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

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

admin-lehrer/app/(admin)/ai/rag/page.tsx

@@ -1435,6 +1435,7 @@ const TYPE_LABELS: Record<string, string> = {
 // Industry/Sector definitions for the regulation map
 const INDUSTRIES = [
   { id: 'all', name: 'Alle Unternehmen', icon: '🏢', description: 'Grundlegende Anforderungen fuer alle' },
+  { id: 'maschinenbau', name: 'Maschinenbau', icon: '⚙️', description: 'Maschinen- und Anlagenbauer, Automatisierung' },
   { id: 'health', name: 'Gesundheitswesen', icon: '🏥', description: 'Krankenhaeuser, DiGA, Medizintechnik' },
   { id: 'finance', name: 'Finanzsektor', icon: '🏦', description: 'Banken, Versicherungen, Zahlungsdienstleister' },
   { id: 'ecommerce', name: 'E-Commerce', icon: '🛒', description: 'Online-Shops, Marktplaetze' },
@@ -1448,19 +1449,36 @@ const INDUSTRIES = [
 
 // Mapping: Which regulations apply to which industries
 const INDUSTRY_REGULATION_MAP: Record<string, string[]> = {
-  all: ['GDPR', 'EPRIVACY', 'TDDDG'],
+  // Grundlage fuer ALLE Unternehmen in DE/EU
-  health: ['GDPR', 'TDDDG', 'BSI-TR-03161-1', 'BSI-TR-03161-2', 'BSI-TR-03161-3', 'NIS2', 'AIACT', 'PLD', 'EHDS'],
+  all: ['GDPR', 'EPRIVACY', 'TDDDG', 'BDSG_FULL', 'SCC', 'DPF'],
-  finance: ['GDPR', 'TDDDG', 'NIS2', 'EUCSA', 'DSA', 'AIACT', 'DPF', 'DORA', 'PSD2', 'AMLR', 'MiCA'],
+  // Maschinenbau — Kern-Zielgruppe: Maschinen- und Anlagenbauer mit Software/KI
-  ecommerce: ['GDPR', 'TDDDG', 'DSA', 'GPSR', 'EAA', 'PLD', 'DPF', 'PSD2',
+  maschinenbau: ['GDPR', 'TDDDG', 'BDSG_FULL', 'MACHINERY_REG', 'BLUE_GUIDE', 'CRA', 'NIS2', 'AIACT',
-    'DE_PANGV', 'DE_VSBG', 'DE_PRODHAFTG', 'DE_VERPACKG', 'DE_ELEKTROG', 'DE_BFSG', 'DE_UWG',
+    'PLD', 'GPSR', 'DATAACT', 'EUCSA', 'DE_PRODHAFTG', 'DE_ELEKTROG', 'DE_BATTDG'],
+  // Gesundheit: DiGA, Krankenhaeuser, Medizintechnik
+  health: ['GDPR', 'TDDDG', 'BDSG_FULL', 'BSI-TR-03161-1', 'BSI-TR-03161-2', 'BSI-TR-03161-3',
+    'NIS2', 'AIACT', 'PLD', 'EHDS', 'EUCSA', 'CRA'],
