كومپيۇتېر تېخنىكىسى: OCR ھەققىدە ساۋات (1)
[ بىلوگ بىلدۈرگۈسى ]OCR (Optical Character Recognition) (ئوپتىكىلىق ھەرپ-بەلگە پەرقلەندۈرۈش) – سايىلىگۈچ ياكى رەقەملىك فوتو ئاپپارات قاتارلىق ئۈسكۈنىلەر بىلەن كىرگۈزۈلگەن سۈرەتلەرنى ھەرپ-بەلگە پەرقلەندۈرۈش تېخنىكىسى ئارقىلىق كومپيۇتېر تەھرىرلىيەلەيدىغان تېكىستلەرگە ئايلاندۇرۇش جەريانىنى كۆرسىتىدۇ.
OCR ئۇقۇمىنى گېرمانىيەلىك ئالىم تائۇشېك (Tausheck) 1929-يىلى تۇنجى ئوتتۇرىغا قويغان ھەم پاتېنت ئىلتىماس قىلغان، كېيىن يەنە ئامېرىكىلىق ئالىم خەندېل (Handel)مۇ تېخنىكا ئارقىلىق يېزىقلارنى تونۇش ئىدىيەسىنى ئوتتۇرىغا قويغان. جۇڭگودىكى ئەڭ دەسلەپكى OCR مەھسۇلاتىنى نەنكەي ئۇنىۋېرسىتېتىنىڭ پىروفېسسورى ۋاڭ چىڭرېن (王庆人) ياساپ چىققان بولۇپ، ئامېرىكا بازىرىدا سودا خاراكتېرلىك ئىشلىتىلىشكە باشلىغان.
OCR دېگەن ئىدىيەنىڭ ئوتتۇرىغا چىققىلى 86 يىل بولدى، ئۇيغۇرلاردا OCR قىزغىنلىقى 20 يىلنىڭ ئالدىدا باشلانغان بولۇپ، 5-10 يىلنىڭ ئالدىدا تەتقىق قىلىش قىزغىنلىقى يۇقىرى پەللىگە چىققان ئىدى، ئەمما تۈرلۈك سەۋەبلەردىن ھازىرغا قەدەر ئىشلىتىشكە بولىدىغان مەھسۇلات ئېلان قىلىنمىدى. ھازىر OCR تېخنىكىسى بىر تەرەپ قىلالايدىغان تىلنىڭ سانى 140 خىلغا يەتكەن بولۇپ، بۇنىڭ ئىچىدە ئۇيغۇر تىلى يوق.
ئۇيغۇرچە (كۇنۇپكا تاختىسى ئارقىلىق) كىرگۈزگۈچ ئۇيغۇرچە ئۇچۇرلارنى كىلوگىراملاپ كىرگۈزۈشنى ئەمەلگە ئاشۇرغان بولسا، ئۇيغۇرچە OCR ئارقىلىق كىرگۈزۈش قەغەز يۈزىدىكى بارلىق ئەسەرلەرنى توننىلاپ كىرگۈزۈشنى ئەمەلگە ئاشۇرالايدۇ. بۇنىڭ ئەھمىيىتى ئىنتايىن زور.
يەنە تۆۋەندىكى ئۇلانمىنى كۆرۈپ قويۇڭ.
?p=240
- يازما كۆرۈلۈشى: 3,658 قېتىم
- يوللانـغان ۋاقىت:2015-يىلى 06-ئاينىڭ 3-كۈنى am 11:35
- ئالدىنقى يازما :ئەڭ يېڭى Surface 3 ئالدىن سېتىلىشقا باشلىدى
- كېيىنكى يازما :Is Doctor Ounce right about coconut oil
ئەگەر خالىسڭىز سىز ماڭا بىر ئېلىخەت يازسىڭىز، مەن سىزگە تەرجىمالىمنى ئەۋەتىپ بېرەي.
ئالىم مۇئەللىم، مېنى شاگېرتلىققا ئالسىڭىز تۆت ئايدا پۈتتۈرمىزغۇ بۇ OCR نى.
بەك ئۇزۇن سۇزۇۋەتتىڭىز، سىز بىلەن قىلساق ھازىرقى شارائىتىمدا تۆت ھەپتە يېتەرلىك.
