ປ່ອຍ Tesseract 5.1 ລະບົບການຮັບຮູ້ຂໍ້ຄວາມ

ການປ່ອຍລະບົບການຮັບຮູ້ຂໍ້ຄວາມທາງແສງ Tesseract 5.1 ໄດ້ຖືກຈັດພີມມາ, ສະຫນັບສະຫນູນການຮັບຮູ້ຕົວອັກສອນ UTF-8 ແລະຂໍ້ຄວາມໃນຫຼາຍກວ່າ 100 ພາສາ, ລວມທັງພາສາລັດເຊຍ, ຄາຊັກ, ເບລາຣູດແລະອູແກຣນ. ຜົນໄດ້ຮັບສາມາດຖືກບັນທຶກໄວ້ໃນຂໍ້ຄວາມທໍາມະດາຫຼືໃນຮູບແບບ HTML (hOCR), ALTO (XML), PDF ແລະ TSV. ລະບົບໄດ້ຖືກສ້າງຂື້ນໃນເບື້ອງຕົ້ນໃນປີ 1985-1995 ໃນຫ້ອງທົດລອງ Hewlett Packard; ໃນປີ 2005, ລະຫັດໄດ້ຖືກເປີດພາຍໃຕ້ໃບອະນຸຍາດ Apache ແລະໄດ້ຮັບການພັດທະນາຕື່ມອີກດ້ວຍການມີສ່ວນຮ່ວມຂອງພະນັກງານຂອງ Google. ລະຫັດແຫຼ່ງຂອງໂຄງການແມ່ນແຈກຢາຍພາຍໃຕ້ໃບອະນຸຍາດ Apache 2.0.

Tesseract ປະກອບມີຜົນປະໂຫຍດຂອງ console ແລະຫ້ອງສະຫມຸດ libtesseract ສໍາລັບການຝັງຟັງຊັນ OCR ເຂົ້າໄປໃນແອັບພລິເຄຊັນອື່ນໆ. ການໂຕ້ຕອບ GUI ພາກສ່ວນທີສາມທີ່ສະຫນັບສະຫນູນ Tesseract ປະກອບມີ gImageReader, VietOCR ແລະ YAGF. ເຄື່ອງຈັກການຮັບຮູ້ສອງແມ່ນໄດ້ຖືກສະເຫນີ: ແບບຄລາສສິກທີ່ຮັບຮູ້ຂໍ້ຄວາມໃນລະດັບຂອງຮູບແບບຕົວອັກສອນສ່ວນບຸກຄົນ, ແລະອັນໃຫມ່ໂດຍອີງໃສ່ການນໍາໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍອີງໃສ່ເຄືອຂ່າຍ neural recurrent LSTM, ເຫມາະສໍາລັບການຮັບຮູ້ສາຍທັງຫມົດແລະອະນຸຍາດໃຫ້ສໍາລັບການ. ເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນຄວາມຖືກຕ້ອງ. ຮູບແບບການຝຶກອົບຮົມທີ່ກຽມພ້ອມໄດ້ຖືກຈັດພີມມາສໍາລັບ 123 ພາສາ. ເພື່ອເພີ່ມປະສິດທິພາບການປະຕິບັດ, ໂມດູນທີ່ໃຊ້ຄໍາແນະນໍາ OpenMP ແລະ SIMD AVX2, AVX, NEON ຫຼື SSE4.1 ແມ່ນສະເຫນີ.

ການປັບປຸງທີ່ສໍາຄັນໃນ Tesseract 5.1:

• ຄວາມສາມາດໃນການປຸງແຕ່ງພື້ນທີ່ທີ່ມີຮູບພາບແລະເສັ້ນໃນເວລາທີ່ຜົນຜະລິດໃນຮູບແບບ ALTO, hOCR ແລະຂໍ້ຄວາມໄດ້ຖືກປະຕິບັດ.
• ເພີ່ມພາຣາມິເຕີ curl_timeout lkz curl_easy_setop ໃໝ່.
• ປັບປຸງລະບົບການກໍ່ສ້າງ.
• ໄດ້ເຮັດວຽກເພື່ອເອົາລະຫັດທີ່ບໍ່ໄດ້ໃຊ້ອອກ
• ແກ້ໄຂການຂັດຂ້ອງທີ່ເກີດຈາກການຈັດການບໍ່ຖືກຕ້ອງຂອງຕົວຊີ້ null ໃນ PageIterator::ຊັ້ນປະຖົມນິເທດ.

ແຫຼ່ງຂໍ້ມູນ: opennet.ru