docs: Add OCR Kombi Pipeline to MkDocs and cross-reference from OCR Pipeline

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

docs-src/services/klausur-service/OCR-Pipeline.md

@@ -1,6 +1,6 @@
 # OCR Pipeline - Schrittweise Seitenrekonstruktion
 
-**Version:** 5.0.0
+**Version:** 5.1.0
 **Status:** Produktiv (Schritte 1–10 + Grid Editor + Regression Framework)
 **URL:** https://macmini:3002/ai/ocr-pipeline
 
@@ -149,7 +149,9 @@ klausur-service/backend/
 ├── ocr_pipeline_api.py                 # FastAPI Router (Schritte 2-10)
 ├── orientation_crop_api.py             # FastAPI Router (Schritte 1 + 4)
 ├── grid_editor_api.py                  # Grid Editor: build-grid, save-grid, grid-editor
+├── grid_editor_helpers.py              # Footer-Filterung, Seitenzahl-Extraktion
 ├── cv_ocr_engines.py                   # OCR-Engines, IPA-Korrektur, Britfone-Woerterbuch
+├── cv_syllable_detect.py               # Deutsche Silbentrennung (Silben:DE Modus)
 ├── cv_box_detect.py                    # Box-Erkennung + Zonen-Aufteilung
 ├── cv_graphic_detect.py                # Grafik-/Bilderkennung (Region-basiert)
 ├── cv_color_detect.py                  # Farbtext-Erkennung (HSV-Analyse)
@@ -1081,6 +1083,8 @@ Rekonstruktion fuer Vokabelseiten mit komplexen Layouts (Bilder, Ueberschriften,
 | Datei | Beschreibung |
 |-------|--------------|
 | `grid_editor_api.py` | `_build_grid_core()` Pipeline, alle Steps |
+| `grid_editor_helpers.py` | `_filter_footer_words()` → Seitenzahl-Extraktion, Footer-Filterung |
+| `cv_syllable_detect.py` | Deutsche Silbentrennung mit IPA-Kompatibilitaet |
 | `cv_ocr_engines.py` | IPA-Korrektur, Britfone-Woerterbuch, Garbled-IPA-Erkennung |
 | `cv_vocab_types.py` | `PageZone` (mit `image_overlays`), `ColumnGeometry` |
 | `tests/test_grid_editor_api.py` | 27 Tests |
@@ -1106,9 +1110,15 @@ Kombi-Wortdaten
   ├─ Step 4: Farb-Annotation
   │   → detect_word_colors(): HSV-Farbanalyse aller word_boxes
   │
+  ├─ Step 4b2: Per-Cell Artifact Filter
+  │   → Einzel-Wort-Zellen mit ≤2 Zeichen und conf < 65 entfernen
+  │
   ├─ Step 4c: Oversized Word Box Removal
   │   → word_boxes > 3x Median entfernen (Grafik-Artefakte)
   │
+  ├─ Step 4d2: Connector Column Normalization
+  │   → Dominante Kurzwoerter in schmalen Spalten normalisieren
+  │
   ├─ Step 5: Overlay-Wort-Filter
   │   → Woerter innerhalb image_overlays entfernen
   │
@@ -1197,6 +1207,38 @@ des Headwords der vorherigen Zeile). Diese werden von PaddleOCR als garbled Text
 4. Schlaegt IPA im Britfone-Woerterbuch nach
 5. Beruecksichtigt alle Wortteile (z.B. "close sth. down" → `[klˈəʊz dˈaʊn]`)
 
