ការចេញផ្សាយប្រព័ន្ធទទួលស្គាល់អត្ថបទ Tesseract 5.1

ការចេញផ្សាយប្រព័ន្ធទទួលស្គាល់អត្ថបទអុបទិក Tesseract 5.1 ត្រូវបានបោះពុម្ព ដោយគាំទ្រដល់ការទទួលស្គាល់អក្សរ UTF-8 និងអត្ថបទជាជាង 100 ភាសា រួមទាំងភាសារុស្សី កាហ្សាក់ស្ថាន បេឡារុស្ស និងអ៊ុយក្រែន។ លទ្ធផលអាចត្រូវបានរក្សាទុកជាអត្ថបទធម្មតា ឬជាទម្រង់ HTML (hOCR), ALTO (XML), PDF និង TSV ។ ប្រព័ន្ធនេះត្រូវបានបង្កើតឡើងដំបូងក្នុងឆ្នាំ 1985-1995 នៅក្នុងមន្ទីរពិសោធន៍ Hewlett Packard ហើយនៅឆ្នាំ 2005 លេខកូដត្រូវបានបើកក្រោមអាជ្ញាប័ណ្ណ Apache ហើយត្រូវបានអភិវឌ្ឍបន្ថែមទៀតដោយមានការចូលរួមពីបុគ្គលិក Google ។ កូដប្រភពនៃគម្រោងត្រូវបានចែកចាយក្រោមអាជ្ញាប័ណ្ណ Apache 2.0 ។

Tesseract រួមបញ្ចូលឧបករណ៍ប្រើប្រាស់កុងសូល និងបណ្ណាល័យ libtesseract សម្រាប់បង្កប់មុខងារ OCR ទៅក្នុងកម្មវិធីផ្សេងទៀត។ ចំណុចប្រទាក់ GUI ភាគីទីបីដែលគាំទ្រ Tesseract រួមមាន gImageReader, VietOCR និង YAGF ។ ម៉ាស៊ីនទទួលស្គាល់ពីរត្រូវបានផ្តល់ជូន៖ កំណែបុរាណដែលទទួលស្គាល់អត្ថបទនៅកម្រិតនៃគំរូតួអក្សរនីមួយៗ និងថ្មីមួយដោយផ្អែកលើការប្រើប្រាស់ប្រព័ន្ធរៀនម៉ាស៊ីនដោយផ្អែកលើបណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗ LSTM ធ្វើឱ្យប្រសើរសម្រាប់ការទទួលស្គាល់ខ្សែអក្សរទាំងមូល និងអនុញ្ញាតឱ្យមាន ការកើនឡើងយ៉ាងសំខាន់ក្នុងភាពត្រឹមត្រូវ។ គំរូដែលបានបណ្តុះបណ្តាលរួចរាល់ត្រូវបានបោះពុម្ពជា 123 ភាសា។ ដើម្បីបង្កើនប្រសិទ្ធភាពដំណើរការ ម៉ូឌុលដែលប្រើការណែនាំ OpenMP និង SIMD AVX2, AVX, NEON ឬ SSE4.1 ត្រូវបានផ្តល់ជូន។

ការកែលម្អសំខាន់ៗនៅក្នុង Tesseract 5.1៖

• សមត្ថភាពក្នុងការដំណើរការតំបន់ដែលមានរូបភាព និងបន្ទាត់នៅពេលចេញជាទម្រង់ ALTO, hOCR និងអត្ថបទត្រូវបានអនុវត្ត។
• បានបន្ថែមប៉ារ៉ាម៉ែត្រថ្មី curl_timeout lkz curl_easy_setop ។
• ប្រព័ន្ធសាងសង់ប្រសើរឡើង។
• ការងារត្រូវបានធ្វើដើម្បីលុបលេខកូដដែលមិនប្រើ
• ជួសជុលការគាំងដែលបណ្តាលមកពីការគ្រប់គ្រងមិនត្រឹមត្រូវនៃទ្រនិចទទេនៅក្នុង PageIterator::ថ្នាក់តម្រង់ទិស។

ប្រភព: opennet.ru