Wenn ABBYY FineReader die eingestellte OCR-Sprache scheinbar ignoriert, führt das schnell zu schlechten Erkennungsergebnissen: deutsche Umlaute werden falsch interpretiert, tschechische Zeichen fehlen oder FineReader setzt Wörter aus dem falschen Sprachmodell zusammen. In meinem ursprünglichen Fall war deshalb die zentrale Frage nicht nur, wo man die OCR-Sprache auswählt, sondern warum FineReader trotz dieser Auswahl anders erkennt als erwartet.
Warum die OCR-Sprache so wichtig ist
Die Sprache steuert, welche Zeichen, Wörterbücher und Erkennungsmuster FineReader für die Texterkennung bevorzugt. Bei einem deutschen Dokument sollte deshalb nicht unnötig eine große Mischung vieler Sprachen aktiviert sein. Je breiter die Auswahl, desto mehr mögliche Zeichenkombinationen muss die OCR berücksichtigen.
Bei mehrsprachigen Dokumenten kann eine Kombination sinnvoll sein, zum Beispiel Deutsch und Tschechisch. Bei einem rein deutschsprachigen Dokument würde ich dagegen zunächst nur Deutsch auswählen und einen Testlauf machen.
OCR-Sprache im OCR-Editor kontrollieren
Die Sprache sollte dort geprüft werden, wo die eigentliche Erkennung stattfindet – im OCR-Editor beziehungsweise in den Erkennungseinstellungen.
- Dokument in FineReader öffnen.
- Zum OCR-Editor beziehungsweise zur Texterkennung wechseln.
- Die Sprachauswahl suchen.
- Nur die tatsächlich benötigte Sprache beziehungsweise Sprachkombination aktivieren.
- Eine einzelne problematische Seite erneut erkennen lassen und das Ergebnis vergleichen.
Ein Test mit nur einer Seite ist sinnvoller als sofort ein 200-seitiges Dokument komplett neu erkennen zu lassen.
Automatische Spracherkennung als Fehlerquelle
Je nach Version und Arbeitsablauf kann FineReader Spracheinstellungen automatisch bestimmen oder aus einem bestehenden OCR-Projekt übernehmen. Wenn eine manuelle Auswahl scheinbar keine Wirkung hat, sollte deshalb geprüft werden, ob eine automatische Spracherkennung oder eine gespeicherte Projekteinstellung die Auswahl beeinflusst.
Besonders bei alten FineReader-Projekten kann es sinnvoll sein, ein neues leeres OCR-Projekt anzulegen und dieselbe Seite dort noch einmal zu testen. Ist die Erkennung dort besser, steckt die Ursache wahrscheinlich in den Projekteinstellungen und nicht im Scan selbst.
Mehrere Sprachen nur verwenden, wenn sie wirklich vorkommen
FineReader kann viele Sprachen gleichzeitig berücksichtigen. Das bedeutet aber nicht, dass „mehr“ automatisch besser ist. Bei ähnlichen Alphabeten erhöht eine unnötig große Sprachliste die Zahl möglicher Interpretationen.
Mein Vorgehen:
- rein deutscher Text → zunächst nur Deutsch,
- deutsch-tschechischer Text → Deutsch + Tschechisch,
- englische Fachbegriffe in einem deutschen Text → erst testen, ob Deutsch allein genügt,
- mehrsprachige Tabellen oder Formulare → nur die wirklich vorkommenden Sprachen kombinieren.
Ist die gewünschte OCR-Sprache überhaupt installiert?
Wenn eine Sprache in der Auswahl fehlt, sollte die FineReader-Installation geprüft werden. Je nach Produktversion und Installationsart kann die verfügbare Sprachunterstützung unterschiedlich sein.
Unter Windows lässt sich FineReader über Einstellungen → Apps → Installierte Apps beziehungsweise über die klassische Systemsteuerung aufrufen. Falls die Installation eine Änderungs- oder Reparaturoption anbietet, kann darüber geprüft werden, ob benötigte Komponenten vorhanden sind.