ئالىم مۇئەللىمنىڭ دىگىنىنىڭ ئاساسى بار.
تەكلىپ: مۇمكىن بولسا مۇناسىۋەتلىك ئۇرۇنلارغا تەستىقلىتىپ خەيرى- ساخەۋەت مەبلىغى توپلاش مۇمكىنمىدۇ.
مۇئەللىم، تېكىستكە ئايلاندۇرۇش ئۈچۈن سۈرەتتىكى خەتلەر چوقۇم كومپىيوتېردىكى شاپىگىرافتا بېسىلغان بولۇشى كېرەكمۇ ياكى ئۇنداق ئەمەسمۇ؟ دېمەكچى بولغىنىم، مەسىلەن بىز ئوقۇغان ئېلىپبەلەردىكى پۈتۈن خەتلەرنى ئادىلجان ئايىت قەلەمدە قولىدا يېزىپ چىققان. ئۇلارنى پەرقلەندۈرسە بەلكىم ھازىرقى ئەسلىيە خەت نۇسخىلىرىغا ئوخشىتىپراق پەرقلەندۈرۈپ بېرەمدۇ ياكى قانداق ئەھۋال بولىدۇ؟ كاللامغا كەلگەن مەسىلە شۇ بولدى. سوئالىم سەۋىيىسىز چىقىپ قالغان بولسا ئەيىبكە بۇيرۇمىغايسىلەر.
قانداق خەت نۇسخىسىنى ئۆگەتسەك شۇنداق خەت نۇسخىسىنى تونۇپ، بىز تاللىغان خەت نۇسخىسى بويىچە چىقىرىپ بېرىدۇ.
ئالىم مۇئەللىمنىڭ ئىنكاسىنى كۆچۈرۈپ ئەكەلدىم:
ھەرپلەرگە ئاجرىتىشنىڭ ئەۋزەللىكى ئامبار ئاز بولىدۇ، ھەرقانداق سۆزلەرنى ھەرپلەرگە توغرا پارچىلىۋالساق، ئۇنى توغرا تونۇتقىلى بولىدۇ. تونۇتىدىغان كود پەقەت بىر قۇرلا بولىدۇ. ئۇيغۇرچە ھەرپلەرنى پارچىلاشنىڭ ئەھمىيىتى ئىنتايىن زور بولۇپ، ئەرەب يېزىقى ئاساسىدىكى ھەرقانداق يېزىقتىن قورقمايمىز، ھەتتا دۇنيادىكى ھەرقانداق بىر مىللەتنىڭ OCR سىنى ياساپ بېرەلەيمىز.
نېمە ئۈچۈن ھەرپلەرگە ئاجرىتىش قىيىن نۇقتا؟
جاۋاب: ئۇيغۇرچە سۆزلەردە ھەرپلەر بەزىدە بىر-بىرىگە ئۇلىنىپ كېلىدۇ، بەزىدە ئۇلانمايدۇ. ھەرپلەرنىڭ كەڭ-تارلىقى، ئېگىز-پاكارلىقى ئوخشاش ئەمەس، بەزىدە كۆپۈنكى، بەزىدە پېتىنقى يېزىلىدۇ، بىرلا ئالاھىدىلىك بىلەن خاراكتېرلەنمەيدۇ، شۇڭا قىيىن دەيمىز. ئەمما دۇنيادا ھەممە نەرسىنىڭ قانۇنىيىتى بار، ئۇلار مۇئەييەن قانۇنىيەت ئاساسىدا ھەرىكەت قىلىدۇ، بىز پەقەت 20 يىلدىن بۇيان شۇ قانۇنىيەتنى تاپالمىغانلا گەپ.
