Reconocimiento Óptico de Caracteres para Sánscrito Usando Redes Neuronales Convolucionales

Los antiguos manuscritos sánscritos son una rica fuente de conocimiento acerca de la Ciencia, Matemáticas, mitología hindú, civilización india y cultura. Por lo tanto, es crítico facilitar el acceso a estos manuscritos, para compartir este conocimiento con el mundo y facilitar la investigación adicional sobre esta literatura antigua. En este artículo, proponemos un sistema de Reconocimiento Óptico de Caracteres (OCR) basado en una Red Neuronal Convolucional (CNN) que digitaliza con precisión los antiguos manuscritos sánscritos (guión Devanagari) que no están necesariamente en buen estado. Usamos un algoritmo de segmentación de imágenes para calcular las intensidades de píxeles para identificar letras en la imagen. El OCR considera caracteres compuestos típicos (combinaciones de media letra) como clases separadas para mejorar la precisión de la segmentación. La novedad del OCR es su robustez ante la calidad de la imagen, el contraste de la imagen, el estilo de fuente y el tamaño de fuente, lo que lo convierte en una opción ideal para digitalizar manuscritos sánscritos sucios y mal mantenidos.