पाठ पहचान प्रणाली Tesseract 5.1 का विमोचन

रूसी, कज़ाख, बेलारूसी और यूक्रेनी सहित 5.1 से अधिक भाषाओं में यूटीएफ -8 वर्णों और ग्रंथों की पहचान का समर्थन करने वाले टेसेरैक्ट 100 ऑप्टिकल टेक्स्ट रिकग्निशन सिस्टम की रिलीज़ प्रकाशित की गई है। परिणाम सादे पाठ या HTML (hOCR), ALTO (XML), PDF और TSV प्रारूपों में सहेजा जा सकता है। सिस्टम मूल रूप से 1985-1995 में हेवलेट पैकर्ड प्रयोगशाला में बनाया गया था; 2005 में, अपाचे लाइसेंस के तहत कोड खोला गया था और Google कर्मचारियों की भागीदारी के साथ इसे और विकसित किया गया था। प्रोजेक्ट का सोर्स कोड अपाचे 2.0 लाइसेंस के तहत वितरित किया गया है।

Tesseract में अन्य अनुप्रयोगों में OCR कार्यक्षमता को एम्बेड करने के लिए एक कंसोल उपयोगिता और libtesseract लाइब्रेरी शामिल है। Tesseract का समर्थन करने वाले तृतीय-पक्ष GUI इंटरफ़ेस में gImageReader, VietOCR और YAGF शामिल हैं। दो पहचान इंजन पेश किए जाते हैं: एक क्लासिक जो व्यक्तिगत चरित्र पैटर्न के स्तर पर पाठ को पहचानता है, और एक नया LSTM आवर्ती तंत्रिका नेटवर्क पर आधारित मशीन लर्निंग सिस्टम के उपयोग पर आधारित है, जो संपूर्ण स्ट्रिंग को पहचानने और अनुमति देने के लिए अनुकूलित है। सटीकता में उल्लेखनीय वृद्धि. 123 भाषाओं के लिए तैयार प्रशिक्षित मॉडल प्रकाशित किए गए हैं। प्रदर्शन को अनुकूलित करने के लिए, OpenMP और SIMD निर्देशों AVX2, AVX, NEON या SSE4.1 का उपयोग करने वाले मॉड्यूल पेश किए जाते हैं।

Tesseract 5.1 में प्रमुख सुधार:

• Реализована возможность обработки областей с изображениями и линиями при выводе в форматах ALTO, hOCR и text.
• Добавлен новый параметр curl_timeout lkz curl_easy_setop.
• बेहतर निर्माण प्रणाली.
• Проведена работа по удалению неиспользуемого кода
• Устранены сбои, вызванные некорректной обработкой нулевых указателей в классе PageIterator::Orientation.

स्रोत: opennet.ru