1. Учитавање докумената припремљених у виду јединствене ПДф датотеке или ЗИП датотеке са сликама страна;
2. Датотека се у сваком случају претвара у низ слика, које се аутоматски побољшавају (препознавање и уклањање артефакта, увеличавање, исправљање неповољне ротације);
3. Преузимање парова оригиналних и побољшаних слика путем интерфејса.
4. Групно (булк) процесирање - bulk.py

1. Одабир модела за оптичко препознавање карактера: српска ћирилица, српска латиница, ћирилица + латиница (подразумевано);
2. Оптичко препознавање на клик, паралелно на процесору, са аутоматским препознавањем броја језгара/нити за оптималну брзину.

1. Рашчитани документ (у ХОЦР) формату се препроцесира, при чему се за сваки параграф одређује припадност по ступцима, маргине и поравнање, а те информације се уграђују у документ;
2. За речи у документу се такође утврђују позиције и одређују маргине, како би се пронашли кандидати за спајање прелома;
3. Препознате преломљене речи се аутоматки спајају;
4. Упаривање препознатог текста са сликама.

1. Речи из документа се класификују према поузданости рашчитавања, а непоуздани кандидати се додатно проверавају у контексту, како би се израчунале нове поузданости тачности;
2. Непоуздане речи се процесирају у максималном контексту како би се произвели могући кандидати за исправак. Кандидати се упоређују са оригиналном ниском, како би се одабрао адекватан исправак, уколико постоји;
3. Излаз језичког модела се комбинује са оригиналним документом, при чему се он обогаћује информацијама о новим вероватноћама и евентуалним исправкама.

1. Документ се током обраде учитава у интерфејс страну по страну;
2. Пре приказивања, интерфејс обогаћује документ додатним кућицама (по једна за сваки параграф и сваку линију), које омогућавају групну обраду са неколико функција: померање горе доле, брисање и обележавање као добро препознато;
3. Исправљене речи обележене су плавом бојом, несигурне жутом, а параграфи који се не уклапају ни у један ступац црвеном бојом, при чему је кроз интерфејс могуће подесити граничну вероватноћу за обележавање као и сатурацију маркера;
4. Свака проверена (кликнута) реч се обележава као исправна;
5. Речи се могу директно исправљати, при чему су исправке обележене зеленом бојом;
6. Верзије измена (undo и redo)
7. Проналажења дела текста на оригиналној слици
8. Замена текста сликом
9. Уметање преломних тачака у документу
10. У сваком тренутку се документ може сачувати, и у сваком тренутку се може учитати претходно сачувани документ;
11. Документ се поред чувања у овом, ДигиТекс формату, може сачувати и као текст или ХТМЛ.

• модел који ће се корисити и његова архитектура [model и modern]
• форсирање рада модела на процесору [cuda]
• максимални контекст и паралелна обрада модела [context_size и batch_size]
• минимална поузданост за ОЦР и за комбиновану поузданост (ОЦР + језички модел)[min_conf_combined и min_conf_ocr]
• индекс минималне сумње у позуданост језичког модела[reasonable_doubt_index]
• праг перплексности за израчунавање веорватноћа [max_perplexity]
• префикс и суфикс који се лепи на текст који се обрађује [prefix и suffix]
• тежина сличности речи по дужини [len_sim_weight]
• тежина сличности речи по садржају [sim_weight]
• тежина сличности речи по типографским сличностима слова [mapped_sim_weight]
• максимална дужина за израчунавање сличности по дужини [max_len_similarity]
• количник повећања вероватноће при исправљању уобичајених грешака (usual_suspects.json) [usual_suspects_boost]
• индекс утицаја језичког модела на вероватноћу појединих речи [lm_influence]
• индекс поузданости преко које језички модел исправља речи [lm_fix_over]
• листа валидних бројева ступаца [valid_columns]
• подешавања ХТМЛ излаза [html_config]
  • CSS-а за ХТМЛ приказ [css]
  • регуларни израз за поделу документа на делове [insert_break_regex]
  • порука у конзоли након преламања [break_message]
  • регуларни изрази и DOM упити за доделу посебних класа [special_classes]

Скините прекомпајловану апликацију доступну на Гитхаб репозиторијуму софтвера и покрените програм на вашем рачунару.

