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।

टेसेरैक्ट में एक कंसोल उपयोगिता और अन्य अनुप्रयोगों में टेक्स्ट पहचान कार्यों को एम्बेड करने के लिए एक libtesseract लाइब्रेरी शामिल है। टेसेरैक्ट 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 वर्ण टेम्पलेट्स के स्तर पर टेक्स्ट को पहचानता है, और एक नया जो LSTM आवर्तक तंत्रिका नेटवर्क पर आधारित मशीन लर्निंग सिस्टम के उपयोग पर आधारित है, जो संपूर्ण पंक्तियों को पहचानने और सटीकता में उल्लेखनीय वृद्धि की अनुमति देने के लिए अनुकूलित है। 123 भाषाओं के लिए तैयार प्रशिक्षित मॉडल प्रकाशित किए गए हैं। प्रदर्शन को अनुकूलित करने के लिए, ऐसे मॉड्यूल पेश किए जाते हैं जो OpenMP और SIMD निर्देश AVX2, AVX, NEON या SSE4.1 का उपयोग करते हैं।

Tesseract 5.1 में प्रमुख सुधार:

• ALTO, hOCR और टेक्स्ट प्रारूपों में आउटपुट करते समय छवियों और रेखाओं वाले क्षेत्रों को संसाधित करने की क्षमता को कार्यान्वित किया गया है।
• नया पैरामीटर curl_timeout lkz curl_easy_setop जोड़ा गया.
• बेहतर निर्माण प्रणाली.
• अप्रयुक्त कोड को हटाने का कार्य किया गया है
• PageIterator::Orientation वर्ग में शून्य पॉइंटर्स के गलत प्रबंधन के कारण होने वाली क्रैश को ठीक किया गया।

स्रोत: opennet.ru