OCR & Dokumentenextraktion

Einführung

Die automatisierte Datenextraktion aus komplexen Dokumenten stellt eine der hartnäckigsten Herausforderungen der Dokumentenverarbeitung dar. Rechnungen in heterogenen Formaten, dichte juristische Verträge, Verwaltungsformulare, technische Berichte, handschriftliche Dokumente – die Vielfalt der Medien, Layouts und Scangeschwindigkeiten macht jedes Dokument einzigartig. Traditionelle OCR-Lösungen, die für gut formatierte schwarze Schrift auf weissem Grund konzipiert wurden, scheitern an dieser Vielfalt. Dieses Forschungsprojekt untersucht eine neue Generation von OCR-Pipelines, in denen Computer Vision, Layoutverständnis und Sprachmodelle kombiniert werden, um mit klassischen Ansätzen unerreichbare Genauigkeitsraten zu erzielen.

OCR-Engines

Das Ökosystem der OCR-Engines hat sich in den letzten Jahren radikal verändert. Tesseract, lange Zeit die Open-Source-Referenz, legte mit seiner auf Hunderten von Sprachen trainierten LSTM-Architektur die Grundlagen. PaddleOCR, entwickelt von Baidu, führte einen modularen Ansatz ein, der Erkennung und Klassifikation entkoppelt, mit spezialisierten Modellen pro Texttyp. EasyOCR hat den Zugang zu OCR mit seiner einfachen API und der Unterstützung von über 80 Sprachen demokratisiert. Diese drei Engines bieten unterschiedliche Kompromisse zwischen Genauigkeit, Geschwindigkeit, Sprachabdeckung und Integrationsfreundlichkeit, und ihre systematische Bewertung auf Fachkorpora ist eine Voraussetzung für die Konzeption einer zuverlässigen Pipeline.

Tesseract bleibt die am weitesten verbreitete OCR-Engine in Open-Source-Projekten. Seine Entwicklung von Tesseract 3 (zeichenbasiert) zu Tesseract 4/5 (LSTM-basiert) hat die Erkennungsqualität erheblich verbessert. Tesseract glänzt bei gut formatierten gedruckten Dokumenten mit hohem Kontrast. Seine Stärke liegt in seiner Reife: Jahrzehnte der Optimierung, eine grosse Community, Bindings in allen Sprachen. Seine Schwächen sind bekannt: Schwierigkeiten mit komplexen Layouts (Tabellen, Spalten, verschachtelte Textbereiche), Empfindlichkeit gegenüber Rauschen und Schräglage sowie eine begrenzte Handhabung von Handschriften. Die Integration von Tesseract in eine moderne Pipeline erfordert eine sorgfältige Bildvorverarbeitung und eine fein abgestimmte Konfiguration der Seitenparameter.

PaddleOCR stellt einen bedeutenden Fortschritt in der Architektur von OCR-Engines dar. Im Gegensatz zu Tesseract, das Erkennung und Klassifikation als separate, aber starre Schritte behandelt, bietet PaddleOCR ein modulares Framework, in dem jede Komponente – Texterkennung, Zeichenklassifikation, Ausrichtungsbestimmung – unabhängig ausgetauscht, feinabgestimmt oder optimiert werden kann. Das Erkennungsmodell stützt sich auf DB (Differentiable Binarization) zur präzisen Lokalisierung von Textbereichen, einschliesslich geneigter oder gekrümmter Bereiche. Das Klassifikationsmodell verwendet einen CRNN-Encoder (Convolutional Recurrent Neural Network) mit einem Aufmerksamkeitsmechanismus für die Transkription. PaddleOCR zeichnet sich durch seine Genauigkeit bei mehrsprachigen Dokumenten und kleinen Textgrössen aus und übertrifft in Benchmarks regelmässig Tesseract. Seine Stärke ist auch seine Schwäche: Die erhöhte Modularität erschwert die Bereitstellung und Konfiguration.