Direkt in FineReader ist ebenfalls hilfreich zu prüfen, welche Sprachen tatsächlich in der Sprachauswahl angeboten werden. Eine Sprache, die dort nicht existiert, kann selbstverständlich auch nicht für die OCR verwendet werden.
Benutzerdefinierte Sprachen und Erkennungsmuster
FineReader unterstützt je nach Version benutzerdefinierte Sprachen und Muster. Diese Funktionen sind nützlich für ungewöhnliche Schriften oder wiederkehrende Spezialbegriffe, können aber auch unerwartete Erkennungsergebnisse verursachen, wenn alte Trainingsdaten in einem Projekt weiterverwendet werden.
Bei merkwürdiger OCR würde ich deshalb testweise:
- ein neues OCR-Projekt öffnen,
- nur eine Standardsprache einstellen,
- keine benutzerdefinierten Muster verwenden,
- eine Seite neu erkennen.
Wenn das Ergebnis anschließend korrekt ist, kann man schrittweise wieder zusätzliche Einstellungen aktivieren.
Sprache ist nicht immer die eigentliche Ursache
Auch ein perfekt eingestelltes Sprachmodell kann einen schlechten Scan nicht vollständig retten. Wenn die Erkennung weiterhin schlecht ist, sollte zusätzlich die Bildqualität geprüft werden:
- Ist die Auflösung ausreichend?
- Ist die Seite gerade ausgerichtet?
- Ist der Kontrast hoch genug?
- Gibt es Schatten, Falten oder einen dunklen Buchfalz?
- Ist die Schrift sehr klein oder stark komprimiert?
- Wurde das PDF möglicherweise schon einmal stark bildkomprimiert?
Bei schlechten Vorlagen bringt eine Verbesserung der Bildqualität häufig mehr als das ständige Wechseln der Sprache.
Typischer Test zur Eingrenzung
Wenn FineReader zum Beispiel tschechische Zeichen falsch erkennt, würde ich eine Seite mit klar sichtbaren Zeichen wie č, ř, š, ž, ě oder ů auswählen und drei OCR-Läufe vergleichen:
- nur Deutsch,
- nur Tschechisch,
- Deutsch + Tschechisch.
Schon nach wenigen Absätzen sieht man meistens, welches Sprachmodell am besten funktioniert.
Nach Änderung der Sprache neu erkennen
Eine wichtige Falle: Die Änderung der OCR-Sprache korrigiert bereits erkannten Text nicht automatisch. Die betreffende Seite beziehungsweise der gewünschte Seitenbereich muss danach erneut erkannt werden. Sonst sieht es so aus, als würde FineReader die neue Einstellung ignorieren, obwohl noch das alte OCR-Ergebnis angezeigt wird.
Wenn nur einzelne Bereiche eine andere Sprache haben
Bei zweisprachigen Dokumenten kann es sinnvoll sein, einzelne Erkennungsbereiche getrennt zu behandeln. Zum Beispiel kann eine Tabelle tschechisch sein, während der Fließtext deutsch ist. Je nach FineReader-Version lassen sich Erkennungsbereiche und deren Eigenschaften gezielt anpassen.
Reparatur als letzter Schritt
Wenn Sprachen fehlen oder FineReader sich nach einem Update auffällig verhält, ist eine Reparaturinstallation sinnvoller als sofort alle Einstellungen manuell zu verändern. In Windows kann die installierte FineReader-Version über Apps beziehungsweise Programme auf eine vorhandene Reparaturfunktion geprüft werden.
Vor einer kompletten Neuinstallation sollten eigene Projekte, benutzerdefinierte Muster und wichtige Einstellungen gesichert werden.
Fazit
Wenn ABBYY FineReader die OCR-Sprache scheinbar ignoriert, gehe ich in dieser Reihenfolge vor: Sprache im OCR-Editor prüfen, automatische beziehungsweise alte Projekteinstellungen ausschließen, nur die nötigen Sprachen aktivieren, Testseite neu erkennen und anschließend die Scanqualität beurteilen. Wichtig ist außerdem, die Seite nach einer Sprachänderung wirklich neu zu erkennen. Erst wenn diese Tests nichts bringen, würde ich die Installation beziehungsweise Sprachkomponenten reparieren.