+  // Finanzen: Banken, Versicherungen, Zahlungsdienstleister
+  finance: ['GDPR', 'TDDDG', 'BDSG_FULL', 'NIS2', 'EUCSA', 'DSA', 'AIACT', 'DPF', 'DORA', 'PSD2',
+    'AMLR', 'MiCA', 'EAA', 'DE_HGB_RET', 'DE_AO_RET'],
+  // E-Commerce: Online-Shops, Marktplaetze, Verbraucherschutz
+  ecommerce: ['GDPR', 'TDDDG', 'BDSG_FULL', 'DSA', 'GPSR', 'EAA', 'PLD', 'DPF', 'PSD2', 'CRA',
+    'DE_BGB_AGB', 'DE_PANGV', 'DE_VSBG', 'DE_PRODHAFTG', 'DE_VERPACKG', 'DE_ELEKTROG', 'DE_BFSG', 'DE_UWG',
     'E_COMMERCE_RL', 'VERBRAUCHERRECHTE_RL', 'WARENKAUF_RL', 'KLAUSEL_RL', 'UNLAUTERE_PRAKTIKEN_RL',
     'PREISANGABEN_RL', 'OMNIBUS_RL', 'DIGITALE_INHALTE_RL'],
-  tech: ['GDPR', 'TDDDG', 'CRA', 'AIACT', 'DPF', 'SCC', 'DATAACT', 'DSM', 'MiCA'],
+  // Technologie: Software-Entwickler, SaaS, Cloud
-  iot: ['GDPR', 'CRA', 'GPSR', 'PLD', 'DATAACT', 'AIACT'],
+  tech: ['GDPR', 'TDDDG', 'BDSG_FULL', 'CRA', 'NIS2', 'AIACT', 'DPF', 'SCC', 'DATAACT', 'DSM',
-  ai: ['GDPR', 'AIACT', 'PLD', 'DSM', 'DATAACT'],
+    'MiCA', 'EUCSA', 'DE_URHG', 'DE_GESCHGEHG'],
-  kritis: ['GDPR', 'NIS2', 'EUCSA', 'CRA', 'AIACT', 'DORA'],
+  // IoT/Hardware: Geraetehersteller, Smart Devices, Embedded
-  media: ['GDPR', 'TDDDG', 'DSA', 'DSM', 'EAA', 'AIACT'],
+  iot: ['GDPR', 'TDDDG', 'CRA', 'GPSR', 'PLD', 'DATAACT', 'AIACT', 'MACHINERY_REG', 'BLUE_GUIDE',
-  public: ['GDPR', 'NIS2', 'EUCSA', 'EAA', 'DGA', 'AIACT', 'EHDS'],
+    'NIS2', 'DE_ELEKTROG', 'DE_PRODHAFTG', 'DE_BATTDG'],
+  // KI-Anbieter: KI-Entwickler und -Anwender
+  ai: ['GDPR', 'TDDDG', 'AIACT', 'PLD', 'DSM', 'DATAACT', 'CRA', 'EUCSA', 'DE_URHG'],
+  // KRITIS: Energie, Wasser, Transport
+  kritis: ['GDPR', 'TDDDG', 'BDSG_FULL', 'NIS2', 'EUCSA', 'CRA', 'AIACT', 'DORA', 'DATAACT'],
+  // Medien/Plattformen: Social Media, Content-Plattformen
+  media: ['GDPR', 'TDDDG', 'DSA', 'DSM', 'EAA', 'AIACT', 'DGA', 'DMA', 'DE_URHG'],
+  // Oeffentlicher Sektor: Behoerden, Verwaltung
+  public: ['GDPR', 'TDDDG', 'BDSG_FULL', 'NIS2', 'EUCSA', 'EAA', 'DGA', 'AIACT', 'EHDS', 'DATAACT'],
 }
 
