Udgivet er version 5.4.0 af Tesseract, et system til optisk tegngenkendelse, som understøtter genkendelse af UTF-8 tegn og tekster på over 100 sprog, herunder russisk, kasakhisk, hviderussisk og ukrainsk. Resultatet kan gemmes som ren tekst samt i HTML (hOCR), ALTO (XML), PDF og TSV formater. Systemet blev oprindeligt udviklet mellem 1985 og 1995 i Hewlett Packards laboratorium, og i 2005 blev koden frigivet under Apache-licensen, hvorefter det blev videreudviklet med hjælp fra medarbejdere hos Google. Kildekoderne til projektet distribueres under Apache 2.0 licensen.
Tesseract inkluderer et kommandolinjeværktøj og biblioteket libtesseract til indbygning af tekstgenkendelsesfunktioner i andre applikationer. Blandt de eksterne GUI-grænseflader, der understøtter Tesseract, kan nævnes gImageReader, VietOCR og YAGF. Der tilbydes to genkendelsesmotorer: en klassisk, der genkender tekst på niveau med mallene for individuelle tegn, og en ny, der er baseret på anvendelsen af et maskinlæringssystem med en rekurrent neural netværk (LSTM), optimeret til at genkende hele linjer og derved opnå betydelig forbedring af nøjagtigheden. Færdigtrænede modeller er offentliggjort til 123 sprog. For at optimere ydeevnen tilbydes moduler, der bruger OpenMP og AVX2, AVX, AVX512F, NEON eller SSE4.1 SIMD-instruktioner.
Hovedforbedringer:
- Tilføjet support til tegning og eksport i PAGE-XML format.
- Mulighed for at træne modellen ved hjælp af filer i PNG format i stedet for LSTMF filer er implementeret.
- Tegning i PDF format er forbedret.
- API'et er udvidet til bestemmelse af tekstens hældning.
- Problemer med ydeevnen, der blev identificeret under scanning i Coverity-systemet, er blevet løst.
Kilde: opennet.ru
