• Advances and Limitations in Open Source Arabic-Script OCR: A Case Study

    Author(s):
    Benjamin Kiessling, Gennady Kurin, Kader Smail, Matthew Thomas Miller (see profile)
    Date:
    2021
    Group(s):
    TC Digital Humanities
    Subject(s):
    Optical character recognition, Arabic language, Persian language, Digital humanities, Culture--Study and teaching, Culture--Data processing
    Item Type:
    Article
    Tag(s):
    OCR, Computational culture studies
    Permanent URL:
    https://doi.org/10.17613/29k7-c046
    Abstract:
    This work presents an accuracy study of the open source OCR engine, Kraken, on the leading Arabic scholarly journal, al-Abhath. In contrast with other commercially available OCR engines, Kraken is shown to be capable of producing highly accurate Arabic-script OCR. The study also assesses the relative accuracy of typeface-specific and generalized models on the al-Abhath data and provides a microanalysis of the “error instances” and the contextual features that may have contributed to OCR misrecognition. Building on this analysis, the paper argues that Arabic-script OCR can be significantly improved through (1) a more systematic approach to training data production, and (2) the development of key technological components, especially multi-language models and improved line segmentation and layout analysis. / Cet article présente une étude d’exactitude du moteur ROC open source, Krakan, sur la revue académique arabe de premier rang, al-Abhath. Contrairement à d’autres moteurs ROC disponibles sur le marché, Kraken se révèle être capable de produire de la ROC extrêmement exacte de l’écriture arabe. L’étude évalue aussi l’exactitude relative des modèles spécifiquement configurés à des polices et celle des modèles généralisés sur les données d’al-Abhath et fournit une microanalyse des « occurrences d’erreurs », ainsi qu’une microanalyse des éléments contextuels qui pourraient avoir contribué à la méreconnaissance ROC. S’appuyant sur cette analyse, cet article fait valoir que la ROC de l’écriture arabe peut être considérablement améliorée grâce à (1) une approche plus systématique d’entraînement de la production de données et (2) grâce au développement de composants technologiques fondamentaux, notammentl’amélioration des modèles multilingues, de la segmentation de ligne et de l’analyse de la mise en page. Kiessling, Benjamin, Gennady Kurin, Matthew Miller, and Kader Smail. 2021. “Advances and Limitations in Open Source Arabic-Script OCR: A Case Study.”
    Metadata:
    Published as:
    Journal article    
    Status:
    Published
    Last Updated:
    6 months ago
    License:
    Attribution
    Share this:

    Downloads

    Item Name:pdf kiessling-benjamin-gennady-kurin-matthew-miller-and-kader-smail.-advances-and-limitations-in-open-source-arabic-script-ocr-a-case-study-2021.pdf
     Download View in browser
    Activity: Downloads: 32