 // Thematic groupings showing overlaps
@@ -1497,8 +1515,8 @@ const THEMATIC_GROUPS = [
     id: 'product-safety',
     name: 'Produktsicherheit & Haftung',
     color: 'bg-orange-500',
-    regulations: ['CRA', 'PLD', 'GPSR', 'EAA'],
+    regulations: ['CRA', 'PLD', 'GPSR', 'EAA', 'MACHINERY_REG', 'BLUE_GUIDE'],
-    description: 'Sicherheitsanforderungen, CE-Kennzeichnung, Barrierefreiheit'
+    description: 'Sicherheitsanforderungen, CE-Kennzeichnung, Maschinenverordnung, Barrierefreiheit'
   },
   {
     id: 'finance',

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

@@ -0,0 +1,253 @@
+# OCR Kombi Pipeline - Modulare 11-Schritt-Architektur
+
+**Version:** 1.0.0
+**Status:** Phase 1 implementiert (Grundgeruest + DB)
+**URL:** https://macmini:3002/ai/ocr-kombi
+
+## Uebersicht
+
+Die OCR Kombi Pipeline ist der Nachfolger des OCR-Overlay-Monolithen (`/ai/ocr-overlay`).
+Sie zerlegt den OCR-Prozess in **11 modulare Schritte** mit je einer eigenen Komponente
+pro Frontend- und Backend-Datei. Ziel: schnelles Debugging, klare Verantwortlichkeiten,
+Multi-Page-Dokument-Unterstuetzung.
+
+**Primaerer Modus:** Kombi (PaddleOCR + Tesseract) — der einzige Modus, den der User nutzt.
+
+### Warum ein Refactor?
+
+| Problem (alt) | Loesung (neu) |
+|----------------|---------------|
+| `page.tsx` = 751-Zeilen-Monolith mit 3 Modi | `page.tsx` = ~140-Zeilen-Orchestrator, je 1 Datei pro Step |
+| Upload, Orientierung und Page-Split in einem Step | 3 separate Steps mit eigener Logik |
+| Keine Multi-Page-Dokument-Unterstuetzung | `document_group_id` + `page_number` auf DB-Ebene |
+| OCR intransparent (eine Blackbox) | 3-Phasen-Fortschritt + Engine-Attribution pro Wort (geplant) |
+| `grid_editor_api.py` = 1801 Zeilen | 4 Module + Orchestrator (geplant) |
+
+---
+
+## Pipeline-Schritte
+
+| # | Step | Frontend | Backend | Beschreibung |
+|---|------|----------|---------|--------------|
+| 1 | Upload | `StepUpload.tsx` | `step_upload.py` | Bild/PDF hochladen, Titel, Kategorie. Multi-Page-PDF → N Sessions |
+| 2 | Orientierung | `StepOrientation.tsx` | (shared) | Rotation 90/180/270 erkennen + korrigieren |
+| 3 | Seitentrennung | `StepPageSplit.tsx` | (shared) | Doppelseiten erkennen + splitten |
+| 4 | Begradigung | `StepDeskew.tsx` | (shared) | Hough Lines + Word Alignment |
+| 5 | Entzerrung | `StepDewarp.tsx` | (shared) | Shear-Korrektur (Vertikalkanten-Drift) |
+| 6 | Zuschneiden | `StepContentCrop.tsx` | (shared) | Scanner-Raender entfernen (nach Begradigung!) |
+| 7 | OCR | `StepOcr.tsx` | (shared) | Tesseract + PaddleOCR + Merge |
+| 8 | Strukturerkennung | `StepStructure.tsx` | (shared) | Boxen, Zonen, Farben, Grafiken |
+| 9 | Grid-Aufbau | `StepGridBuild.tsx` | (shared) | Strukturiertes Grid aus OCR + Struktur |
+| 10 | Grid-Review | `StepGridReview.tsx` | (shared) | Excel-Editor, IPA, Silben, Korrekturen |
+| 11 | Ground Truth | `StepGroundTruth.tsx` | (shared) | Validierung + GT-Markierung |
+
+!!! note "Crop nach Dewarp"
+    Seitentrennung (Step 3) passiert **vor** Begradigung — richtig, weil jede Haelfte
+    unabhaengig begradigt wird. Der Content-Crop (Step 6) bleibt **nach** Dewarp,
+    weil content-basierter Crop auf geradem Bild besser funktioniert.
+
+---
+
+## Multi-Page-Dokument-Gruppierung
+
+### Problem
+
+Ein Lehrer scannt 10 Vokabelseiten als eine PDF-Datei. Im Endnutzer-Frontend soll das
+ein zusammenhaengendes Dokument sein. Alle Seiten muessen spaeter zu gemeinsamen
+Lern-Units verarbeitet werden koennen.
+
+### Loesung: `document_group_id` + `page_number`
+
+Zwei neue Felder auf `ocr_pipeline_sessions` (Migration `009_add_document_group.sql`):
+
+```sql
+ALTER TABLE ocr_pipeline_sessions
+    ADD COLUMN IF NOT EXISTS document_group_id UUID,
+    ADD COLUMN IF NOT EXISTS page_number INT;
+```
+
+| Upload-Typ | document_group_id | page_number |