ئالىم مۇئەللىم يۇقىردا دىگەندەك، زادى ھىلىقى قانۇنىيەتنى تاپمىغۇچە بولمايدىغان ئوخشايدۇ. مۇشۇ جەھەتتە تەجىربىسى بار ئۇيغۇر پىروگىراممىرلارنىڭ مۇشۇ تىمىغا داۋاملىق قاتنىشىپ ئىنكاس يىزىشىڭلارنى ئۈمۈد قىلىمەن. ھەممىمىزنىڭ ئەقلى بىر يەرگە كەلسە، چوقۇم بىر ئىش بولار دەيمەن.
http://ww2.sinaimg.cn/mw690/8d2e2feejw1esgklr7gswg208w06ohdt.gif
بىر پارچە ئالاقىدار رەسىم
ئالىم ئەھەد ئاكا ،سىز نىڭ بۇتېمىنى ئىلان قىلغىنىڭىزغا قاراپ ،سىزنى بىر ئىش پەمىلەۋاتىدۇ دەپ ئويلىدىم.بۇ تېخنىكىنى ئۇيغۇرچە يۇمشاق دىتال تېخنىكىسى ساھەسىدىكى ئەڭ چوڭ بوشلۇقلارنىڭ بىرى دەپ ئويلايمەن .مەن ئۆتكەندە بەش بەتلىك خەنزۇچە ماتىرىيالنى روسىيەنىڭ بىر دىتالى ئارقىلىق بەش مىنۇت ئىچىدە تەھرىرلىگىلى بولىدىغان يېزىققا ئايلاندۇرالىدىم .تونۇش نىسبىتى توقسان بەش پىرسەنتكە يەتتى .شۇچاغدا ئۇيغۇرچە مۇشۇنداق بىردىتال بولغان بولسا نىمىدىگەن ياخشى بولاتتى دىگەن ئوي كاللامغا كەلگەن ئىدى .مەن سىزنىڭ بۇئىشنى قىلالىشىڭىزغا تېخنىكا جەھەتتىن قىيىنچىلىق يوق دەپ ئويلايمەن .بۇدىتالنىڭ ھەقىقى كارغا كىلىدىغان نۇسخىسى ئۇيغۇرسوفىتتا بارلىققا كىلىشى لازىم دەپ ئويلايمەن .يېشىۋىتىلگەن دىتاللارنى ئىشلىتىپ كۆنۈپ قالغان بولساممۇ بۇدىتال چىقسا چاپىنىمنى سىېتىپ بولسىمۇ سېتىۋالىمەن.
شۇنداق، بۇ دېتالنىڭ ئەھمىيىتىنى مۇشۇنداق دېتاللارنى ئىشلىتىپ باققانلار چوڭقۇر ھېس قىلالايدۇ. ھازىر يەنە شۇ تەرجىمە ئىشلىرى، سۈپەت تەكشۈرۈش،…قاتارلىق ئۇششاق-چۈششەك ئىشلار بېسىۋالدى. بىزگە ئىشەنگەنلىكىڭىزگە ۋە ياخشى ئارزۇ تىلەكلىرىڭىزگە رەھمەت،
ھازىر OCR تېخنىكىسى بىر تەرەپ قىلالايدىغان تىلنىڭ سانى 140 خىلغا يەتكەن بولۇپ، بۇنىڭ ئىچىدە ئۇيغۇر تىلى يوق. بۇگەپ تازا قاملاشماي قاپتۇ. (بەلكىم ئۇيغۇرسوفىتنىڭ ياسىغىنى يوق دىمەكچىمۇ)بۇتىمىنى ئالىم ئاكام تەستىقلىماي توللىغان ئوخشايدۇ. ئۇيغۇرچىدىكى OCR نى ئالىم ئاكام چوقۇم بىلىدۇ.بۇ ئاللىبۇرۇن مەھسۇلات بولۇپ بازارغا سىلىنغان.
قەيەردىن سېتىۋالغىلى بولىدۇ؟ باھاسى نەچچە پۇل؟ زادى قەيەردە، كىم ئىشلىتىۋاتىدۇ، بۇنى مەن بىلمەيدىكەنمەن.
ياخشىمۇ سىلەر؟ مەن ئىلگىرى بىر شېركەتنىڭ PDF رەسىم شەكلىدىكى خەتنى مۇنۇ [Acrobat.9.Pro简体中文免激活版].Adobe.Acrobat.9.32.Professional.ChineseS دىتالدىن پايدىلىنىپ ئۆزگەرتكەن .
