Tehnologii și resurse informaționale pentru digitizarea și procesarea textelor din patrimoniul istorico-cultural [Teză]

Abstract

Scopul lucrării: elaborarea instrumentelor informatice pentru procesarea patrimoniului de limbă română tipărit în secolele 17-20. Obiectivele cercetării: crearea unei colecții de resurse scanate pentru antrenarea modelelor OCR și elaborarea dicționarelor OCR; elaborarea unei tehnologii OCR pentru documentele românești tipărite în secolele 17-20; dezvoltarea algoritmilor de transliterare din grafie chirilică în cea latină pentru o varietate de alfabete; dezvoltarea unei platforme de digitizare pentru procesarea documentelor chirilice românești. Noutatea și originalitatea științifică: constau în cercetarea și elaborarea tehnologiei pentru soluționarea problemei de recunoaștere și transliterare a documentelor chirilice românești tipărite în secolele 17-20. Rezultatul obținut care contribuie la soluționarea unei probleme științifice importante îl constituie dezvoltarea tehnologiei de recunoaștere optică a caracterelor și transliterare din grafia chirilică în cea latină a documentelor chirilice românești tipărite în secolele 17-20, în condițiile existenței unei varietăți mari de alfabete și fonturi. The aim of the paper: development of computer tools for processing printed Romanian language heritage of 17th-20th centuries.Research objectives: Creation of a collection of scanned resources for training OCR models and developing OCR dictionaries; Development of OCR technology for Romanian printed documents from the 17th to 20th centuries; Development of transliteration algorithms from Cyrillic to Latin script for a variety of alphabets; Development of a digitization platform for processing Romanian Cyrillic documents. The novelty and scientific originality: are based on the research and development of technology for solving the problem of recognition and transliteration of Romanian Cyrillic documents printed in the 17th to 20th centuries. The result obtained that contributes to solving an important scientific problem: is the development of optical character recognition technology and transliteration from Cyrillic to Latin script of Romanian Cyrillic documents printed in the 17th to 20th centuries, under the conditions of a wide variety of alphabets and fonts.

Цель работы: разработка компьютерных инструментов для обработки печатного наследия румынского языка XVII-XX веков. Задачи исследования: создание коллекции сканированных ресурсов для обучения моделей OCR и разработка словарей OCR; разработка технологии OCR для румынских печатных документов в XVII-XX веках; разработка алгоритмов транслитерации с кириллицы на латиницу; разработка платформы оцифровки для обработки румынских кириллических документов. Научная новизна и оригинальность работы: основываются на исследовании и разработке технологии для решения проблемы распознавания и транслитерации румынских кириллических документов, напечатанных в XVII-XX веках на различных алфавитах. Полученный результат, который способствует решению важной научной проблемы: разработка технологии оптического распознавания символов и транслитерации с кириллицы на латиницу румынских кириллических документов, напечатанных в XVII-XX веках, в условиях большого разнообразия алфавитов и шрифтов.