EasyOCR positioniert sich als die zugänglichste Alternative. Seine Philosophie ist einfach: Eine einheitliche API für alle Modelle, eine Installation mit einem Befehl, Unterstützung für über 80 Sprachen ohne Konfiguration. Unter der Haube verwendet EasyOCR einen CRAFT-Detektor (Character Region Awareness for Text Detection) kombiniert mit einem CRNN-Klassifikator, beides vortrainiert auf einem breiten mehrsprachigen Korpus. EasyOCR ist besonders effektiv für mittlere bis grosse Textgrössen und gut kontrastierte Dokumente. Seine Leistung bei winzigen Texten oder beschädigten Dokumenten ist geringer als die von PaddleOCR. EasyOCR glänzt durch seine einfache Handhabung und seine aktive Community, was es zu einer ausgezeichneten Wahl für schnelles Prototyping und Projekte mit Zeitdruck macht.

Die grundlegende Einschränkung traditioneller OCR-Engines ist ihre Unfähigkeit, die semantische Struktur eines Dokuments zu verstehen. Zeichen zu erkennen reicht nicht: Man muss verstehen, dass ein Textbereich eine Überschrift, ein anderer eine Tabelle und ein dritter eine Unterschrift ist. Hier kommt LayoutLM ins Spiel, ein Modell der Transformer-Familie, das speziell für das Dokumentenverständnis entwickelt wurde. LayoutLM integriert in seine Architektur visuelle Informationen (Wortposition, Grösse, Schriftart), textuelle Informationen (den erkannten Inhalt) und Layout-Informationen (räumliche Beziehungen zwischen Elementen). Durch die Kombination dieser drei Modalitäten kann LayoutLM die Bereiche eines Dokuments mit unübertroffener Genauigkeit klassifizieren: Kopfzeilen, Tabellenzeilen, Formularfelder, Fussnoten identifizieren. Das Modell wird auf Millionen von Dokumenten vortrainiert und kann mit einer reduzierten Anzahl von Beispielen auf spezifische Dokumenttypen feinabgestimmt werden.

Die Bildvorverarbeitung ist ein oft unterschätzter, aber entscheidender Schritt für die endgültige Extraktionsqualität. Ein gescanntes Dokument weist fast immer Mängel auf: Schräglage (Skew) durch manuelles Scannen, Hintergrundrauschen des Papiers oder Scanners, Helligkeitsschwankungen, Textur des Trägermaterials, Durchscheinen der Rückseite, Falten und Flecken. Jeder Mangel beeinträchtigt die Leistung der Erkennungs- und Klassifikationsmodelle. Das Projekt untersucht eine systematische Vorverarbeitungskette über OpenCV: Schräglagenkorrektur durch Hough-Transformation und affine Rotation, Rauschunterdrückung durch Non-Local-Means-Filterung und morphologische Öffnung, adaptive Binarisierung (Otsu, Sauvola) zur Trennung von Text und Hintergrund, Kontrastnormalisierung durch CLAHE (Contrast Limited Adaptive Histogram Equalization) und Skalierung auf eine Standardauflösung. Jeder Schritt ist parametrierbar und wird unabhängig auf dem Testkorpus bewertet.

LLM-Nachbearbeitung

Die LLM-Nachbearbeitung (Large Language Model) stellt die wichtigste Innovation dieses Projekts dar. Selbst die beste OCR-Engine produziert Fehler: Verwechslung visuell ähnlicher Zeichen (O/0, l/1/I, rn/m), Fehlinterpretation ornamentaler Schriftarten, in Hintergrundbilder eingebettete Texte, überlappende Textbereiche. Ein LLM wie Mistral, feinabgestimmt auf Paare von OCR-Text und korrigiertem Text, kann diese Fehler mit beeindruckender Erfolgsquote korrigieren. Der Prozess läuft wie folgt ab: Der Rohtext aus der OCR wird mit einem strukturierten Prompt an das LLM gesendet, das eine Rechtschreib- und Typografiekorrektur ohne inhaltliche Änderung anfordert. Das LLM identifiziert Inkonsistenzen, unmögliche Wörter, abweichende Datums- oder Zahlenformate und schlägt kontextualisierte Korrekturen vor. Dieser Ansatz reduziert die verbleibende Fehlerrate je nach Korpus um 30 bis 60 Prozent, mit besonders starken Auswirkungen auf beschädigte Dokumente.

