Optische Zeichenerkennung (OCR) ist eine Technologie, die Text aus Bildern, gescannten Dokumenten oder Fotografien von Text extrahiert und Pixel in maschinenlesbare und maschinenbearbeitbare Zeichen umwandelt. Sie liegt an der Schnittstelle von Computersehen und natürlicher Sprachverarbeitung, da ein funktionierendes System sowohl Glyphen in einem Bild lokalisieren und segmentieren als auch sie als Symbole einer Sprache interpretieren muss. OCR war eine der ersten kommerziell nutzbaren Anwendungen der Mustererkennung und geht der modernen Deep-Learning-Ära um Jahrzehnte voraus.
Geschichte
Frühe OCR-Systeme stammen aus den 1950er- und 1960er-Jahren, als Geräte wie David Shepards „Gismo“ und Ray Kurzweils Lesemaschinen für Blinde (1976) Template-Matching und handgefertigte Merkmale zur Erkennung gedruckter Schriftarten verwendeten. In den 1980er- und 1990er-Jahren stützte sich OCR-Software wie Tesseract, ursprünglich bei Hewlett-Packard entwickelt und später von Google als Open Source veröffentlicht, auf statistische Klassifikatoren und Merkmalsextraktions-Pipelines, die weitgehend auf symbolischer KI und klassischem maschinellem Lernen basierten, statt auf der schichtweisen Repräsentationslernens, das später dominierend wurde. Die Genauigkeit bei sauberem, getipptem Text erreichte in den 1990er-Jahren kommerzielle Nutzbarkeit, aber Handschrift und unübersichtliche Szenen blieben für weitere zwei Jahrzehnte schwierige Probleme.
Deep-Learning-Ära
Die Einführung von Faltungsneuronalen Netzen und später rekurrenten sowie Sequenz-zu-Sequenz-Architekturen verbesserte die OCR-Genauigkeit erheblich, insbesondere bei Handschrift und Text in natürlichen Szenen wie Straßenschildern oder Produktetiketten. Architekturen, die ein CNN für die visuelle Merkmalsextraktion mit einem LSTM- oder Aufmerksamkeits-basierten Decoder kombinierten, wurden Mitte der 2010er-Jahre zum Standard. Wie bei weiten Teilen von Computersehen folgte der Fortschritt dem breiteren Wandel von handgefertigten Pipelines hin zu End-to-End-neuronalen Netzen, die auf großen beschrifteten Datensätzen trainiert wurden.
Die Ära der Vision-Language-Modelle
Seit den frühen 2020er-Jahren haben allgemeine Vision-Language-Modelle und multimodale Systeme, die auf der Transformer-Architektur aufbauen, einen Großteil der OCR-Funktionalität übernommen. Modelle mit Sehfähigkeit, darunter Gemini- und GPT-4-Varianten, können Text in einem Bild als Teil einer breiteren visuellen Verständnisaufgabe lesen, ohne eine dedizierte OCR-Pipeline, und übertreffen oft spezialisierte OCR-Systeme bei Dokumenten, die Text mit Diagrammen, Tabellen oder Handschrift im Kontext mischen. Dies hat die Grenze zwischen OCR als eigenständiger Aufgabe und allgemeinem Dokumentverständnis verwischt, obwohl zweckgebundene OCR-Engines weiterhin weit verbreitet sind für Hochdurchsatz-, Niedriglatenz- oder Offline-Dokumentverarbeitung, wo ein großes multimodales Modell teurer oder langsamer wäre.
Anwendungen und Bewertung
OCR liegt der Dokumentdigitalisierung, der Erstellung durchsuchbarer PDFs, der Kennzeichenerkennung, der Verarbeitung von Belegen und Rechnungen, der Sortierung von Postsendungen, Barrierefreiheitswerkzeugen für blinde und sehbehinderte Nutzer sowie den Aufnahmepipelines zugrunde, die Text in Suchmaschinen und Trainingskorpora für große Sprachmodelle einspeisen. Systeme werden typischerweise anhand der Zeichenfehlerrate und der Wortfehlerrate gegen Benchmark-Datensätze mit gescanntem oder fotografiertem Text bewertet; die Leistung variiert stark je nach Sprache, Schrift, Druckqualität und Handschriftstil, wobei kursive Handschrift und ressourcenarme Schriften vergleichsweise Schwachpunkte bleiben. Als Teilaufgabe wird die OCR-Qualität üblicherweise auf dedizierten Dokument- und Szenentext-Datensätzen berichtet, statt auf allgemeinen Benchmarks.
Einschränkungen
OCR-Fehler können sich in nachgelagerte Systeme wie Suchindizes oder automatisierte Dateneingabe fortpflanzen, und es existieren spezialisierte Angriffe, die visuell ähnliche Zeichen ausnutzen, um OCR-basierte Filter zu umgehen. Multimodale Modelle, die OCR implizit durchführen, können auch Text halluzinieren, der dem Quellbild ähnelt, aber nicht entspricht - ein Fehlermodus, der sich von den Segmentierungsfehlern klassischer OCR unterscheidet.