Tesseract OCR युक्तियाँ - OCR प्रदर्शन को बेहतर बनाने के लिए अपनी शब्दावली बनाएं

Tesseract का उपयोग करते हुए ऑप्टिकल कैरेक्टर रिकॉग्निशन (OCR) पर यह मेरी पहली पोस्ट है। Tesserast, Google द्वारा समर्थित OCR के लिए एक बहुत ही लोकप्रिय खुला स्रोत पुस्तकालय है, जो उच्च सटीकता परिणाम देता है और 100 से अधिक भाषाओं का समर्थन करता है। इस पोस्ट में मैं आपको बताऊंगा कि कैसे टेसरैक्ट भाषा मॉडल के लिए मानक शब्दकोश के साथ काम करना है और इसे अपनी आवश्यकताओं के अनुरूप बनाने के लिए अनुकूलित करना है। कौन परवाह करता है, कृपया, बिल्ली के नीचे।

Tesseract भाषा मॉडल और शब्दकोश

Tesseract एक विशिष्ट भाषा में पाठ को पहचानने के लिए भाषा मॉडल और शब्दकोशों का उपयोग करता है। भाषा मॉडल में तंत्रिका नेटवर्क मॉडल और अन्य शिक्षण डेटा के मापदंडों के मूल्य शामिल हैं। उदाहरण के लिए, अंग्रेजी भाषा के लिए भाषा मॉडल eng.traineddata फ़ाइल में संग्रहीत है। उपयोगकर्ता Tesseract के लिए शब्दों की अपनी सूची बना सकता है ताकि Tesseract उन्हें पहचानना सीख सके।

Tesseract आपको किसी भी समर्थित भाषा के लिए अपने शब्दों को जोड़कर या भाषा मॉडल को पूरी तरह से अपने शब्दों के साथ मानक शब्दकोश के शब्दों को बदलकर प्रशिक्षित करने की अनुमति देता है।

शब्दकोश में Tesseract विभिन्न श्रेणियों के शब्दों के लिए विशेष .dawg फ़ाइलों का उपयोग करता है। उदाहरण के लिए, .word-dawg फ़ाइल का उपयोग शब्दकोश के मुख्य शब्दों के लिए किया जाता है, और freq-dawg फ़ाइल का उपयोग सबसे आम शब्दों के लिए किया जाता है। मुद्दे पर अधिक जानकारी यहां पाई जा सकती है ।

Tesseract भाषा मॉडल अनुकूलन

यह गाइड टेसरैक्ट 3.0.5 और 4.0.0 के संस्करणों पर लागू किया जा सकता है। Tesseract 4.0.0 और इससे पहले के 3.0.x के बीच एकमात्र अंतर यह है कि संस्करण 4 में Tesseract LSTM मॉडल पर आधारित है और dawg डिक्शनरी फ़ाइलों में एक्सटेंशन lstm - dawg (संस्करण v3.0.5 में उनके पास एक्सटेंशन -dawg है) है। उदाहरण के लिए, अब सबसे सामान्य शब्दों की फ़ाइल में freq-dawg के बजाय एक्सटेंशन lstm-freq-dawg है, और unicharset फ़ाइल को एक्सटेंशन lstm-unicharset (पहले। .Comharset) प्राप्त हुआ।

सबसे पहले, Tesseract OCR लाइब्रेरी स्थापित करें। इस ट्यूटोरियल में, मैं उबंटू ओएस का उपयोग करता हूं (मैंने उबंटू 18.04 का उपयोग किया है) और टेसरैक्ट वी 4। बस उपयुक्त पैकेज का उपयोग कर Tesseract स्थापित करें:

sudo apt update && sudo apt install tesseract-ocr 

टेसरैक्ट लाइब्रेरी के अलावा, यह टीम भाषा मॉडल (प्रशिक्षण उपकरण) सिखाने के लिए सभी आवश्यक उपकरण भी स्थापित करेगी।

शुरू करने के लिए, हम अपने शब्दों में भाषा मॉडल का विस्तार करेंगे। उदाहरण के लिए, हम अंग्रेजी के लिए मॉडल का विस्तार करना चाहते हैं। वर्डलिस्टफाइल नामक एक सादा पाठ फ़ाइल बनाएं और इसमें उन शब्दों को जोड़ें जिन्हें हम मॉडल शब्दकोश में जोड़ना चाहते हैं, प्रति पंक्ति एक।

फिर यह टेसडेटा फोल्डर में जाएगा। हमें इस सिस्टम फ़ोल्डर में ऑपरेशन करने के लिए रूट विशेषाधिकारों की आवश्यकता है।

 sudo su 

इस फ़ोल्डर में wordlistfile की प्रतिलिपि बनाएँ। प्रशिक्षित .डेटबैक फ़ोल्डर में eng.traineddata भाषा मॉडल फ़ाइल को अनज़िप करें

 combine_tessdata -u eng.traineddata traineddat_backup/eng. 

