SRC-10: spracherkennung-ocr-qualitaetsbewertung
Spracherkennung für OCR-Texte und Qualitätsbewertung (Konfidenzwert), um schlechte OCR-Ergebnisse kenntlich zu machen. Letztes Ticket vor QA-03. - ocr/language.go: RecognizeWithLanguageAndConfidence erkennt ein Bild einzeln je Kandidatensprache (deu/eng) im Tesseract-TSV-Modus — die Sprache mit höherem Konfidenzwert gewinnt, derselbe Lauf liefert den Konfidenzwert direkt mit. - search: neue Felder ocr_language/ocr_confidence (Migrationen 0006/0007, gleiches ALTER-Muster wie SRC-05), in Document/Result gespiegelt. Client.AttachmentsBelowConfidence filtert gezielt auf niedrige Konfidenz, schließt Dokumente ohne OCR-Anhang aus. - Regressionsbug gefunden und behoben: reindex.go (SRC-09) kannte die neuen OCR-Spalten nicht, Reindex wäre mit "unknown column" fehlgeschlagen. Prüfungen (alle real durchgeführt, siehe mail/docs/SRC-10-PRUEFPROTOKOLL.md): 1. TestRecognizeWithLanguageAndConfidence_MultilingualCorpus: deutsches und englisches Testbild real korrekt als deu/eng erkannt. 2. TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence: künstliche Verschlechterung senkt Konfidenz real von 91,76 auf 28,21. 3. TestAttachmentsBelowConfidence_QueryReturnsExpectedResults: Abfrage unterhalb Schwelle liefert real genau die erwarteten 2 von 4 Treffern. Kein Umbau: Search/Facets/SearchWithFilters/Index/Delete-Verhalten sonst unverändert, dedup/indexworker/storage/crypto/encstorage/savedsearch unverändert. Co-Authored-By: Claude Sonnet 5 <noreply@anthropic.com> Claude-Session: https://claude.ai/code/session_01HhgFcLS8tYMhDJpP74C6AQ
This commit is contained in:
sysops
co-authored by
Claude Sonnet 5
Claude Sonnet 5
parent
bd37de529f
commit
1a246abdb3
@@ -0,0 +1,124 @@
|
||||
// SRC-10: Spracherkennung & OCR-Qualitätsbewertung. Tesseract erkennt bei
|
||||
// kombinierten Sprachpaketen (Languages = "deu+eng") nicht, WELCHE Sprache
|
||||
// tatsächlich vorlag — daher wird das Bild hier bewusst EINZELN mit jedem
|
||||
// Kandidaten aus candidateLanguages erkannt, und die Sprache mit dem
|
||||
// höheren durchschnittlichen Worterkennungs-Konfidenzwert gewinnt
|
||||
// (Akzeptanzkriterium 1). Derselbe Tesseract-TSV-Lauf liefert den
|
||||
// Konfidenzwert direkt mit (Akzeptanzkriterium 2) — keine zweite externe
|
||||
// Bibliothek für Sprach- ODER Konfidenzerkennung nötig.
|
||||
package ocr
|
||||
|
||||
import (
|
||||
"bytes"
|
||||
"context"
|
||||
"fmt"
|
||||
"os"
|
||||
"os/exec"
|
||||
"path/filepath"
|
||||
"strconv"
|
||||
"strings"
|
||||
)
|
||||
|
||||
// candidateLanguages sind die unterstützten Einzelsprachen — muss eine
|
||||
// Teilmenge der in Languages kombinierten Sprachpakete sein.
|
||||
var candidateLanguages = []string{"deu", "eng"}
|
||||
|
||||
// RecognizedText ist das Ergebnis einer sprach- und konfidenzbewussten
|
||||
// Texterkennung.
|
||||
type RecognizedText struct {
|
||||
Text string
|
||||
// Language ist der ISO-639-2-Sprachcode aus candidateLanguages mit dem
|
||||
// höchsten Konfidenzwert (Akzeptanzkriterium 1).
|
||||
Language string
|
||||
// Confidence ist der durchschnittliche Tesseract-Worterkennungs-
|
||||
// Konfidenzwert (0–100) der gewählten Sprache (Akzeptanzkriterium 2).
|
||||
Confidence float64
|
||||
}
|
||||
|
||||
// RecognizeWithLanguageAndConfidence erkennt Sprache und Text eines Bildes
|
||||
// und liefert einen auswertbaren Konfidenzwert.