+### Per-Cell Artifact Filter (Step 4b2)
+
+Entfernt OCR-Rauschen auf Zellebene: Zellen mit genau einer `word_box`, maximal 2 Zeichen
+und Confidence unter 65 werden als Artefakte klassifiziert und entfernt.
+
+**Konstanten:**
+
+| Parameter | Wert | Beschreibung |
+|-----------|------|--------------|
+| `_ARTIFACT_MAX_LEN` | 2 | Maximale Textlaenge fuer Artefakt-Verdacht |
+| `_ARTIFACT_CONF_THRESHOLD` | 65 | Confidence-Schwelle (darunter = Artefakt) |
+
+**Sicherheit:** Einzelne Zeichen mit hoher Confidence (z.B. rote `!`-Marker mit conf=98)
+werden **nicht** entfernt, da ihre Confidence ueber dem Schwellwert liegt.
+
+**Typische Artefakte:** `(as)` conf=55, `u)` conf=44 — OCR-Noise aus Seitenraendern
+oder Schatten.
+
+### Connector Column Normalization (Step 4d2)
+
+Erkennt schmale Spalten mit einem dominanten Kurzwort (z.B. "oder", "and", "bzw.")
+und normalisiert OCR-Fehler bei denen das dominante Wort mit Rauschen versehen wurde.
+
+**Algorithmus:**
+
+1. Pro Spalte: Zaehle Textvorkommen aller Zellen
+2. Pruefe ob ein dominantes Wort existiert (≥ 60% der Zellen, max 10 Zeichen)
+3. Fuer Zellen die mit dem dominanten Wort **beginnen** und max 2 Zeichen laenger sind:
+   Normalisiere auf das dominante Wort
+
+**Beispiel:** Spalte mit "oder" in 80% der Zellen → `"oderb"` wird zu `"oder"` normalisiert.
+
 ### Compound Word IPA Decomposition (Step 5e)
 
 Zusammengesetzte Woerter wie "schoolbag" oder "blackbird" haben oft keinen eigenen
@@ -1253,6 +1295,69 @@ Admin-UI fuer effiziente Massenpruefung von Sessions:
 
 Admin-UI: [/ai/ocr-ground-truth](https://macmini:3002/ai/ocr-ground-truth)
 
+### Page Number Extraction
+
+Die Footer-Filterung (`_filter_footer_words` in `grid_editor_helpers.py`) erkennt
+Seitenzahlen in den untersten 5% des Bildes und gibt sie als Metadaten zurueck,
+statt sie stillschweigend zu entfernen.
+
+**Algorithmus:**
+
+1. Woerter in den untersten 5% des Bildes identifizieren
+2. Wenn ≤ 3 Woerter mit ≤ 10 Zeichen Gesamtlaenge: Als Seitenzahl extrahieren
+3. Rueckgabe als `PageNumber`-Objekt: `{text, y_pct, number?}`
+4. Ziffern werden separat als `number` (Integer) extrahiert
+
+**Datentyp:**
+
+```typescript
+interface PageNumber {
+  text: string     // Roh-OCR-Text (z.B. "u)233")
+  y_pct: number    // Vertikale Position in Prozent
+  number?: number  // Extrahierte Zahl (z.B. 233)
+}
+```
+
+**Frontend-Anzeige:**
+
+In der Summary-Leiste (GridEditor + StepGridReview) als Badge: `S. 233`.
+Zeigt bevorzugt `page_number.number` (saubere Zahl), Fallback auf `page_number.text`.
+
+**Zweck:** Spaetere Zusammenfuehrung aufeinanderfolgender Seiten im Kundenfrontend.
+
+### Footer-Zeilen-Erkennung (Verbesserung)
+
+Die Footer-Erkennung wurde um zwei Pruefungen erweitert, um falsch-positive
+Footer-Markierungen bei Content-Zeilen zu verhindern:
+
+| Pruefung | Bedingung | Grund |
+|----------|-----------|-------|
+| Komma-Check | `',' in text` → kein Footer | Content-Saetze enthalten Kommas, Seitenzahlen nicht |
+| Laengen-Check | `len(text) > 20` → kein Footer | Seitenzahlen sind kurz, Content-Zeilen lang |
+
+**Vorher:** `"Uhrzeit, Vergangenheit, Zukunft"` wurde als Footer markiert.
+**Nachher:** Nur tatsaechliche Seitenzahlen (kurz, ohne Kommas) werden als Footer erkannt.
+
+### Silben + IPA Kombination (Fix)
+
+**Datei:** `cv_syllable_detect.py`
+
+Wenn beide Modi (Silben:DE und IPA) aktiviert sind, blockierte der `_IPA_RE`-Guard
+die Silbentrennung, weil programmatisch eingefuegte IPA-Klammern (z.B. `[bɪltʃøn]`)
+IPA-Zeichen enthalten.
+
+**Loesung:** Vor der IPA-Pruefung wird Bracket-Content entfernt:
+
+```python
+# Bracket-Content strippen, da programmatisch eingefuegt
+text_no_brackets = re.sub(r'\[[^\]]*\]', '', text)
+if _IPA_RE.search(text_no_brackets):
+    return text  # Echte IPA im Fliesstext → keine Silbentrennung
+```
+
+So wird `"Bild·chen [bɪltʃøn]"` korrekt silbifiziert: Die Silbenpunkte bleiben erhalten,
+und die IPA in Klammern wird nicht als Blockiergrund gewertet.
+
 ### `en_col_type` Erkennung
 
