OCR (Texterkennung)

Ein gescanntes Dokument ist für den Computer zunächst nur ein Bild – eine Fläche aus Pixeln. Dass darauf „Rechnung Nr. 4711" steht, weiß er nicht. OCR ändert das: Die Software erkennt die Schriftzeichen und wandelt sie in Text um.

Wie OCR funktioniert

1. Vorbereitung: Das Bild wird begradigt, Kontrast und Helligkeit werden angepasst, Störungen entfernt.
2. Layout-Analyse: Die Software erkennt Textblöcke, Zeilen und Wörter und trennt sie von Bildern oder Tabellenlinien.
3. Zeichenerkennung: Moderne Verfahren nutzen neuronale Netze, die ganze Wörter oder Zeilen erkennen statt einzelner Buchstaben.
4. Nachbearbeitung: Sprachmodelle und Wörterbücher korrigieren wahrscheinliche Fehler, etwa „0" statt „O".

Textebene in PDFs

Nicht jedes PDF braucht OCR. PDFs, die direkt aus einem Programm erzeugt wurden, enthalten bereits eine Textebene. Nur gescannte PDFs oder Fotos, die als PDF gespeichert wurden, bestehen aus Bildern. Gute Systeme prüfen deshalb zuerst, ob Text vorhanden ist, und setzen OCR nur dort ein, wo er fehlt.

Wo OCR an Grenzen stößt

• Handschrift: Klassische OCR ist auf Druckschrift ausgelegt; Handschrift erfordert spezielle Verfahren und bleibt fehleranfällig.
• Schlechte Bildqualität: Unscharfe, schräge oder dunkle Fotos verringern die Erkennungsrate deutlich.
• Text in Szenen: Schrift auf Schildern, Geräten oder Kleidung ist für dokumentorientierte OCR schwierig.
• Komplexe Layouts: Tabellen und mehrspaltige Texte werden manchmal in falscher Reihenfolge ausgelesen.

OCR im Kundenservice

Kund*innen schicken ständig Bilder: Screenshots von Fehlermeldungen, Fotos von Typenschildern, gescannte Lieferscheine, abfotografierte Rechnungen. Ohne OCR sind diese Inhalte für die Suche unsichtbar. Mit OCR wird der Text Teil der Volltextsuche und damit der Kundenhistorie.

Ein Beispiel

Ein Kunde ruft an und nennt eine Seriennummer. Die Kollegin weiß, dass vor Monaten ein Foto des Typenschilds kam, aber nicht mehr, in welchem Ticket. Sie sucht nach der Seriennummer – und findet das Ticket, weil die Nummer per OCR aus dem Foto erkannt wurde. Ohne OCR hätte sie die Anhänge Dutzender Tickets öffnen müssen.

Datenschutz

Erkannter Text kann personenbezogene Daten enthalten, etwa aus Ausweisen oder Verträgen. Er unterliegt denselben Regeln wie der Anhang selbst und sollte mit diesem gelöscht werden. Wichtig ist auch, wo die Erkennung läuft: auf eigenen Servern oder bei einem externen Dienst (siehe DSGVO im Kundenservice).

Bessere Ergebnisse erzielen

Wer Kund*innen um Fotos bittet, kann die Qualität beeinflussen: gerade von oben fotografieren, gutes Licht, keine Spiegelungen, das Dokument formatfüllend. Scans mit mindestens 300 dpi liefern bei Druckschrift meist sehr gute Ergebnisse.

Bei PDFs lohnt es sich, Kund*innen um die ursprüngliche Datei statt eines Ausdrucks zu bitten, der wieder eingescannt wurde. Eine Datei mit echter Textebene ist immer genauer als jede Texterkennung, und sie lässt sich ohne Umweg durchsuchen.

So hilft rapidFOX

rapidFOX erkennt Text in angehängten Fotos, Scans und PDFs automatisch im Hintergrund und nimmt ihn in alle Ticket-Suchen auf; eine Markierung am Anhang zeigt, ob Text erkannt wurde. Die Erkennung läuft auf eigenen Servern in Deutschland. Mehr unter Dokumente durchsuchen.