1. Преузмите апликацију у целости и сачувајте је на вашем рачунару.

2. Инсталирајте Пајтон интерпретер (препоручена верзија 3.12)

3. У командној линији подесите радно окружење на директоријум у којем је похрањен преузети софтвер

cd ./direktorijum/digiteks/softvera

4. Инсталиратје неопходне Пајтон пакете

pip install -r requirements.txt

5. Преузмите инсталацију пакета tesserocr за вашу верзију Пајтон интерпретера на овој адреси

6. Инсталирајте преузети пакет (tesserocr)

pip install <путања/преузетог/пакета/име>.whl

5. Покрените апликацију

python main.py

1. Преузмите апликацију у целости и сачувајте је на вашем рачунару.

2. Инсталирајте Пајтон интерпретер (препоручена верзија 3.12)

3. У командној линији подесите радно окружење на директоријум у којем је похрањен преузети софтвер

cd ./direktorijum/digiteks/softvera

4. Инсталиратје неопходне Пајтон пакете

pip install -r requirements.txt

5. Инсталирајте Tesseract

sudo apt-get install tesseract-ocr libtesseract-dev libleptonica-dev pkg-config

6. Инсталирајте Poppler

sudo apt-get install -y poppler-utils

7. Инсталирајте пакет (tesserocr)

pip install tesserocr

8. Покрените апликацију

python main.py

1. Преузмите апликацију у целости и сачувајте је на вашем рачунару (нпр. у директоријуму var/www/digiteks).

2. Инсталирајте Пајтон интерпретер (препоручена верзија 3.12)

3. У командној линији подесите радно окружење на директоријум у којем је похрањен преузети софтвер

cd ./direktorijum/digiteks/softvera

4. Инсталиратје неопходне Пајтон пакете

sudo -H pip3 install -r requirements.txt

5. Инсталирајте Tesseract

sudo apt-get install tesseract-ocr libtesseract-dev libleptonica-dev pkg-config ffmpeg libsm6 libxext6

6. Инсталирајте Poppler

sudo apt-get install -y poppler-utils

7. Инсталирајте пакет (tesserocr)

sudo -H pip3 install tesserocr

8. Инсталација и подешавање apache веб сервера

sudo apt install apache2
apache2 -v
sudo apt-get install libapache2-mod-wsgi-py3
sudo a2enmod rewrite
sudo a2enmod wsgi
sudo nano /etc/apache2/sites-available/digiteks.conf

У конфигурациону датотеку упишите:

<VirtualHost *:5001>

WSGIDaemonProcess digiteks user=www-data group=www-data threads=5
        WSGIScriptAlias / /var/www/digiteks/digiteks.wsgi

        <Directory /var/www/digiteks>
                WSGIProcessGroup digiteks
                WSGIApplicationGroup %{GLOBAL}
                Order deny,allow
                Allow from 127.0.0.1 ::1/128 <ADRESA SERVERA>
        </Directory>
</VirtualHost>

sudo nano /etc/apache2/ports.conf

Listen 5001

Урадите неопходно ажурирање и рестарт сервиса

sudo a2ensite digiteks
sudo service apache2 restart

и апликација ће бити покренута и доступна на порту 5001

python bulk.py <путања_до_директоријума_са_датотекама> -j <језик_за_ОЦР> -i <тип_излаза>

• путања_до_директоријума_са_датотекама је обавезна, а обрађују се све ПДФ датотеке и слике пронађене у директоријуму
• језик_за_ОЦР (j) није обавезан а подразумевана вредност је "srp+srp_latn+eng". Могуће вредности су:
  • "srp+srp_latn+eng"
  • "srp_latn+srp+eng"
  • "srp"
  • "srp_latn"
  • "eng"
  • "equ"
• тип_излаза (i) није обавезан а подразумевана вредност и тренутно једина опција је "hocr".

1. Додатна унапређења у виду бољег препознавања текста и структуре документа.