OCRopus

Archiver facilement de grands volumes de documents

OCRopus a été spécifiquement conçu pour la numérisation à grande échelle de bibliothèques entières, comme en témoigne son utilisation dans des projets tels que Google Livres et Internet Archive. Sa conception modulaire en Python, combinée à l'analyse structurelle de documents, permet de traiter des milliers de livres en prenant en charge simultanément un grand nombre de langues et de polices d'écriture, ce que les solutions OCR généralistes ne peuvent pas assurer à cette échelle.

Extraire automatiquement du texte depuis images ou scans

OCRopus utilise des réseaux de neurones récurrents (LSTM) pour la reconnaissance de texte, ce qui lui permet d'extraire du texte depuis des scans sans dépendre d'un modèle linguistique préalable. Cette approche produit de bons résultats documentés pour l'anglais, l'allemand et le français, mais aussi pour des scripts rares comme le Sanskrit, l'Ourdou ou le Devanagari, là où les moteurs OCR classiques échouent.

Améliorer la précision et réduire les erreurs humaines

Grâce à l'entraînement personnalisé de ses modèles LSTM, OCRopus permet d'atteindre des taux de reconnaissance très élevés sur des documents difficiles ou des polices historiques obsolètes comme le Fraktur, que les autres logiciels OCR ignorent faute d'intérêt commercial. Ce mécanisme d'entraînement sur mesure réduit drastiquement les erreurs sur des corpus spécialisés que des solutions génériques ne peuvent pas gérer correctement.