Häufige OCR-Fehler und wie du sie vermeidest

OCR ist kein Zaubersystem, das jede Vorlage fehlerfrei verarbeitet. Die Technologie hat klare Stärken und bekannte Schwächen. Wer die häufigsten Fehlerquellen kennt, kann sie meist schon vor der Verarbeitung ausschließen.

Fehlerquelle 1: Schlechte Bildqualität

Die häufigste Ursache für OCR-Fehler ist eine unzureichende Vorlagenqualität. OCR kann nur erkennen, was das Eingabebild enthält. Ist das Bild unscharf, zu dunkel oder rauschbehaftet, produziert auch die beste Engine schlechte Ergebnisse.

Unschärfe entsteht bei Bewegung beim Fotografieren, bei falschem Fokus oder bei einer Auflösung unterhalb von 150 DPI. Selbst ein modernes Smartphone erzeugt bei zu wenig Licht unscharfe Bilder durch längere Belichtungszeiten.

Rauschen ist ein Muster aus zufälligen Helligkeitsschwankungen, das bei hoher ISO-Einstellung oder schlechtem Licht auftritt. Rauschen in hellen Bereichen eines Dokuments kann dazu führen, dass die Engine dort Zeichen “erfindet”, wo keiner ist.

Zu niedriger Kontrast tritt auf, wenn Text auf farbigem Papier gedruckt ist, bei verblassten Ausdrucken oder bei Thermobons nach einigen Jahren. Die OCR-Engine hat dann Schwierigkeiten, Text von Hintergrund zu trennen.

Lösung: Gutes Licht, mindestens 300 DPI, kein Verwackeln. Bei schlechten Vorlagen hilft es, das Bild vorher in einem Bildeditor zu schärfen und den Kontrast manuell zu erhöhen.

Fehlerquelle 2: Schräge Ausrichtung

Ein schief fotografiertes oder gescanntes Dokument verwirrt OCR-Systeme. Die Engine erwartet horizontale Textzeilen. Wenn Zeilen unter einem Winkel verlaufen, kann die Segmentierung (das Erkennen, wo eine Zeile endet und die nächste beginnt) fehlschlagen.

Moderne OCR-Tools korrigieren leichte Schräglagen automatisch durch Deskewing. Aber starke Neigungen (mehr als 10 bis 15 Grad) überfordern diesen Mechanismus. Das Ergebnis sind oft vertauschte Wörter oder Zeilen, die durcheinandergebracht werden.

Lösung: Dokument gerade auflegen oder gerade fotografieren. Leichte Korrekturen übernimmt das Tool automatisch.

Fehlerquelle 3: Ungeeignete Schriften

OCR ist auf gedruckten Text in Standardschriften optimiert. Abweichungen davon reduzieren die Genauigkeit:

Handschrift ist der schwierigste Fall. Handschrift variiert stark zwischen Personen und selbst innerhalb derselben Person. Spezielle handschriften-trainierte Modelle sind besser, aber immer noch deutlich ungenauer als bei Druckschrift.

Dekorative Schriften wie Fraktur, Kurrentschrift oder Fantasy-Fonts folgen anderen Buchstabenformen als die Schriften, auf denen OCR-Modelle trainiert wurden. Für historische Texte in Fraktur gibt es spezialisierte Trainingsmodelle.

Sehr kleine Schrift unter acht Punkt ist bei normaler DPI-Einstellung kaum zuverlässig erkennbar. In diesen Fällen hilft eine höhere Scan-Auflösung (600 DPI statt 300 DPI), die die effektive Buchstabengröße verdoppelt.

Fehlerquelle 4: Komplexe Layouts

Einfacher Fließtext ist für OCR das einfachste Szenario. Komplexe Layouts stellen die Segmentierungslogik vor Herausforderungen.

Mehrspaltiger Text kann dazu führen, dass Zeilen quer durch alle Spalten zusammengelesen werden, statt jede Spalte separat von oben nach unten zu verarbeiten. Das ergibt unlesbaren Kauderwelsch.

Tabellen mit verbundenen Zellen, dünnen Trennlinien oder inhaltsreichen Zellen werden oft falsch segmentiert. Der Text landet in falscher Reihenfolge, was bei Finanzdaten gefährlich falsche Werte ergeben kann.

Text über Bildern oder Grafiken ist für OCR schwierig, weil der Algorithmus Text und Bild trennen muss. Grafiken mit eingebettetem Text (Diagramme, Logos, Bildunterschriften auf farbigen Feldern) werden oft gar nicht oder fehlerhaft erkannt.

Fehlerquelle 5: Falsche Sprache

OCR-Sprachmodelle verwenden Wörterbücher und Wahrscheinlichkeiten für Buchstabenfolgen. Ist die gewählte Sprache falsch, passen die statistischen Annahmen nicht zum Text. Ein deutsches Dokument mit englischer OCR-Sprache wird Wörter wie “Überprüfung” oder “Straße” falsch interpretieren, weil die Zeichen Ü und ß im englischen Sprachmodell kaum vorkommen.

Lösung: Im Tool die korrekte Sprache einstellen, bevor die Verarbeitung gestartet wird. Bei mehrsprachigen Dokumenten nach der Hauptsprache oder der häufigeren Sprache auswählen.

Häufige Verwechslungen auf Zeichenebene

Unabhängig von der Dokumentqualität gibt es systematische Verwechslungen, die bei allen OCR-Systemen auftreten:

• l (kleines L) und 1 (Eins) und I (großes i)
• O (großes o) und 0 (Null)
• rn und m
• cl und d
• li und h bei bestimmten Schriften
• Komma und Punkt, besonders in Zahlen (kritisch bei Beträgen)

Bei finanzrelevanten Dokumenten sollten diese Zeichen nach der OCR-Verarbeitung gezielt geprüft werden.

Fazit

Die meisten OCR-Fehler sind vermeidbar. Gute Bildqualität, korrekte Ausrichtung und die richtige Sprache lösen den Großteil der Probleme. Das Tool liefert bei ordentlichen Vorlagen sehr gute Ergebnisse. Bei kritischen Daten wie Rechnungsbeträgen oder Vertragszahlen empfiehlt sich eine schnelle Sichtkontrolle der erkannten Werte.