यह कमांड भाषा मॉडल को प्रशिक्षितडॉटबैक फ़ोल्डर में संकलित करने के लिए आवश्यक सभी फाइलों को निकालता है।

अब wordlistfile उपयोगिता का उपयोग करके हमारे wordlistfile से eng.lstm-word-dawg फ़ाइल बनाएं

 wordlist2dawg wordlistfile eng.lstm-word-dawg traineddat_backup/eng.lstm-unicharset 

और एक नई भाषा मॉडल फ़ाइल संलग्न करें। traineddata

 combine_tessdata -o eng.traineddata eng.lstm-word-dawg 

हम अपने स्वयं के शब्दकोश शब्दों से eng.traineddata भाषा मॉडल फ़ाइल प्राप्त करेंगे।

अब हम अपने खुद के शब्दों के साथ मानक शब्दकोश के शब्दों को पूरी तरह से बदलकर संलग्न भाषा मॉडल सिखाएंगे। पहले हमें सभी dawg फ़ाइलों (.lstm-word-dawg, .lstm-freq-dawg, आदि) का बैकअप करने की आवश्यकता है, ताकि हम उन्हें नए लोगों के साथ बदल दें। बस tmp फ़ोल्डर बनाएँ और सभी dawg फ़ाइलों को इसमें स्थानांतरित करें।

उसके बाद, हमारे eng.lstm-word-dawg फ़ाइल को पहले प्रशिक्षित किए गए_बैकअप फ़ोल्डर में कॉपी करें। आइए इस फ़ोल्डर में जाएं और एक नया भाषा मॉडल संकलित करें

 combine_tessdata eng. </source           tessdata        ( cus - custom).   OCR  Tesseract     : <source lang="bash"> tesseract <image> -l <your_model> <output> 

जहां आउटपुट टर्मिनल के लिए OCR परिणाम या 'stdout' लिखने के लिए टेक्स्ट फ़ाइल का नाम है।

Tesseract OCR में विन्यास फाइल

Tesseract कॉन्फ़िगरेशन फ़ाइलों (सादे पाठ फ़ाइलें जिनमें वैरिएबल और उनके मुख्य-मूल्य मान हैं, रिक्त स्थान द्वारा अलग किए गए हैं) का उपयोग करता है जो उपयोगकर्ता को OCR परिणाम को नियंत्रित करने की अनुमति देता है। आप अपना स्वयं का कॉन्फ़िगरेशन (myconf) बना सकते हैं और इसे tessdata फ़ोल्डर के अंदर कॉन्फ़िगरेशन फ़ोल्डर में रख सकते हैं और Tesseract का उपयोग करते समय कॉन्फ़िगरेशन नाम निर्दिष्ट कर सकते हैं:

 tesseract <image> <options> myconf 

जहां विकल्प: आउट परिणाम या 'स्टडआउट' को आउटपुट करने के लिए फ़ाइल का नाम है, - l भाषा मॉडल है, - psm पृष्ठ विभाजन विधि है ।

Tesseract आउटपुट को अनुकूलित करने और OCR सटीकता को बेहतर बनाने के लिए कई नियंत्रण विकल्प प्रदान करता है। इसलिए यहाँ ऐसे चर हैं जो शब्दकोशों के उपयोग को नियंत्रित करते हैं, उदाहरण के लिए, शब्दों का बहिष्करण जो शब्द_dawg / user_words में नहीं है (language_model_penalty_non_freq_dict_word और language_model_penalty_non_dict_word)। नियंत्रण मापदंडों के बारे में अधिक विवरण यहां पाया जा सकता है ।

मैंने अपने कॉन्फ़िगरेशन में निम्न मानों का उपयोग किया है:

 language_model_penalty_non_freq_dict_word 1 language_model_penalty_non_dict_word 1 

इसने मुझे अपने शब्दकोष से कुछ शब्दों को पहचानने की अनुमति दी।

अभी के लिए बस इतना ही। OCR कार्य के लिए Tesseract का उपयोग करने के साथ गुड लक और जल्द ही मिलते हैं!