Technische Herausforderungen

Beschädigte Dokumente stellen den schwierigsten und im professionellen Kontext häufigsten Fall dar. Fleckige Originalrechnungen, auf Kohlepapier gedruckte Verträge, mit Kugelschreiber ausgefüllte und mehrfach gescannte Formulare, Thermodokumente mit verblasster Tinte, Faxe schlechter Qualität – die Realität von Unternehmensarchiven ist weit entfernt von perfekt formatierten Testdokumenten. Das Projekt widmet diesen Grenzfällen besondere Aufmerksamkeit. Die Strategie kombiniert mehrere Eingriffsebenen: aggressive, aber parametrisierte Bildvorverarbeitung, die keine Informationen zerstört (adaptive Filterung, Inpainting für Flecken), mehrskalige Erkennung zur Erfassung unterschiedlich grosser Texte, parallele Erkennung mit mehreren Engines und Mehrheitsabstimmung sowie verstärkte LLM-Nachbearbeitung mit spezifischem Geschäftskontext (Abrechnungslexika, Produktnomenklaturen, Kundendatenbank).

Rechnungen und Verträge sind die beiden am häufigsten von Dokumentenextraktionsprojekten anvisierten Dokumenttypen, aus gutem Grund: Sie enthalten hochstrukturierte Informationen mit hohem Geschäftswert. Eine typische Rechnung besteht aus einem Kopf (Aussteller, Empfänger, Datum, Nummer), einem Körper (Produkt-/Dienstleistungszeilen, Mengen, Einzelpreise, Beträge) und einem Fuss (Summen, Mehrwertsteuer, Zahlungsbedingungen, Bankverbindung). Die Schwierigkeit liegt in der Variabilität der Layouts: Jedes Unternehmen verwendet seine eigene Vorlage. Die Pipeline kombiniert die Layout-Erkennung durch LayoutLM zur Identifizierung funktionaler Bereiche, die OCR auf jedem Bereich mit spezialisierten Modellen (Drucktext, Zahlen, Daten) und eine Geschäftsregelschicht, die die Konsistenz der extrahierten Daten validiert (Summe = Zeilensumme, Datum in gültigem Format, korrekte Umsatzsteuer-ID). Bei Verträgen geht es um die Extraktion spezifischer Klauseln: Laufzeit, Kündigungsbedingungen, Strafen, Beträge, Unterschriften. Der Ansatz kombiniert Bereichsextraktion, LLM-basierte Erkennung benannter Entitäten und überwachte juristische Validierung.

Mehrsprachigkeit ist eine technische und wissenschaftliche Herausforderung für sich. Eine hauptsächlich auf englischem oder chinesischem Text trainierte OCR-Engine liefert bei Sprachen mit grundlegend anderen Schriftsystemen – Arabisch, Kyrillisch, Devanagari, komplexe chinesische Zeichen – schlechte Ergebnisse. PaddleOCR ist die leistungsfähigste Engine für Chinesisch und Japanisch. Tesseract bietet die breiteste Abdeckung mit über 100 unterstützten Sprachen. EasyOCR deckt über 80 Sprachen mit einer guten Balance ab. Das Projekt bewertet jede Engine systematisch auf einem mehrsprachigen Korpus mit Französisch, Englisch, Deutsch, Niederländisch, Spanisch, Arabisch und Chinesisch. Die Metriken umfassen Character Error Rate (CER), Word Error Rate (WER) und die Genauigkeit der strukturierten Extraktion. Die Ergebnisse zeigen, dass die Kombination mehrerer Engines mit einer sprachabhängigen Gewichtung eine Genauigkeit von 95 bis 99 Prozent erreicht, je nach Qualität des Quelldokuments.

