ការចេញផ្សាយប្រព័ន្ធទទួលស្គាល់អត្ថបទ Tesseract 4.1

រៀបចំ ការចេញផ្សាយប្រព័ន្ធទទួលស្គាល់អត្ថបទអុបទិក Tesseract 4.1គាំទ្រការទទួលស្គាល់អក្សរ UTF-8 និងអត្ថបទជាជាង 100 ភាសា រួមទាំងរុស្ស៊ី កាហ្សាក់ស្ថាន បេឡារុស្ស និងអ៊ុយក្រែន។ លទ្ធផលអាចត្រូវបានរក្សាទុកជាអត្ថបទធម្មតា ឬជាទម្រង់ HTML (hOCR), ALTO (XML), PDF និង TSV ។ ប្រព័ន្ធនេះត្រូវបានបង្កើតឡើងដំបូងក្នុងឆ្នាំ 1985-1995 នៅក្នុងមន្ទីរពិសោធន៍របស់ Hewlett Packard ហើយនៅឆ្នាំ 2005 លេខកូដត្រូវបានបើកក្រោមអាជ្ញាប័ណ្ណ Apache ហើយត្រូវបានអភិវឌ្ឍបន្ថែមទៀតដោយមានការចូលរួមពីបុគ្គលិក Google ។ ប្រភពគម្រោង ការ​ឆ្លង​រាលដាល មានអាជ្ញាប័ណ្ណក្រោម Apache 2.0 ។

Tesseract រួមបញ្ចូលឧបករណ៍ប្រើប្រាស់កុងសូល និងបណ្ណាល័យ libtesseract សម្រាប់បង្កប់មុខងារ OCR ទៅក្នុងកម្មវិធីផ្សេងទៀត។ ពីភាគីទីបីដែលគាំទ្រ Tesseract ចំណុចប្រទាក់ GUI អ្នកអាចកត់សម្គាល់ gImageReader ។, VietOCR и YAGF. ម៉ាស៊ីនទទួលស្គាល់ពីរត្រូវបានផ្តល់ជូន៖ កំណែបុរាណដែលទទួលស្គាល់អត្ថបទនៅកម្រិតនៃគំរូតួអក្សរនីមួយៗ និងថ្មីមួយផ្អែកលើការប្រើប្រាស់ប្រព័ន្ធរៀនម៉ាស៊ីនដោយផ្អែកលើបណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗ LSTM ធ្វើឱ្យប្រសើរឡើងសម្រាប់ការទទួលស្គាល់ខ្សែអក្សរទាំងមូល និងអនុញ្ញាតឱ្យមាន ការកើនឡើងយ៉ាងសំខាន់ក្នុងភាពត្រឹមត្រូវ។ ម៉ូដែលដែលបានបណ្តុះបណ្តាលរួចរាល់ហើយត្រូវបានបោះពុម្ពផ្សាយសម្រាប់ 123 ភាសា. ដើម្បីបង្កើនប្រសិទ្ធភាពដំណើរការ ម៉ូឌុលដែលប្រើការណែនាំ OpenMP និង AVX2, AVX ឬ SSE4.1 SIMD ត្រូវបានផ្តល់ជូន។

សំខាន់ ការកែលម្អ នៅក្នុង Tesseract 4.1:

• បានបន្ថែមសមត្ថភាពក្នុងការបញ្ចេញជាទម្រង់ XML ALTO (ប្លង់ដែលបានវិភាគ និងវត្ថុអត្ថបទ)។ ដើម្បីប្រើទម្រង់នេះ អ្នកគួរតែដំណើរការកម្មវិធីជា “tessarac image_name alto output_dir”;
• បានបន្ថែមម៉ូឌុលបង្ហាញថ្មី LSTMBox និង WordStrBox ធ្វើឱ្យការហ្វឹកហាត់ម៉ាស៊ីនងាយស្រួល។
• បានបន្ថែមការគាំទ្រសម្រាប់ការក្លែងបន្លំនៅក្នុងលទ្ធផល hOCR (HTML) ។
• បានបន្ថែមស្គ្រីបជំនួសដែលសរសេរក្នុង Python សម្រាប់បណ្តុះបណ្តាលម៉ាស៊ីនដោយផ្អែកលើការរៀនម៉ាស៊ីន។
• ពង្រីកការបង្កើនប្រសិទ្ធភាពដោយប្រើការណែនាំ AVX, AVX2 និង SSE;
• ការគាំទ្រ OpenMP ត្រូវបានបិទតាមលំនាំដើមដោយសារតែ បញ្ហា ជាមួយនឹងផលិតភាព;
• បានបន្ថែមការគាំទ្រសម្រាប់បញ្ជីសនិងខ្មៅនៅក្នុងម៉ាស៊ីន LSTM;
• បានកែលម្អស្គ្រីបស្ថាបនាដោយផ្អែកលើ Cmake ។

ប្រភព: opennet.ru