Een benchmark-dataset voor textlijnsegmentatie in palmpapierrollen

Verhalen op bladen bewaren

Palmpapiermanuscripten behoren tot de oudste bewaard gebleven bronnen over het leven, de wetenschap, religie en kunst in Zuid- en Zuidoost-Azië. Veel van deze broze bladen vervagen, barsten en worden door de tijd aangetast, wat het risico met zich meebrengt dat eeuwen aan kennis verloren gaan. Dit artikel presenteert LeafOCR-Line, een zorgvuldig opgebouwde digitale dataset die computers helpt lijnen tekst op beschadigde palmpapierbladen nauwkeuriger te lezen, waardoor inspanningen om dit kwetsbare erfgoed te bewaren en te delen worden versneld.

Waarom oude bladen moeilijk te lezen zijn

Een palmpapiermanuscript lezen is niet zo eenvoudig als het scannen van een moderne gedrukte pagina. Het schrift staat vaak schuin, is samengedrukt in krappe ruimtes of onderbroken door gaatjes die traditioneel werden gebruikt om de bladen te rijgen. Leeftijd voegt vlekken, schimmelplekken, scheuren en vervaagde inkt toe. Sommige van deze beschadigingen lijken verwarrend op letters, terwijl delen van echte letters ontbreken of nauwelijks zichtbaar zijn. In talen zoals Malayalam, gebruikt voor veel van deze teksten, zitten letters vol lussen en gestapelde tekens die van de ene regel naar de andere kunnen overlappen. Voor een computervisiesysteem dat elke tekstlijn probeert te lokaliseren, is dit rommelige, overlappende patroon bijzonder lastig.

Van fysieke bladen naar een digitale benchmark

De auteurs streefden ernaar een grote, realistische benchmark-dataset te maken die zich richt op één cruciale stap in de digitaliseringsketen: het scheiden van elke tekstlijn van de achtergrond en van aangrenzende lijnen. Ze verzamelden 20 bundels Malayalam-palmpapiermanuscripten uit een openbare onlinecollectie, met werken geschreven tussen ongeveer de jaren 1000 en 1800. Na het extraheren van bijna 3.000 pagina-afbeeldingen en het automatisch wegcroppen van de donkere achtergronden, werkten ze uitsluitend met de bladregio’s. Elk bijgesneden blad varieert sterk in grootte, bevat drie tot twaalf tekstregels en kan één of twee gaatjes, onregelmatige afstand tussen regels en diverse handschriften bevatten die verschillende auteurs en tijdsperioden weerspiegelen.

Schade ordenen en elke regel volgen

Aangezien verschillende gradaties van schade verschillende verwerkingsstrategieën vereisen, werd elke afbeelding toegewezen aan een van drie kwaliteitsniveaus: minder aangetast, matig aangetast of sterk aangetast. Deze beoordeling bouwt voort op een eerdere, objectieve methode die visuele duidelijkheid, contrast en fysieke toestand analyseert. De belangrijkste innovatie van LeafOCR-Line ligt in de manier waarop de tekstlijnen worden gemarkeerd. In plaats van eenvoudige rechthoeken te tekenen, die vaak doorlopen over letters die boven of onder een regel uitsteken, gebruikte het team flexibele polygooncontouren die nauw aansluiten op de werkelijke gebogen vorm van elke regel.

Wat de dataset bevat

In totaal biedt LeafOCR-Line 1.710 palmpapierafbeeldingen, elk gekoppeld aan een bijbehorende maskerafbeelding die de tekstlijnen markeert. De collectie is verdeeld in trainings-, validatie- en testsubsets met vergelijkbare verhoudingen van de drie kwaliteitsniveaus: ongeveer de helft van de afbeeldingen is matig aangetast, terwijl de rest ruwweg gelijk verdeeld is tussen betere en slechtere conditie. Uit deze 1.710 bladen kunnen onderzoekers meer dan 10.000 individuele regelafbeeldingen extraheren. Extra bestanden geven per afbeelding een samenvatting van het schadelevel en het bronmanuscript, inclusief links terug naar de oorspronkelijke online repository. Deze opzet maakt het eenvoudig om methoden eerlijk te vergelijken en systemen te ontwerpen die zich aanpassen aan uiteenlopende schadegraden.

Hoe goed huidige algoritmen het doen

Om aan te tonen dat de dataset zowel uitdagend als nuttig is, trainden en testten de auteurs een brede reeks moderne beeldsegmentatiemodellen, variërend van klassieke encoder–decoder-netwerken tot nieuwere transformer-gebaseerde ontwerpen. Ze maten hoe nauwkeurig de door elk model voorspelde regelgebieden overeenkwamen met de door mensen gemaakte maskers. Alle modellen konden redelijk goed regels segmenteren, maar één benadering, genaamd DeepLabV3, stak er bovenuit. Het was bijzonder effectief in het vastleggen van dunne, gebogen lijnen en het behouden van continuïteit zelfs op sterk aangetaste bladen, hoewel kleine fouten bleven bestaan waar regels heel dicht bij elkaar lagen. Andere populaire modellen zoals U-Net en LinkNet presteerden ook sterk, maar iets minder consistent in de ergste gevallen, terwijl sommige transformer-gebaseerde en piramide-achtige netwerken moeite hadden met fijne details.

Van één schrift naar meerdere, en waarom het ertoe doet

Hoewel LeafOCR-Line alleen het Malayalam-schrift bevat, lijken de vormen en de lay-out van de letters op die van aangrenzende schriften zoals Tamil, Tigalari en Grantha. De auteurs toonden aan dat een model getraind op hun dataset ook regels uit deze verwante schriften kan segmenteren, wat suggereert dat dezelfde data bredere digitaliseringsinspanningen over meerdere talen kan ondersteunen. Voor niet-specialisten is de kernboodschap helder: LeafOCR-Line biedt een robuuste, openbare basis voor het bouwen en testen van algoritmen die tekstlijnen op beschadigde palmpapierbladen kunnen ‘zien’. Dit helpt archivisten, bibliothecarissen en gemeenschappen om fragiele, vervagende stroken plantmateriaal om te zetten in doorzoekbare, deelbare digitale archieven die het culturele geheugen voor toekomstige generaties bewaren.

Bronvermelding: Sivan, R., Pati, P.B. A benchmark dataset for text line segmentation in palm leaf documents. Sci Data 13, 424 (2026). https://doi.org/10.1038/s41597-026-06718-1

Trefwoorden: palmpapiermanuscripten, textlijnsegmentatie, documentdigitalisering, Malayalam-schrift, erfgoedbehoud