Publicouse o lanzamento do sistema de recoñecemento óptico de texto Tesseract 5.1, que admite o recoñecemento de caracteres UTF-8 e textos en máis de 100 idiomas, entre eles ruso, casaco, bielorruso e ucraíno. O resultado pódese gardar en texto plano ou en formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi orixinalmente creado en 1985-1995 no laboratorio de Hewlett Packard; en 2005, o código abriuse baixo a licenza Apache e foi desenvolvido aínda máis coa participación dos empregados de Google. O código fonte do proxecto distribúese baixo a licenza Apache 2.0.
Tesseract inclúe unha utilidade de consola e a biblioteca libtesseract para incorporar a funcionalidade OCR noutras aplicacións. As interfaces GUI de terceiros que admiten Tesseract inclúen gImageReader, VietOCR e YAGF. Ofrécense dous motores de recoñecemento: un clásico que recoñece texto a nivel de patróns de caracteres individuais, e outro novo baseado no uso dun sistema de aprendizaxe automática baseado nunha rede neuronal recorrente LSTM, optimizada para recoñecer cadeas enteiras e que permite unha aumento significativo da precisión. Publicáronse modelos adestrados preparados para 123 idiomas. Para optimizar o rendemento, ofrécense módulos que utilizan instrucións OpenMP e SIMD AVX2, AVX, NEON ou SSE4.1.
Melloras principais en Tesseract 5.1:
- Implementouse a capacidade de procesar áreas con imaxes e liñas na saída en formato ALTO, hOCR e texto.
- Engadiuse un novo parámetro curl_timeout lkz curl_easy_setop.
- Sistema de construción mellorado.
- Traballouse para eliminar o código non utilizado
- Arranxáronse os fallos causados polo manexo incorrecto de punteiros nulos na clase PageIterator::Orientation.
Fonte: opennet.ru