Foi lançado o Tesseract 5.2, um sistema de reconhecimento óptico de caracteres que suporta reconhecimento em UTF-8 e textos em mais de 100 idiomas, incluindo russo, cazaque, bielorrusso e ucraniano. Os resultados podem ser salvos como texto simples ou em formatos HTML (hOCR), ALTO (XML), PDF e TSV. Originalmente, o sistema foi criado entre 1985 e 1995 no laboratório da Hewlett Packard; em 2005, o código foi liberado sob a licença Apache e posteriormente desenvolvido com a participação de funcionários do Google. Os códigos fonte do projeto são distribuídos sob a licença Apache 2.0.
O Tesseract inclui uma utilidade de linha de comando e uma biblioteca libtesseract para integrar funções de reconhecimento de texto em outros aplicativos. Entre as interfaces gráficas de terceiros que suportam o Tesseract, podemos destacar gImageReader, VietOCR e YAGF. Dois motores de reconhecimento estão disponíveis: o clássico, que reconhece texto com base em modelos de caracteres individuais, e um novo, baseado na aplicação de um sistema de aprendizado de máquina utilizando redes neurais recorrentes LSTM, otimizado para reconhecer linhas inteiras e permitindo um aumento significativo na precisão. Modelos treinados prontos foram publicados para 123 idiomas. Para otimização de desempenho, módulos que utilizam OpenMP e instruções SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1 estão disponíveis.
Principais melhorias no Tesseract 5.2:
- Adicionadas otimizações implementadas utilizando instruções Intel AVX512F.
- Na API C, foi implementada uma função para inicializar o Tesseract com o carregamento em memória de modelos de aprendizado de máquina.
- Adicionado o parâmetro invert_threshold, que determina o nível de inversão de linhas de texto. O valor padrão é 0,7. Para desativar a inversão, deve-se definir o valor como 0.
- Implementado o processamento de documentos muito grandes em hosts de 32 bits.
- Transição do uso de funções std::regex para std::string.
- Melhorados os scripts de construção para Autotools, CMake e sistemas de integração contínua.
Fonte: opennet.ru
