Volltexterschließung historischer Drucke
Volltext aus Ihren Scans
Durchsuchbarer, nachnutzbarer Volltext aus dem, was Sie bereits digitalisiert haben. Jedes Wort mit Koordinate und Konfidenzwert, geliefert in den Formaten Ihrer Systeme, mit vertraglich vereinbarter und stichprobengeprüfter Genauigkeit.
Kostenlose ProbekonvertierungLieferformate ansehen
- ALTO v4, PAGE-XML, TEI P5, JATS und BITS, jede XML-Lieferung schema-valide
- Koordinaten und Konfidenzwert je Wort, Lesereihenfolge je Seite
- Abnahme im Stichprobenverfahren nach den DFG-Praxisregeln
- Nach der Lieferung wird nichts gespeichert
Explosionszeichnung einer schematischen Seite: über dem Blatt schweben die erkannten Regionen, die Zeilen, die Wortrechtecke und die ALTO-Datei als eigene Schichten.
- Vorlage
- Regionen
- Zeilen
- Wörter
- ALTO
Die Lieferung, Schicht für Schicht. Schematische Seite, im Browser erzeugt.
- Segmentierung
- Region, Zeile, Wort
- Je Wort
- Koordinate und Konfidenz
- Lieferung
- ALTO, PAGE, TEI, JATS
- Validierung
- jede Datei gegen ihr Schema
- Abnahme
- DFG-Praxisregeln
- Speicherung
- keine nach Lieferung
Der Durchgang
Neun Stufen, eine Seite
Was zwischen dem Scan und der Datei geschieht, an einer schematischen Seite gezeigt. Die Reihenfolge ist die der Verarbeitung. Die Zahlen daneben sind an dieser Seite gemessen, nicht gesetzt.
T+00
Erfassung
Digitalisat, wie es ankommt: TIFF, JPEG, JP2 oder PDF, ab 300 ppi. Auch Mikrofilm und ältere Bestandsscans.
- Eingang
- TIFF, JPEG, JP2, PDF
- Übergabe
- Link oder Datenträger
T+01
Entzerrung
Schieflage und Verzeichnung werden gemessen und korrigiert. Ohne diesen Schritt läuft die Zeilenbildung quer durch die Zeile.
- Schieflage
- je Seite gemessen
- Korrektur
- je Seite
T+02
Binarisierung
Trennung von Schrift und Träger. Korn und Durchschlag bleiben draußen, die Haarstriche der Schrift bleiben drin.
- Träger
- entfernt
- Haarstriche
- erhalten
T+03
Spaltenanalyse
Die Analyse findet die Satzspiegel und die Stege dazwischen. Wer die Spalte verfehlt, liest quer über die Seite.
- Satzspiegel
- 3
- Kopf
- über alle drei
T+04
Lesereihenfolge
Kopf, dann Spalte für Spalte von oben nach unten. Sie entscheidet, ob ein Artikel im Katalog zusammenhängt oder als Bruchstücke ankommt.
- Regionen
- 4
- Artikel
- auf Wunsch getrennt
T+05
Zeilensegmentierung
Ober- und Unterlängen der Schrift greifen zwischen den Zeilen ineinander. Die Zeilen werden trotzdem sauber getrennt.
- Zeilen
- 241
- Wörter je Zeile
- 8,1
T+06
Wortkoordinaten
Jedes Wort ein Rechteck, in Lesereihenfolge geschrieben. HPOS, VPOS, WIDTH und HEIGHT stehen so in der ALTO-Datei.
- Wörter
- 1.951
- Je Wort
- ein Rechteck
T+07
Konfidenz
Ein Wert je Wort. Was unter der vereinbarten Schwelle liegt, geht in die Nachkorrektur, der Rest nicht.
- Unter 0,90
- 125 Wörter
- Schwelle
- je Projekt vereinbart
T+08
ALTO
String für String, schema-valide. Das Rechteck auf der Seite und das Element in der Datei sind dasselbe Objekt.
- Schema
- ALTO v4
- Validierung
- valide
Rückweg
Das Rechteck und das Element
In der Lieferung sind beide dasselbe Objekt. Fahren Sie über ein Wort auf der Seite, und das zugehörige String-Element leuchtet auf. Fahren Sie über ein Element, und das Wort leuchtet auf der Seite. Genau das macht aus einem Scan einen durchsuchbaren Bestand: der Treffer im Katalog weiß, wo auf der Seite er steht.
Seite, Spalte 1·
ALTO v4, TextLine·
<TextBlock ID="block_1" HPOS="81" VPOS="700">
<TextLine>
<String CONTENT="..." WC="..." HPOS="..." VPOS="..." WIDTH="..." HEIGHT="..."/>
</TextLine>
</TextBlock>Schematische Seite mit erzeugten Werten. Die Struktur ist die der Lieferung.
Abnehmer
Drei Abnehmer, eine Erkennungsstufe
Bibliotheken und Archive
ALTO im METS-Anwendungsprofil, Anbindung an Kitodo.Production, langzeitarchivierungsfähige Lieferpakete. Volltexte ohne Rechtevorbehalt.
