Пускане на системата за разпознаване на текст Tesseract 5.2

Публикувана е версията на системата за оптично разпознаване на текст Tesseract 5.2, която поддържа разпознаване на UTF-8 символи и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатът може да бъде запазен както в чист текст, така и във формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена през 1985-1995 г. в лабораторията на Hewlett Packard, през 2005 г. кодът е отворен под лиценз Apache и е доразвит с участието на служители на Google. Изходните текстове на проекта се разпространяват под лиценз Apache 2.0.

Tesseract включва конзолна помощна програма и библиотека libtesseract за вграждане на OCR функционалност в други приложения. GUI интерфейсите на трети страни, които поддържат Tesseract, включват gImageReader, VietOCR и YAGF. Предлагат се две машини за разпознаване: класическа, която разпознава текст на ниво индивидуални символни шаблони, и нова, базирана на използването на система за машинно обучение, базирана на повтаряща се невронна мрежа LSTM, оптимизирана за разпознаване на цели низове и позволяваща значително увеличение на точността. Публикувани са готови обучени модели за 123 езика. За оптимизиране на производителността се предлагат модули, използващи OpenMP и SIMD инструкции AVX2, AVX, AVX512F, NEON или SSE4.1.

Ключови подобрения в Tesseract 5.2:

• Добавени оптимизации, реализирани с помощта на инструкции на Intel AVX512F.
• C API реализира функция за инициализиране на teseract със зареждане на модел за машинно обучение от паметта.
• Добавен е параметърът invert_threshold, който определя нивото на инверсия на текстови низове. Стойността по подразбиране е 0.7. За да деактивирате инверсията, задайте стойността на 0.
• Подобрена обработка на много големи документи на 32-битови хостове.
• Преходът е направен от използване на std::regex функции към std::string.
• Подобрени скриптове за компилация за Autotools, CMake и системи за непрекъсната интеграция.

  Източник: opennet.ru