Udgivelsen af Tesseract 5.2, et system til optisk tegngenkendelse, er blevet offentliggjort. Det understøtter genkendelse af UTF-8-tegn og tekster på mere end 100 sprog, herunder russisk, kasakhisk, hviderussisk og ukrainsk. Resultatet kan gemmes som almindelig tekst samt i HTML (hOCR), ALTO (XML), PDF og TSV-formater. Systemet blev oprindeligt udviklet i 1985-1995 i laboratoriet hos Hewlett Packard, og i 2005 blev koden åbnet under Apache-licensen og videreudviklet med hjælp fra medarbejdere hos Google. Projektets kildekoder 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.
De vigtigste forbedringer i Tesseract 5.2:
- Optimeringer er blevet tilføjet, implementeret ved hjælp af Intel AVX512F-instruktioner.
- Der er implementeret en funktion i C API til at initialisere Tesseract ved at indlæse modellen fra hukommelsen.
- Der er tilføjet en parameter, invert_threshold, som definerer niveauet for inversion af tekstlinjer. Standardværdien er 0,7. For at deaktivere inversion skal værdien sættes til 0.
- Behandlingen af meget store dokumenter på 32-bit værter er blevet forbedret.
- Overgangen fra at bruge std::regex-funktioner til std::string er gennemført.
- Bygningsscenarierne for Autotools, CMake og systemer til kontinuerlig integration er blevet forbedret.
Kilde: opennet.ru
