wpu.nu

Instruktioner för OCR

Från wpu.nu

Skannade dokument är egentligen bara en samling bilder. För att kunna söka i innehållet behöver de översättas till text. Den processen kallas OCR (Optical Character Recognition). På denna wiki görs det automatiskt, men de flesta dokument kräver en del handpåläggning efteråt. För att tala om att ditt dokument ska översättas till text behöver du skapa en indexsida. Du hittar länken dit när du laddat upp din fil. Exempel: https://palmeutredningen.sjunken.se/wiki/Fil:Pol-1986-03-13-e-644-2-gustav-fagerberg.pdf Högst upp till vänster klickar du på "Länk till Indexsidan", och sedan Skapa. Om du vill köra automatisk OCR väljer du "Source file needs an OCR layer" i rutan för "progress" när du redigerar indexsidan. Detta gör att dokumentet skickas för OCR till Google Cloud Vision i Finland för att med hjälp av AI översättas till text. Detta tar någon minut. När det är gjort kommer indexsidans "progress" bytas till "to be proofread" vilket betyder att det är dags att manuellt granska dokumentet. Du kan behöva ladda om sidan för hur att du ska se att "progress" uppdaterats.

I granskningen skall ovidkommande information tas bort. Det är sådant som tex den förtryckta texten "SPANINGSUPPSLAG i grövre brottmål" eller sidnummer. Onödigt personlig information får du maska om du behagar. Texten ska främst vara läslig utan att man ska behöva tänka på hur det såg ut på ett papper för 30 år sedan. Om man är intresserad av att hitta ledtrådar i stavning, maskningsteknik och sidnummer så får man helt enkelt hålla sig till originalfilerna, inte den översatta texten. Därför skall du även rätta stavfel, expandera förkortningar tex "Sveav." blir "Sveavägen" för att fritextsökningen ska bli pålitlig. Du ska också fixa layouten så att texten blir lätt att läsa. Exvis är det lämpligt att i ett dialogförhör låta förhörsledaren "prata" med kursiv text, och uppgiftslämnaren i vanlig text. Infoga radbrytningar och styckesbrytningar där det behövs. Ett bra exempel är Sida:Pol-19860405-1110-åke-larsson-E20-2.pdf/2

För mer information om hur man redigerar mediawiki-text, se här https://www.mediawiki.org/wiki/Help:Formatting/sv

På indexsidan för ditt dokument fyller du i information om dokumentet. Tex titel och datum. Alla fält kanske inte passar dit dokument, då är det bara att hoppa över dem. Om ditt dokument är ett PM så ska du tex inte fylla i "förhörd person".

På indexsidan finns sedan länkar till alla sidor i dokumentet. Börja att granska och fixa sida 1. När du är klar, markerar du sidan som korrekturläst genom att markera den gula bollen innan du sparar. Om du vill spara men inte är klar låter du sidan vara kvar som "ej korrekturläst".


Om du ser att det kan finnas oavsiktlig information på en sida, så ska detta markeras genom att lägga aktuell sida i en passande kategori. Det kan röra sig om text som delvis syns genom maskning eller baksidestext som lyst igenom vid scanning eller kopiering.

Följande kategorier finns för närvarande:

  • Sidan innehåller maskning som kan vara synlig eller som kan göras synlig i bildredigeringsprogram.
  • Baksidestexten syns igenom. Personer som är duktiga på bildredigering kan kanske få ut läsbar text. I de flesta fall är det bara en redan känd sida i samma dokument, men det måste kollas.
  • Sidan innehåller maskning som går att lista ut. Det kan röra sig om maskning som är gjord på ett väldigt konsistent vis så att ordlängder kan bestämmas. Det kan vara att vissa maskerade ord är uppenbara och ordlängden och språket tillåter att vissa maskede ord bestäms.
  • Ditt dokument är i grunden samma dokument som redan finns upplagt här, men maskningen är annorlunda. Man kan eventuellt då med hjälp av de båda dokumenten bestämma flera maskade ord.