Mehr dazuDigitalisierungsdienstleister
Die Erkennungsstufe als White-Label-Komponente in Ihrem Workflow. Bestandsweise Tranchen, konfidenzgesteuerte Nachkorrektur, feste Kosten pro Seite.
Mehr dazuVerlage mit Backfiles
Ganze Jahrgänge aus Scan-PDFs oder vorhandenen Datensätzen: je Aufsatz eine JATS-Datei, eine Crossref-Ablieferung je Jahrgang, eine Prüfansicht Seite für Seite.
Mehr dazuLieferformate
In den Formaten Ihrer Systeme
Aus einer Erkennung entstehen die Dateien, die Ihr Viewer, Ihr Repositorium und Ihre Langzeitarchivierung jeweils erwarten. Jede XML-Lieferung schema-valide.
- ALTO v4BibliothekenWort- und Zeilenkoordinaten mit Konfidenzwerten, eingebunden als fileGrp FULLTEXT nach dem METS-Anwendungsprofil.
- PAGE-XMLForschungRegionen, Lesereihenfolge und Zeilenpolygone nach OCR-D, für Transkribus- und eScriptorium-Workflows.
- TEI P5EditionenStrukturierter Text mit typografischer Auszeichnung und Faksimile-Verweis je Zeile, auf Wunsch DTABf-orientiert.
- JATS und BITSVerlageArtikel- und Buch-XML mit Metadaten je Artikel, fertig für die Crossref-Registrierung.
- METS und MODSArchivierungLieferpakete nach verbindlichen Ablieferstandards, fertig für das Langzeitarchiv.
- PDF/UA und EPUB 3ZugänglichkeitBarrierefreie Ausgaben mit korrekter Lesereihenfolge, aus derselben Segmentierung.
Ein Format wählen, um es nach vorn zu holen.
Sechs Lieferformate, die wie ein Fächer aus einer schematischen Vorlage hervorgehen.
Lieferung
Ein Paket, das Sie selbst prüfen
Was zurückkommt, ist kein Textexport, sondern ein Paket, das Ihre Herstellung, Ihr Repositorium oder Ihr Workflow ohne uns prüfen kann: jede Datei gegen ihr Schema valide, jede Seite neben ihrem Faksimile, jede Abweichung von der Vorlage einzeln nachgewiesen.
- Prüfansicht. Jede Seite neben ihrem Faksimile, im Browser zu öffnen, ohne Installation und ohne Netz.
- Lieferdokumentation. Gegenstand, Umfang, Erfassungsrichtlinien und der Prüfstand jeder Datei, mit den beiliegenden Schemata reproduzierbar.
- Befunde zur Vorlage. Versehen der Setzerei am Scan nachgewiesen und in der Lieferung unverändert belassen. Ob korrigiert wird, entscheiden Sie.
Lieferung/
- pruefansicht/jede Seite neben ihrem Faksimile
- alto/ page/ tei/ jats/je nach Zielformat, jede Datei schema-valide
- mets.xmlBibliotheken: die Volltexte als fileGrp FULLTEXT, je Seite mit dem Bild verknüpft
- crossref-deposit.xmlVerlage: eine Ablieferungsdatei je Jahrgang, XSD-valide
- lesefassung/der fortlaufende Text mit den gedruckten Seitenzahlen
- faksimile/nach gedruckter Seite benannt, aus dem Volltext referenziert
- Lieferdokumentation.pdfwas geliefert ist und wie es geprüft wurde
- Befunde-zur-Vorlage.pdfdie Versehen der Vorlage, einzeln am Scan
Konfidenz
Nachkorrektur nach Schwelle
Ein Wert je Wort heißt: Sie korrigieren nicht die Seite, sondern die Stellen, an denen die Erkennung unsicher war. Was über der vereinbarten Schwelle liegt, bleibt unangetastet. Die Zielgenauigkeit wird je Projekt vertraglich fixiert und stichprobengeprüft.
6,4 % der Wörter dieser schematischen Seite lägen in der Nachkorrektur
Relief einer schematischen Seite: die Wörter mit niedrigem Konfidenzwert stehen als Säulen aus dem Blatt heraus.
Schematische Seite, im Browser erzeugt. Jede Säule ist die Unsicherheit eines Wortes; was durch die Ebene der Schwelle stößt, geht in die Nachkorrektur.
Ablauf
Vier Schritte, an jedem ein Ausstieg
Probekonvertierung
Bis 50 Musterseiten, kostenfrei, Ergebnis mit Fehlerquoten-Messung in 5 Werktagen.
Pilot
Ein abgegrenzter Bestand zum Festpreis, mit vertraglich fixierter Zielgenauigkeit.
Produktion
Vereinbarte Tranchen, festgelegter Durchsatz, fortlaufende Stichprobenprüfung.
Abnahme
Stichprobenverfahren nach den DFG-Praxisregeln, Fehlerquoten-Report je Vorlagenklasse.
Eine Probe an Ihrem Bestand
Bis 50 Musterseiten aus Ihrem Bestand, gern Ihr schwierigster Jahrgang. Unverbindlich, Ergebnis mit Fehlerquoten-Messung innerhalb von 5 Werktagen. Erst danach wird über Umfang und Preis gesprochen.