוטין מבחירת מודל לזיהוי פרקטור.
עצרו לאחר הפקת טקסט מקור מהימן אם חיפוש, אימות ציטוטים או קריאת גרמנית היו כל המטרה. תרגום אינו שלב ניקוי הכרחי.
תרגמו רק כאשר השפה נותרה המכשול
עבור קוראים הזקוקים לשפה אחרת, טקסט המקור המאומת הוא הנקודה שבה התרגום הופך למועיל. שמרו על הבחנה ברורה בין הסריקה, התעתיק שעבר בדיקה והתרגום, כדי שתוכלו לדעת אם מקורו של קטע שנוי במחלוקת הוא בזיהוי או בתרגום. ה תהליך עבודה לתרגום קובצי PDF סרוקים מציג את תהליך ההעברה הרחב יותר.
אם תבחרו ב מתרגם ה-PDF של BookTranslator, בדקו חלק מייצג מהמסמך שלכם לפני שתסתמכו על התוצאה המלאה. הניסוי שלנו אינו מאמת את אופן הטיפול של BookTranslator בפרקטור היסטורי. מצב ה-OCR שלו בונה מחדש מסמך נקי ועשוי לשנות את פריסת העמוד, הגופנים וגודלי הגופנים המקוריים; אין להתייחס לפלט זה כאל פקסימיליה או להניח שהפניות לעמודים המקוריים נשמרות ללא שינוי.
הסדר המעשי פשוט: קבעו את קריאת המקור, סמנו כל נורמליזציה, ולאחר מכן תרגמו במידת הצורך. השטף הלשוני שייך לסוף התהליך הזה – ולא במקום ראיות בתחילתו.
פוסטים קשורים
