A fost lansată versiunea 5.4.0 a sistemului de recunoaștere optică a caracterelor Tesseract, care suportă recunoașterea simbolurilor UTF-8 și a textelor în peste 100 de limbi, inclusiv rusă, kazacă, belarusă și ucraineană. Rezultatul poate fi salvat atât ca text simplu, cât și în formate HTML (hOCR), ALTO (XML), PDF și TSV. Sistemul a fost inițial creat între 1985 și 1995 în laboratorul companiei Hewlett Packard, iar în 2005, codul a fost deschis sub licența Apache și dezvoltat ulterior cu participarea angajaților companiei Google. Textele sursă ale proiectului sunt distribuite sub licența Apache 2.0.
Tesseract include o utilitară de linie de comandă și biblioteca libtesseract pentru a încorpora funcțiile de recunoaștere a textului în alte aplicații. Dintre interfețele GUI terță parte care suportă Tesseract, se pot menționa gImageReader, VietOCR și YAGF. Sunt oferite două motoare de recunoaștere: clasic, care recunoaște textul la nivelul șablonului de caractere individuale, și noul motor bazat pe utilizarea sistemului de învățare automată cu rețea neurală recurentă LSTM, optimizat pentru recunoașterea întregilor linii și care permite obținerea unei creșteri semnificative a acurateței. Modelele antrenate sunt publicate pentru 123 de limbi. Pentru optimizarea performanței, sunt propuse module care utilizează OpenMP și instrucțiuni SIMD AVX2, AVX, AVX512F, NEON sau SSE4.1.
Îmbunătățiri principale:
- A fost adăugată suportul pentru redare și export în format PAGE-XML.
- A fost implementată posibilitatea de antrenare a modelului utilizând fișiere în format PNG în loc de fișiere LSTMF.
- A fost îmbunătățită redarea în format PDF.
- API-ul pentru determinarea înclinării textului a fost extins.
- Au fost rezolvate problemele de performanță identificate în sistemul de scanare Coverity.
Sursa: opennet.ro
