ટેક્સ્ટ રેકગ્નિશન સિસ્ટમ ટેસેરેક્ટ 5.1

રશિયન, કઝાક, બેલારુસિયન અને યુક્રેનિયન સહિત 5.1 થી વધુ ભાષાઓમાં UTF-8 અક્ષરો અને ટેક્સ્ટની માન્યતાને સમર્થન આપતા, Tesseract 100 ઓપ્ટિકલ ટેક્સ્ટ રેકગ્નિશન સિસ્ટમનું પ્રકાશન પ્રકાશિત કરવામાં આવ્યું છે. પરિણામ સાદા ટેક્સ્ટમાં અથવા HTML (hOCR), ALTO (XML), PDF અને TSV ફોર્મેટમાં સાચવી શકાય છે. આ સિસ્ટમ મૂળ રૂપે 1985-1995 માં હેવલેટ પેકાર્ડ લેબોરેટરીમાં બનાવવામાં આવી હતી; 2005 માં, કોડ અપાચે લાયસન્સ હેઠળ ખોલવામાં આવ્યો હતો અને Google કર્મચારીઓની ભાગીદારીથી તેને વધુ વિકસિત કરવામાં આવ્યો હતો. પ્રોજેક્ટનો સ્ત્રોત કોડ અપાચે 2.0 લાયસન્સ હેઠળ વિતરિત કરવામાં આવે છે.

ટેસેરેક્ટમાં અન્ય એપ્લિકેશન્સમાં OCR કાર્યક્ષમતાને એમ્બેડ કરવા માટે કન્સોલ ઉપયોગિતા અને libtesseract લાઇબ્રેરીનો સમાવેશ થાય છે. તૃતીય-પક્ષ GUI ઇન્ટરફેસ કે જે Tesseract ને સપોર્ટ કરે છે તેમાં gImageReader, VietOCR અને YAGF નો સમાવેશ થાય છે. બે ઓળખ એન્જિન ઓફર કરવામાં આવે છે: એક ક્લાસિક જે વ્યક્તિગત કેરેક્ટર પેટર્નના સ્તરે ટેક્સ્ટને ઓળખે છે, અને એક નવું LSTM રિકરન્ટ ન્યુરલ નેટવર્ક પર આધારિત મશીન લર્નિંગ સિસ્ટમના ઉપયોગ પર આધારિત છે, જે સમગ્ર સ્ટ્રિંગ્સને ઓળખવા માટે ઑપ્ટિમાઇઝ કરવામાં આવે છે અને તેને મંજૂરી આપે છે. ચોકસાઈમાં નોંધપાત્ર વધારો. 123 ભાષાઓ માટે તૈયાર પ્રશિક્ષિત મોડલ પ્રકાશિત કરવામાં આવ્યા છે. પ્રદર્શનને શ્રેષ્ઠ બનાવવા માટે, OpenMP અને SIMD સૂચનાઓ AVX2, AVX, NEON અથવા SSE4.1 નો ઉપયોગ કરીને મોડ્યુલો ઓફર કરવામાં આવે છે.

Tesseract 5.1 માં મુખ્ય સુધારાઓ:

• ALTO, hOCR અને ટેક્સ્ટ ફોર્મેટમાં આઉટપુટ કરતી વખતે છબીઓ અને રેખાઓ સાથેના વિસ્તારોને પ્રક્રિયા કરવાની ક્ષમતા લાગુ કરવામાં આવી છે.
• નવું પેરામીટર curl_timeout lkz curl_easy_setop ઉમેર્યું.
• સુધારેલ બિલ્ડ સિસ્ટમ.
• બિનઉપયોગી કોડ દૂર કરવાની કામગીરી કરવામાં આવી છે
• PageIterator::Orientation ક્લાસમાં નલ પોઈન્ટર્સના ખોટા હેન્ડલિંગને કારણે નિશ્ચિત ક્રેશ.

સોર્સ: opennet.ru