|
||||
func RecognizeWithLanguageAndConfidence(ctx context.Context, imageBytes []byte) (RecognizedText, error) {
|
||||
var best RecognizedText
|
||||
haveResult := false
|
||||
|
||||
for _, lang := range candidateLanguages {
|
||||
text, confidence, err := recognizeWithTSV(ctx, imageBytes, lang)
|
||||
if err != nil {
|
||||
return RecognizedText{}, err
|
||||
}
|
||||
if !haveResult || confidence > best.Confidence {
|
||||
best = RecognizedText{Text: text, Language: lang, Confidence: confidence}
|
||||
haveResult = true
|
||||
}
|
||||
}
|
||||
return best, nil
|
||||
}
|
||||
|
||||
// recognizeWithTSV führt Tesseract mit GENAU einer Sprache im TSV-Ausgabe-
|
||||
// modus aus und liefert den zusammengesetzten Text sowie den
|
||||
// durchschnittlichen Konfidenzwert über alle erkannten Wörter (Tesseract-
|
||||
// TSV-Zeilen mit level=5, conf>=0 — negative Konfidenzwerte markieren
|
||||
// Struktur-/Layoutzeilen ohne eigenen Text, siehe Tesseract-TSV-Format).
|
||||
func recognizeWithTSV(ctx context.Context, imageBytes []byte, lang string) (text string, confidence float64, err error) {
|
||||
workDir, err := os.MkdirTemp("", "mail-ocr-lang-*")
|
||||
if err != nil {
|
||||
return "", 0, fmt.Errorf("ocr: arbeitsverzeichnis anlegen: %w", err)
|
||||
}
|
||||
defer func() { _ = os.RemoveAll(workDir) }()
|
||||
|
||||
imagePath := filepath.Join(workDir, "input")
|
||||
if err := os.WriteFile(imagePath, imageBytes, 0o600); err != nil {
|
||||
return "", 0, fmt.Errorf("ocr: bild schreiben: %w", err)
|
||||
}
|
||||
outBase := filepath.Join(workDir, "output")
|
||||
|
||||
cmd := exec.CommandContext(ctx, "tesseract", imagePath, outBase, "-l", lang, "tsv")
|
||||
var stderr bytes.Buffer
|
||||
cmd.Stderr = &stderr
|
||||
if err := cmd.Run(); err != nil {
|
||||
return "", 0, fmt.Errorf("ocr: tesseract (tsv, %s) fehlgeschlagen: %w (%s)", lang, err, stderr.String())
|
||||
}
|
||||
|
||||
tsvBytes, err := os.ReadFile(outBase + ".tsv")
|
||||
if err != nil {
|
||||
return "", 0, fmt.Errorf("ocr: tsv-ausgabe lesen: %w", err)
|
||||
}
|
||||
return parseTSV(string(tsvBytes))
|
||||
}
|
||||
|
||||
// tsvWordLevel ist der Tesseract-TSV-"level"-Wert für einzelne Wörter
|
||||
// (1=Seite, 2=Block, 3=Absatz, 4=Zeile, 5=Wort).
|
||||
const tsvWordLevel = "5"
|
||||
|
||||
func parseTSV(tsv string) (text string, confidence float64, err error) {
|
||||
lines := strings.Split(tsv, "\n")
|
||||
var words []string
|
||||
var confSum float64
|
||||
var confCount int
|
||||
|
||||
for i, line := range lines {
|
||||
if i == 0 || strings.TrimSpace(line) == "" {
|
||||
continue // Kopfzeile bzw. Leerzeile überspringen
|
||||
}
|
||||
cols := strings.Split(line, "\t")
|
||||
if len(cols) < 12 || cols[0] != tsvWordLevel {
|
||||
continue
|
||||
}
|
||||
conf, convErr := strconv.ParseFloat(cols[10], 64)
|
||||
if convErr != nil || conf < 0 {
|
||||
continue
|
||||
}
|
||||
word := cols[11]
|
||||
if word == "" {
|
||||
continue
|
||||
}
|
||||
words = append(words, word)
|
||||
confSum += conf
|
||||
confCount++
|
||||
}
|
||||
|
||||
if confCount == 0 {
|
||||
return "", 0, nil
|
||||
}
|
||||
return strings.Join(words, " "), confSum / float64(confCount), nil
|
||||
}
|
||||
@@ -0,0 +1,101 @@
|
||||
package ocr
|
||||
|
||||
import (
|
||||
"bytes"
|
||||
"context"
|
||||
"image"
|
||||
"image/color"
|
||||
"image/png"
|
||||
"testing"
|
||||
)
|
||||
|
||||
// TestRecognizeWithLanguageAndConfidence_MultilingualCorpus ist die
|
||||
// geforderte Pflichtprüfung 1: Test mit mehrsprachigem Testkorpus
|
||||
// bestätigt korrekte Spracherkennung.
