Välja on antud tekstituvastuse süsteem Tesseract 5.1

Avaldatud on optilise tekstituvastuse süsteemi Tesseract 5.1 versioon, mis toetab UTF-8 tähemärkide tuvastamist ja enam kui 100 keele, sealhulgas vene, kasahhi, valgevene ja ukraina tekste. Tulemus võib salvestuda avatud tekstina ning HTML (hOCR), ALTO (XML), PDF ja TSV formaatides. Algne süsteem loodi aastatel 1985-1995 Hewlett Packardi laboris, 2005. aastal avati kood Apache litsentsi all ja seda arendati hiljem koos Google'i töötajatega. Projekti lähtekood jaotatakse Apache 2.0 litsentsi alusel.

Tesseract sisaldab käsurealiidest ja libtesseract teeki, et integreerida tekstituvastuse funktsioone teistesse rakendustesse. Tesseracti toetavate kolmandate osapoolte GUI-liideste seas võib nimetada gImageReaderit, VietOCR-i ja YAGF-i. Pakutakse kahte tuvastusmootorit: klassikaline, mis tuvastab tekste üksikute sümbolite tasemel, ja uus, mis põhineb masinõppemeetoditel, kasutades LSTM rekursiivset närvivõrku, mis on optimeeritud ridade tuvastamiseks ja mille abil saavutatakse märkimisväärne täpsuse suurenemine. Valmis treenitud mudelid on avaldatud 123 keele jaoks. Tootlikkuse optimeerimiseks pakutakse mooduleid, mis kasutavad OpenMP-d ja AVX2, AVX, NEON või SSE4.1 SIMD käske.

Tesseract 5.1 põhimuudatused:

• On rakendatud võimalus töödelda piirkondi, kus on pilte ja jooni, ALTO, hOCR ja text formaatides väljundit genereerides.
• Uus parameeter curl_timeout lkz curl_easy_setopt.
• Kogumissüsteemi on parandatud.
• On tehtud tööd mittevajaliku koodi eemaldamiseks.
• Vead, mis olid põhjustatud vale nullnäitaja töötlemisest klassis PageIterator::Orientation, on kõrvaldatud.

Allikas: opennet.ru