पाठ पहिचान प्रणाली Tesseract 5.1 को रिलीज

Tesseract 5.1 अप्टिकल पाठ पहिचान प्रणालीको रिलीज प्रकाशित गरिएको छ, रूसी, कजाख, बेलारूसी र युक्रेनी सहित 8 भन्दा बढी भाषाहरूमा UTF-100 क्यारेक्टरहरू र पाठहरूको मान्यतालाई समर्थन गर्दै। परिणाम सादा पाठ वा HTML (hOCR), ALTO (XML), PDF र TSV ढाँचाहरूमा बचत गर्न सकिन्छ। प्रणाली मूल रूपमा 1985-1995 मा Hewlett Packard प्रयोगशालामा सिर्जना गरिएको थियो; 2005 मा, कोड Apache लाइसेन्स अन्तर्गत खोलिएको थियो र Google कर्मचारीहरूको सहभागितामा थप विकास गरिएको थियो। परियोजनाको स्रोत कोड Apache 2.0 लाइसेन्स अन्तर्गत वितरण गरिएको छ।

Tesseract ले कन्सोल उपयोगिता र अन्य अनुप्रयोगहरूमा OCR कार्यक्षमता इम्बेड गर्नका लागि libtesseract पुस्तकालय समावेश गर्दछ। Tesseract लाई समर्थन गर्ने तेस्रो-पक्ष GUI इन्टरफेसहरूमा gImageReader, VietOCR र YAGF समावेश छन्। दुई पहिचान इन्जिनहरू प्रस्ताव गरिएका छन्: एक क्लासिक जसले व्यक्तिगत क्यारेक्टर ढाँचाको स्तरमा पाठ पहिचान गर्दछ, र नयाँ LSTM पुनरावर्ती न्यूरल नेटवर्कमा आधारित मेसिन लर्निङ प्रणालीको प्रयोगमा आधारित, सम्पूर्ण स्ट्रिङहरू पहिचान गर्नका लागि अनुकूलित र अनुमति दिन्छ। शुद्धता मा उल्लेखनीय वृद्धि। 123 भाषाहरूको लागि तयार-निर्मित प्रशिक्षित मोडेलहरू प्रकाशित गरिएको छ। कार्यसम्पादनलाई अप्टिमाइज गर्न, OpenMP र SIMD निर्देशनहरू AVX2, AVX, NEON वा SSE4.1 प्रयोग गर्ने मोड्युलहरू प्रस्ताव गरिएका छन्।

Tesseract 5.1 मा प्रमुख सुधारहरू:

• ALTO, hOCR र पाठ ढाँचाहरूमा आउटपुट गर्दा छविहरू र रेखाहरूसँग क्षेत्रहरू प्रशोधन गर्ने क्षमता लागू गरिएको छ।
• नयाँ प्यारामिटर curl_timeout lkz curl_easy_setop थपियो।
• सुधारिएको निर्माण प्रणाली।
• प्रयोग नगरिएको कोड हटाउन काम गरिएको छ
• PageIterator::Orientation class मा नल पोइन्टरहरूको गलत ह्यान्डलिङको कारणले गर्दा निश्चित क्र्यासहरू।

स्रोत: opennet.ru