Thuyết minh đề tài NCKH cấp trường: Ứng dụng thư viện lập trình mã nguồn mở xây dựng chương trình nhận dạng văn bản chữ Việt, Anh từ ảnh số

Trong bối cảnh bùng nổ thông tin số hóa, việc chuyển đổi các văn bản in giấy truyền thống thành dạng số hóa là yêu cầu cấp thiết, đặc biệt đối với các thư viện và nhà xuất bản. Phương pháp nhập liệu thủ công không còn hiệu quả khi đối mặt với khối lượng lớn tài liệu, dẫn đến nhu cầu về các giải pháp tự động. Đề tài này tập trung vào phát triển một chương trình nhận dạng văn bản tiếng Việt và tiếng Anh từ ảnh số, nhằm khôi phục thông tin từ các tài liệu in ấn và tạo điều kiện cho việc lưu trữ, chỉnh sửa và chia sẻ dễ dàng hơn. Đặc biệt, nghiên cứu khám phá ứng dụng thư viện lập trình mã nguồn mở Tesseract, một công cụ mạnh mẽ trong lĩnh vực nhận dạng ký tự quang học, để tối ưu hóa quy trình này.

Các nhà nghiên cứu, sinh viên và kỹ sư công nghệ thông tin, đặc biệt những người quan tâm đến nhận dạng ký tự quang học (OCR), xử lý ảnh và phát triển ứng dụng mã nguồn mở.

Nghiên cứu này giải quyết bài toán cấp thiết trong kỷ nguyên số hóa: chuyển đổi văn bản in giấy sang định dạng số thông qua công nghệ nhận dạng ký tự quang học (OCR). Bối cảnh đặt ra là sự hạn chế của phương pháp thủ công và yêu cầu tự động hóa để xử lý khối lượng lớn tài liệu tại các thư viện và nhà xuất bản. Mục tiêu chính của đề tài là ứng dụng thư viện lập trình mã nguồn mở Tesseract để xây dựng chương trình nhận dạng văn bản tiếng Việt và tiếng Anh từ ảnh số. Phương pháp tiếp cận bao gồm việc tìm hiểu sâu các giải thuật cơ sở trong Tesseract, đặc biệt là các kỹ thuật xử lý đối tượng ảnh, nhận dạng mẫu dựa trên lôgic mờ và mạng nơ-ron. Cấu trúc nghiên cứu được tổ chức thành ba chương, bắt đầu với tổng quan về các giải thuật nền tảng, sau đó trình bày các chức năng của thư viện Tesseract và quy trình huấn luyện dữ liệu. Cuối cùng, đề tài mô tả ngôn ngữ lập trình, các thư viện hỗ trợ và kết quả thử nghiệm đạt được. Giá trị ứng dụng của công trình nằm ở việc tạo ra bộ dữ liệu từ điển nhận dạng cho tiếng Việt và tiếng Anh, cải thiện đáng kể khả năng số hóa tài liệu. Mặc dù đạt được những kết quả tương đối tốt và đáp ứng mục tiêu ban đầu, nghiên cứu cũng chỉ ra những hạn chế về thời gian và tài nguyên, mở ra hướng phát triển trong tương lai để tối ưu hóa hiệu suất nhận dạng cho các ngôn ngữ phức tạp như tiếng Việt.