+|------------|-------------------|-------------|
+| Einzelbild | neues UUID | 1 |
+| Multi-Page-PDF (10 Seiten) | gleiches UUID fuer alle 10 | 1..10 |
+| Doppelseiten-Split von S. 3 | gleiches UUID | neue S. 3 + S. 4, Rest umkontiert |
+
+### Benennung
+
+Upload-Titel "Vokabeln Unit 3" erzeugt:
+
+- "Vokabeln Unit 3 — S. 1"
+- "Vokabeln Unit 3 — S. 2"
+- ...
+- "Vokabeln Unit 3 — S. 10"
+
+### Session-Liste im Admin
+
+Gruppierte Anzeige: Ein Dokument-Header ("Vokabeln Unit 3, 10 Seiten") mit aufklappbaren
+Einzel-Sessions darunter. Jede Session hat eigenen Pipeline-Status.
+
+---
+
+## API-Endpoints
+
+### Neue Endpoints (OCR Kombi)
+
+| Methode | Pfad | Beschreibung |
+|---------|------|--------------|
+| POST | `/api/v1/ocr-kombi/upload` | Upload: Einzelbild oder Multi-Page-PDF |
+| GET | `/api/v1/ocr-kombi/documents/{group_id}` | Alle Sessions einer Dokumentgruppe |
+
+### Bestehende Endpoints (wiederverwendet)
+
+Die Kombi-Pipeline nutzt alle bestehenden Endpoints aus `/api/v1/ocr-pipeline/`:
+
+| Methode | Pfad | Step |
+|---------|------|------|
+| POST | `/sessions` | Upload (Legacy, Einzelbild) |
+| POST | `/sessions/{id}/orientation` | Orientierung |
+| POST | `/sessions/{id}/page-split` | Seitentrennung |
+| POST | `/sessions/{id}/deskew` | Begradigung |
+| POST | `/sessions/{id}/dewarp` | Entzerrung |
+| POST | `/sessions/{id}/crop` | Zuschneiden |
+| POST | `/sessions/{id}/paddle-kombi` | OCR (Kombi) |
+| POST | `/sessions/{id}/detect-structure` | Strukturerkennung |
+| POST | `/sessions/{id}/build-grid` | Grid-Aufbau |
+| POST | `/sessions/{id}/save-grid` | Grid speichern |
+| GET | `/sessions/{id}/grid-editor` | Grid laden |
+| POST | `/sessions/{id}/mark-ground-truth` | GT markieren |
+
+---
+
+## Dateistruktur
+
+### Frontend
+
+```
+admin-lehrer/app/(admin)/ai/ocr-kombi/
+├── page.tsx                    # ~140 Zeilen, Orchestrator mit Suspense-Boundary
+├── types.ts                    # KOMBI_V2_STEPS (11 Steps), DocumentGroup-Types, OCR-Transparenz-Types
+└── useKombiPipeline.ts         # Hook: Session-State, Step-Navigation, Dokument-Gruppierung
+
+admin-lehrer/components/ocr-kombi/
+├── KombiStepper.tsx            # 11-Step-Indikator (kompakt, scrollbar)
+├── SessionList.tsx             # Gruppierte Session-Liste (Dokumentgruppen aufklappbar)
+├── SessionHeader.tsx           # Aktive Session: Name + Kategorie + GT-Badge
+├── StepUpload.tsx              # Drag-Drop + Titel + Kategorie-Auswahl
+├── StepOrientation.tsx         # Wrapper → shared StepOrientation
+├── StepPageSplit.tsx           # Doppelseiten-Erkennung + Auto-Advance
+├── StepDeskew.tsx              # Wrapper → shared StepDeskew
+├── StepDewarp.tsx              # Wrapper → shared StepDewarp
+├── StepContentCrop.tsx         # Wrapper → shared StepCrop
+├── StepOcr.tsx                 # Wrapper → PaddleDirectStep (kombi endpoint)
+├── StepStructure.tsx           # Wrapper → shared StepStructureDetection
+├── StepGridBuild.tsx           # Auto-Trigger build-grid + Ergebnis-Anzeige
+├── StepGridReview.tsx          # Wrapper → shared StepGridReview (mit saveRef)
+└── StepGroundTruth.tsx         # GT-Markierung mit Auto-Save
+```
+
+### Backend
+
+```
+klausur-service/backend/ocr_kombi/
+├── __init__.py
+├── router.py                   # Composite Router (/api/v1/ocr-kombi)
+└── step_upload.py              # Multi-Page-PDF → N Sessions + document_group_id
+```
+
+### Shared (wiederverwendet)
+
+Die Kombi-Pipeline nutzt alle bestehenden Backend-Module:
+
+- `orientation_crop_api.py` — Orientierung, Page-Split, Crop
+- `ocr_pipeline_api.py` — Deskew, Dewarp
+- `ocr_pipeline_ocr_merge.py` — PaddleOCR + Tesseract Merge
+- `grid_editor_api.py` — Grid-Aufbau + Editor
+- `ocr_pipeline_session_store.py` — DB-Layer (erweitert um document_group_id)
+- Alle `cv_*.py` — CV-Algorithmen