مەن ocr ئاساسىدىكى ئەرەب يېزىقىنى تونۇتۇش پىروگراممىسىنى كۆرگەن.بۇ matlab دە تۈزۈلگەن پىروگرامما بولۇپ كودلىرىدىن تارتىپ ھەممىسى بار .قىزىقىدىغانلار بولسا كودنى بۇ يەردىن چۈشۈرۈڭلار.https://github.com/orkash/Arabic-Handwriting-Recognition-Using-Matlab
ماۋۇ ئۇلانما بولسا مۇشۇ دېتالنىڭ چۈشەندۈرۈشى
http://www.imljh.com/projects/arabichandwritingrecognition/index.xml
ئالىم مۇئەللىمنىڭ يۇقىرىقى سۆزلىرىنى كۆرۈپ مەزكۇر ئىشنى ۋۇجۇدقا چىقىرىش ئۈچۈن سەرپ بولىدىغان ئەقلى ئەمگەك سىجىللىقىنىڭ ئۆزۈمنىڭ ئويلىغىنىمدىن نەچچە ھەسسە يۇقىرلىقىنى ھېس قىلىۋاتىمەن.
مەن ھازىر بىرلا ئىشنى خىيال قىلىۋاتىمەن: ئەينى ۋاقىتتا پۈتۈن ئۇيغۇر مىللىتىنىڭ روناق تېپىشى ئۈچۈن بىر ئۆمۈر كۈرەش قىلغان مەرىپەتپەرۋەر بايلىرىمىزنى بەكمۇ سىغىنىۋاتىمەن. ئاكا-ئۇكا مۇسابايوفلارغا ئوخشاش مەرىپەتپەرۋەر بايلىرىمىز ئەمدى مىللىتىمىز ئىچىدە تۈگەپ كەتكەنمىدۇ!
شۇتاپتا، لاتارىيە ئىلىپ 5 مىليون خەلق پۇلى مۇكاپات چىقىپ قالسا كۆزۈمنى مىت قىلماي 4 مىليون 500 مىڭ يۈەن خەلق پۇلىنى مۇشۇ ئىشنى ۋۇجۇدقا چىقىرىڭ دەپ ئالىم ئەھەت مۇئەللىمنىڭ قولىغا تۇتقۇزغان بولاتتىم.
خەيرىيەت، ئۆز مىللىتىنىڭ ئىلىم-پەن جەھەتتىكى تەرەققىياتى ئۈچۈن 4 مىليون خەلق پۇلى ئىئانە قىلىشنى خالايدىغان ئۇيغۇر بايلىرىمىزمۇ چىقىپ قالار ئىلاھىم.
ھۆكۈمەت مۇشۇنداق ئىشقا مەبلەغ سالماي نېمە ئىش قىلىدۇ؟
ھۆكۈمەت ئۇيغۇرچە يۇمشاق دېتاللارنىڭ تەرەققىياتىنى ئىنتايىن بەك قوللايدۇ، ھازىرغا قەدەر مېنىڭ بىلىدىغىنىم بۇ تۈرگە ئىلگىرى كېيىن بولۇپ 4-5 قېتىم مەبلەغ سالدى، 2010-يىلىنىڭ ئۆزدىلا بىر قېتىمدا 2 مىليون مەبلەغ بەرگەن ھەم بۇ تەتقىقات خەلقئارانىڭ ئىلغار سەۋىيەسىگە يەتكەن دەپ باھالانغان، شۇڭا ھۆكۈمەتنىڭ دەپتىرىدە بۇ تېما ئاللىبۇرۇن تاماملانغان دەپ مىخلانغان، پۈتكەن نەرسىگە ئەمدى قايتا مەبلەغ سالمايدۇ دە.
مىنىڭچە يەنىلا ئۇيغۇرسوفت شىركىتىدىكى ئەزمەتلەر ئوتتۇرغا چۈشۈپ، مۇشۇ ئىشنى قولىغا ئالغىنى تۈزۈك دەپ ئويلايمەن. چۈنكى، ئۇيغۇرسوفت شىركىتى ئۇيغۇر تىل-يىزىقىنى ئۇچۇرلاشتۇرۇش خىزمىتى جەھەتتە ئاللىقاچان نۇرغۇن مۇساپىلەرنى بىسىپ ئۆتتى ھەم ناھايتى ئىلغار يۇمشاق دىتاللارنى ياساپ چىقتى. بۇ ئىشتا يەنىلا ئۇيغۇرسوفت شىركىتىنىڭ ئۇلى بىرقەدەر پۇختا.