 Die Erkennung der Englisch-Headword-Spalte nutzt **Bracket-IPA-Pattern-Count**
@@ -1620,6 +1725,8 @@ Die Ergebnisse fliessen in Schritt 5 (Spaltenerkennung) und den Grid Editor ein.
 
 | Datum | Version | Aenderung |
 |-------|---------|----------|
+| 2026-03-26 | 5.2.0 | **OCR Kombi Pipeline:** Neuer modularer Nachfolger als 11-Schritt-Architektur unter `/ai/ocr-kombi`. Eigene Dokumentation: [OCR Kombi Pipeline](OCR-Kombi-Pipeline.md). Phase 1 (Grundgeruest + DB) implementiert: DB-Migration (`document_group_id`, `page_number`), Frontend-Orchestrator, 13 Step-Komponenten, Backend-Router mit Multi-Page-Upload. |
+| 2026-03-26 | 5.1.0 | **Grid Quality & Metadata:** Per-Cell Artifact Filter (Step 4b2: ≤2 Zeichen + conf < 65), Connector Column Normalization (Step 4d2: dominante Kurzwoerter), Footer-Erkennung verbessert (Komma/Laengen-Check), Seitenzahl-Extraktion als Metadaten (`page_number` Feld im Grid-Result), Frontend-Anzeige in Summary-Leiste. Silben+IPA-Kombination gefixt (Bracket-Content vor IPA-Guard strippen). |
 | 2026-03-23 | 5.0.0 | **Phase 1 Sprint 1:** Compound-IPA-Zerlegung (`_decompose_compound`), Trailing-Garbled-Fragment-Entfernung (Multi-Wort-Headwords), Regression Framework mit DB-Persistenz + History + Shell-Script, Ground-Truth Review Workflow UI, Page-Crop Determinismus verifiziert. Admin-Seiten: `/ai/ocr-regression`, `/ai/ocr-ground-truth`. |
 | 2026-03-20 | 4.7.0 | Grid Editor: Zone Merging ueber Bilder (`image_overlays`), Heading Detection (Farbe + Hoehe), Ghost-Filter (borderless-aware), Oversized Word Box Removal, IPA Phonetic Correction (Britfone), IPA Continuation Detection, `en_col_type` via Bracket-Count. 27 Tests. |
 | 2026-03-16 | 4.6.0 | Strukturerkennung (Schritt 8): Region-basierte Grafikerkennung (`cv_graphic_detect.py`) mit Zwei-Pass-Verfahren (Farbregionen + schwarze Illustrationen), Wort-Ueberlappungs-Filter, Box/Zonen/Farb-Analyse. Schritt laeuft nach Worterkennung. |