Extraktions-Pipeline

Die vollständige Pipeline-Architektur gliedert sich in fünf separate Schritte, die jeweils unabhängig optimiert werden. Der erste Schritt ist die Bildvorverarbeitung über OpenCV und Restaurierungsmodelle: Deskew, Denoising, Perspektivenkorrektur, Kontrastverbesserung und Inpainting blockierter Bereiche. Der zweite Schritt ist die Layout-Erkennung durch LayoutLM (feinabgestimmt auf Geschäftsdokumente) und YOLO (für die schnelle Lokalisierung von Interessensbereichen wie Logos, Unterschriften, Stempel). Der dritte Schritt ist die OCR-Erkennung mit PaddleOCR als Hauptengine, mit Tesseract und EasyOCR als Backup oder parallel für schwierige Fälle. Der vierte Schritt ist die LLM-Nachbearbeitung mit Mistral: Rechtschreib- und Typografiekorrektur, Formatnormalisierung (Daten, Beträge, Nummern), Auflösung von Mehrdeutigkeiten. Der fünfte Schritt ist die Strukturierung der extrahierten Daten nach einem definierten Geschäftsschema mit automatischer Validierung durch Konsistenzregeln und einer menschlichen Korrekturschnittstelle für kontinuierliche Verbesserung. Jeder Schritt legt Qualitätsmetriken offen, die es ermöglichen, Engpässe zu identifizieren und Optimierungen zu priorisieren.

Die vorläufigen Ergebnisse deuten auf eine Überlegenheit von Pipelines, die moderne OCR und LLM-Nachbearbeitung kombinieren. Auf einem Korpus von 500 echten Rechnungen aus sechs verschiedenen Branchen erreicht die vollständige Pipeline eine Extraktionsgenauigkeit von 96,2 Prozent auf Feldebene (gegenüber 82,5 Prozent für Tesseract allein und 88,1 Prozent für PaddleOCR allein). Die LLM-Nachbearbeitung reduziert die verbleibende Fehlerrate um 55 Prozent, mit besonders ausgeprägten Verbesserungen bei Beträgen und Daten. Die Layout-Erkennung durch LayoutLM verbessert die korrekte Lokalisierung von Interessensbereichen um 30 Prozent gegenüber einem heuristischen Regelansatz. Bei beschädigten Dokumenten (schlechte Scanqualität, verblasster Text, starkes Rauschen) hält die Pipeline eine Genauigkeit von 89,4 Prozent, gegenüber 61,2 Prozent für Tesseract und 72,8 Prozent für PaddleOCR allein. Diese Ergebnisse deuten auf die Gültigkeit des kombinatorischen Ansatzes hin und eröffnen Perspektiven für den industriellen Einsatz.

Perspektiven

Die Perspektiven dieses Projekts sind ehrgeizig. Die Integration von Foundation-Vision-Modellen (SAM, DINOv2) für die feine Dokumentensegmentierung könnte die Erkennung komplexer Bereiche weiter verbessern. Der Einsatz multimodaler Modelle der neuesten Generation, die ein Dokument in einem einzigen Durchlauf lesen und verstehen können – wie GPT-4V oder Qwen-VL – stellt eine natürliche Weiterentwicklung dar, auch wenn ihre Inferenzkosten für industrielle Volumen noch prohibitiv sind. Die Erweiterung auf die Handschrifterkennung (HTR) über Modelle wie TrOCR oder spezialisierte CRNNs ist ein prioritärer Forschungsbereich. Das Projekt strebt auch die Veröffentlichung eines annotierten Datensatzes von Geschäftsdokumenten an, um die Forschung und den Vergleich von Ansätzen zu erleichtern. Das Endziel ist der Aufbau einer industrialisierbaren Dokumentenextraktionsplattform, die Millionen von Dokumenten pro Monat mit einer Genauigkeit von über 97 Prozent verarbeiten kann, bei gleichzeitig mit den Budgets von KMU und mittelständischen Unternehmen kompatiblen Inferenzkosten.