ئەمدى ئۆزغمنىڭ ئويۇمنى ئېيتىپ باقسام، ئىھتىمال ئۇيغۇرسوفت شىركىتىنىڭمۇتېخنىكا جەھەتتە قىينىلىدىغان يېرى بولۇشى مۇمكىن. بۇنىڭغا نىسبەتەن، باشقىلار بىلەن ھەمكارلىق ئورنىتىش ئۈستىدە ئويلىنىپ باقسا ياخشى بولارمىكىن. مەسىلەن، يۇقىردا بىر توردىشىمىز ئەرەبلەرنىڭ بۇ جەھەتتىكى تېخنىكىسى خېلى پىشىپ قالغانلىقىنى دەپتۇ، ئالىم مۇئەللىم بولسا، ئەرەپلەرگە يېزىق تونۇش سېستىمىسىنى باشقا مىللەتلەر ياساب بەرگەن دەپتۇ. ئۇنداقتا، بىزمۇ ئاشۇ ئەرەپلەرگە يېزىق تونۇتۇش سېستىمىسىنى ياساپ بەرگەن ‹‹باشقا مىللەتلەر›› بىلەن ئالاقىلىشىپ باقساق ئەلۋەتتە بولىدۇ. بۇنىڭلىق بىلەن ھەرگىزمۇ بىزنىڭ يۈزىمىز تۆكىلىپ كەتمەيدۇ. چۈنكى، دۇنيادا بىر ئىشنىڭ ھەممىسىنى ئۆزۈملا قىلىمەن دەپ تۇرىۋىلىش تازا ياخشى بولمىغان كۆز-قاراش. تېخنىكىسى بالدۇر تەرەققى قىلغانلار بولسا ئۇلار بىلەن ھەمكارلىق ئۈستىدە ئىزدەنسەك، ئۇلارنىڭ تېخنىكىسى ئارقىلىق ئۆزىمىزنى قۇدىرەت تاپقۇزساق، ئاندىن ئاستا-ئاستا شۇلاردىن ئىشىپ چۈشسەك بولىدۇ. ئالىم مۇئەللىم بىر ئويلىنپ باقسىڭىز.
ياخشى تەكلىپ پىكىرىڭىزگە رەھمەت،
نەچچە يىلنىڭ ئالدىدا ئەرەبچە تونۇتۇش تېخنىكىسىنى قىلىدىغانلار بىلەن ئالاقىلەشكەن، ئەمما ئۇلار بىلەن ھەمكارلىشىشنىڭ سۆز ئېچىش ھەققى 200 مىڭ ئامېرىكا دوللىرى ئىكەن، كېيىن يەنە تەتقىقاتنىڭ پۈتۈش مۇددىتى بويىچە پىروگراممېرلارنىڭ كۈندىلىك ئىش ھەققى 500~1000 دوللار بولىدىكەن. شۇنداق بولغاندا 300 مىڭ ئامېرىكا دوللىرى تەخمىنەن 2 مىليونغا يېقىن پۇل بولسا، بۇ ئىشمۇ پۈتىدۇ دېگەن گەپ. (ئىزاھات: خەلقئارالىق باھا ئۈچۈن 300 مىڭ دوللار مۇۋاپىق باھا، پىروگراممىرلارنىڭ كۈندىلىك ھەققىمۇ مۇۋاپىق)
يەنى بۇ ئىشقا 2 مىليون مەبلەغ سېلىنسا مەن بىر ئاي ئىچىدە پۈتتۈرۈپ بېرەلەيمەن. ئەمما بۇنى سېتىپ كىرىم قىلىپ، سېلىنغان مەبلەغنى قايتۇرۇۋېلىشىمىز بەك تەس، بۇنىڭ قەدرىگە يېتىدىغانلارنىڭ سانى بەك ئاز، شۇنىڭ بىلەن بۇنىڭغا مەبلەغ سالغان شىركەتمۇ ۋەيران بولىدۇ ياكى مەبلەغ سالغۇچىلارمۇ قىزىقمايدۇ.