De release van het optische tekenherkenningssysteem Tesseract 5.5.0 is gepubliceerd, dat Unicode ondersteunt en teksten in meer dan 100 talen kan herkennen, waaronder Russisch, Kazachs, Wit-Russisch en OekraĆÆens. Het resultaat kan worden opgeslagen als platte tekst, evenals in HTML-indelingen (hOCR), ALTO (XML), PDF en TSV. Het systeem werd oorspronkelijk ontwikkeld in de jaren 1985-1995 in het laboratorium van Hewlett Packard. In 2005 werd de code open source onder de Apache-licentie en werd het verder ontwikkeld met de medewerking van medewerkers van Google. De originele projectbestanden worden verspreid onder de Apache 2.0-licentie.
Tesseract bevat een consoleprogramma en de bibliotheek libtesseract om tekstherkenningsfuncties in andere toepassingen in te voegen. Enkele van de ondersteunende Tesseract GUI-interfaces zijn gImageReader, VietOCR en YAGF. Er worden twee herkenningsmotoren aangeboden: de klassieke, die teksten herkent op basis van sjablonen van afzonderlijke tekens, en de nieuwe, die is gebaseerd op een machine learning-systeem met een recurrent neuraal netwerk (LSTM), geoptimaliseerd voor het herkennen van hele regels en die aanzienlijke verbeteringen in nauwkeurigheid oplevert. Voor 123 talen zijn kant-en-klare getrainde modellen gepubliceerd. Voor prestatie-optimalisatie zijn modules beschikbaar die OpenMP en SIMD-instructies AVX2, AVX, AVX512F, NEON of SSE4.1 gebruiken.
Hoofdverbeteringen:
- Ondersteuning voor de RISC-V V vectoruitbreidingen is toegevoegd, waarvoor assembleroptimalisaties zijn voorbereid voor systemen met RISC-V-processoren.
- Bij het opslaan van het resultaat in hOCR-indeling is het mogelijk om de parameters ocrp_dir en ocrp_lang in het gemaakte bestand aan te geven.
- De code is gemoderniseerd om beschikbare taalmiddelen te identificeren.
- De code voor het genereren van bestanden in hOCR-indeling is verbeterd en de naamsconversie van bestanden op Windows is verwijderd.
- Het is toegestaan om symbolische waarden op te geven in de opties "āoem" en "āpsm".
- In de code zijn de functies access en _access vervangen door de methode std::filesystem::exists(). De functies tprintf zijn vervangen door het gebruik van de tesserr-stroom.
- De ondersteuning voor het machine learning-platform Tensorflow is verwijderd, dat eerder was geĆÆmplementeerd, maar nooit was ingezet voor het uitvoeren van AI-modellen voor herkenning.
- De installer voor het Windows-platform is verbeterd.
- De submodule googletest is bijgewerkt naar versie 1.15.2.
Bron: opennet.ru