|
||||
func TestRecognizeWithLanguageAndConfidence_MultilingualCorpus(t *testing.T) {
|
||||
requireTools(t)
|
||||
ctx := context.Background()
|
||||
|
||||
germanImage := knownTextImage(t, ctx, "Rechnung ueber Lieferung Nummer Zwei")
|
||||
englishImage := knownTextImage(t, ctx, "Invoice for delivery number two")
|
||||
|
||||
germanResult, err := RecognizeWithLanguageAndConfidence(ctx, germanImage)
|
||||
if err != nil {
|
||||
t.Fatalf("deutsches bild: %v", err)
|
||||
}
|
||||
if germanResult.Language != "deu" {
|
||||
t.Fatalf("erwartete sprache 'deu' für deutschen text, habe %q (text: %q)", germanResult.Language, germanResult.Text)
|
||||
}
|
||||
|
||||
englishResult, err := RecognizeWithLanguageAndConfidence(ctx, englishImage)
|
||||
if err != nil {
|
||||
t.Fatalf("englisches bild: %v", err)
|
||||
}
|
||||
if englishResult.Language != "eng" {
|
||||
t.Fatalf("erwartete sprache 'eng' für englischen text, habe %q (text: %q)", englishResult.Language, englishResult.Text)
|
||||
}
|
||||
}
|
||||
|
||||
// TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence ist
|
||||
// die geforderte Pflichtprüfung 2: künstlich verschlechtertes Bild erzeugt
|
||||
// niedrigeren Konfidenzwert.
|
||||
func TestRecognizeWithLanguageAndConfidence_DegradedImageLowersConfidence(t *testing.T) {
|
||||
requireTools(t)
|
||||
ctx := context.Background()
|
||||
|
||||
original := knownTextImage(t, ctx, "Qualitaetsvergleich Testbild Konfidenz")
|
||||
originalImg, err := png.Decode(bytes.NewReader(original))
|
||||
if err != nil {
|
||||
t.Fatalf("original dekodieren: %v", err)
|
||||
}
|
||||
degradedImg := pixelate(originalImg, 12)
|
||||
var degradedBuf bytes.Buffer
|
||||
if err := png.Encode(°radedBuf, degradedImg); err != nil {
|
||||
t.Fatalf("verschlechtertes bild kodieren: %v", err)
|
||||
}
|
||||
|
||||
originalResult, err := RecognizeWithLanguageAndConfidence(ctx, original)
|
||||
if err != nil {
|
||||
t.Fatalf("original erkennen: %v", err)
|
||||
}
|
||||
degradedResult, err := RecognizeWithLanguageAndConfidence(ctx, degradedBuf.Bytes())
|
||||
if err != nil {
|
||||
t.Fatalf("verschlechtertes bild erkennen: %v", err)
|
||||
}
|
||||
|
||||
t.Logf("original: conf=%.2f text=%q — verschlechtert: conf=%.2f text=%q",
|
||||
originalResult.Confidence, originalResult.Text, degradedResult.Confidence, degradedResult.Text)
|
||||
if degradedResult.Confidence >= originalResult.Confidence {
|
||||
t.Fatalf("erwartete niedrigeren konfidenzwert für verschlechtertes bild, habe original=%.2f verschlechtert=%.2f",
|
||||
originalResult.Confidence, degradedResult.Confidence)
|
||||
}
|
||||
}
|
||||
|
||||
// pixelate verschlechtert img künstlich, reproduzierbar und ohne externe
|
||||
// Werkzeuge: Downsample um factor per Nearest-Neighbor, dann wieder auf
|
||||
// Originalgröße hochskaliert — zerstört Feindetails der Textglyphen.
|
||||
func pixelate(img image.Image, factor int) image.Image {
|
||||
bounds := img.Bounds()
|
||||
w, h := bounds.Dx(), bounds.Dy()
|
||||
out := image.NewRGBA(bounds)
|
||||
for y := 0; y < h; y++ {
|
||||
for x := 0; x < w; x++ {
|
||||
blockX := (x / factor) * factor
|
||||
blockY := (y / factor) * factor
|
||||
c := img.At(bounds.Min.X+blockX, bounds.Min.Y+blockY)
|
||||
out.Set(bounds.Min.X+x, bounds.Min.Y+y, colorToGray50(c))
|
||||
}
|
||||
}
|
||||
return out
|
||||
}
|
||||
|
||||
// colorToGray50 mischt zusätzlich mit 50% Grau, um den Kontrast zu
|
||||
// verringern — verstärkt die künstliche Qualitätsverschlechterung über
|
||||
// reine Pixelierung hinaus.
|
||||
func colorToGray50(c color.Color) color.Color {
|
||||
r, g, b, a := c.RGBA()
|
||||
mix := func(v uint32) uint8 {
|
||||
return uint8((v>>8)/2 + 128/2)
|
||||
}
|
||||
return color.RGBA{R: mix(r), G: mix(g), B: mix(b), A: uint8(a >> 8)}
|
||||
}
|
||||
Reference in New Issue
Block a user