+
+### Migration
+
+```
+migrations/009_add_document_group.sql  # document_group_id UUID + page_number INT + Index
+```
+
+---
+
+## Implementierungsphasen
+
+| Phase | Status | Beschreibung |
+|-------|--------|--------------|
+| **1: Grundgeruest + DB** | Implementiert | DB-Migration, Types, Hook, Stepper, SessionList, page.tsx, Navigation, Backend-Router |
+| **2: Vorverarbeitungs-Steps** | Geplant | Multi-Page-PDF-Upload, Orientierung ohne Upload, Seitentrennung mit document_group_id |
+| **3: OCR-Transparenz** | Geplant | 3-Phasen-Fortschritt, Engine-Attribution pro Wort, Farbkodierung |
+| **4: Grid-Pipeline aufteilen** | Geplant | grid_editor_api.py → 4 Module + Orchestrator |
+| **5: Restliche Steps** | Geplant | Structure, GridBuild, GridReview, GroundTruth voll integriert |
+| **6: Features migrieren** | Spaeter | LLM-Review-Streaming, Labeling-Mode, Bild-Generierung |
+| **7: Aufraeumen** | Spaeter | /ai/ocr-overlay und /ai/ocr-pipeline loeschen |
+
+---
+
+## OCR-Transparenz (Phase 3, geplant)
+
+### 3-Phasen-Fortschritt in Step 7
+
+1. "Tesseract laeuft..." (Fortschrittsbalken)
+2. "PaddleOCR laeuft..." (Fortschrittsbalken)
+3. "Merge laeuft..." (Fortschrittsbalken)
+
+### Engine-Attribution pro Wort
+
+Vergleichsansicht mit Farbkodierung:
+
+| Farbe | Bedeutung |
+|-------|-----------|
+| Gruen | Beide Engines einig |
+| Blau | Nur PaddleOCR |
+| Orange | Nur Tesseract |
+| Gelb | Konflikt, PaddleOCR gewaehlt |
+| Rot | Konflikt, Tesseract gewaehlt |
+
+### Geplanter Endpoint
+
+```
+POST /sessions/{id}/ocr-kombi-transparent
+→ { raw_tesseract, raw_paddle, merged, engine_source_per_word }
+```
+
+---
+
+## Grid-Pipeline-Aufteilung (Phase 4, geplant)
+
+`grid_editor_api.py` (1801 Zeilen) wird aufgeteilt in:
+
+| Modul | Inhalt | ~Zeilen |
+|-------|--------|---------|
+| `grid_build_filters.py` | Margin, Footer, Header, Exclude, Grafik-Filter | ~200 |
+| `grid_build_zones.py` | Box-Detect, Page-Zones, Vert-Dividers | ~250 |
+| `grid_build_columns.py` | Spalten-Clustering + Union-Merge + Zone-Grids | ~300 |
+| `grid_build_postprocess.py` | Row/Cell-Postprocessing, IPA, Farben, Dictionary | ~500 |
+
+`grid_editor_api.py` wird zum schlanken Orchestrator.
+
+---
+
+## Verhaeltnis zu bestehenden Pipelines
+
+| Pipeline | Route | Status | Beschreibung |
+|----------|-------|--------|--------------|
+| **OCR Kombi** | `/ai/ocr-kombi` | Aktiv (neu) | Modulare 11-Schritt-Pipeline |
+| OCR Overlay | `/ai/ocr-overlay` | Legacy | 751-Zeilen-Monolith, 3 Modi |
+| OCR Pipeline | `/ai/ocr-pipeline` | Legacy | Volle Pipeline mit Spalten |
+| OCR Compare | `/ai/ocr-compare` | Eigenstaendig | Methoden-Vergleich |
+
+Die alte OCR Overlay (`/ai/ocr-overlay`) bleibt waehrend des gesamten Umbaus parallel nutzbar
+fuer A/B-Tests. Sobald die Kombi-Pipeline feature-complete ist, werden die alten Pipelines
+in Phase 7 entfernt.
+
+---
+
+## Aenderungshistorie
+
+| Datum | Version | Aenderung |
+|-------|---------|-----------|
+| 2026-03-26 | 1.0.0 | **Phase 1:** Grundgeruest mit 11-Step-Architektur, DB-Migration (document_group_id, page_number), Backend-Router mit Multi-Page-Upload, Frontend mit SessionList (gruppiert), KombiStepper, 13 Step-Komponenten, useKombiPipeline Hook, Navigation |

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. |

mkdocs.yml

@@ -70,6 +70,7 @@ nav:
       - BYOEH Developer Guide: services/klausur-service/BYOEH-Developer-Guide.md
       - NiBiS Pipeline: services/klausur-service/NiBiS-Ingestion-Pipeline.md
       - OCR Pipeline: services/klausur-service/OCR-Pipeline.md
+      - OCR Kombi Pipeline: services/klausur-service/OCR-Kombi-Pipeline.md
       - TrOCR ONNX: services/klausur-service/TrOCR-ONNX.md
       - OCR Labeling: services/klausur-service/OCR-Labeling-Spec.md
       - OCR Vergleich: services/klausur-service/OCR-Compare.md