فراداده کتاب و بازیابی جلد با استفاده از OCR و Google Books API
با KNIME استخراج قطعات مهم اطلاعات از تصاویر به آسانی ABC می شود.
By روبرتو کادیلی، دانشمند داده، KNIME و لادا رودنیتسکایا، دانشمند داده، KNIME
شکل 1: نمونه هایی از اعلامیه های نسخه کتاب که در آنها می توان به لطف OCR اطلاعات را استخراج کرد.
اغلب اوقات، داده های خامی که ما برای پروژه علم داده خود نیاز داریم، در جدولی منظم، با ساختار و روشنگری سازماندهی نشده اند. بلکه گاهی اوقات به عنوان متن در یک سند اسکن شده ذخیره می شود. سپس کلمات موجود در سند باید یکی یکی استخراج شوند تا یک سلول داده قالب بندی شده متنی تشکیل شود. این وظیفه ای است که توسط تشخیص کاراکتر نوری (OCR) انجام می شود.
همانطور که کلمات این مقاله را می خوانید، خواه متن باشد یا عدد، چشمان شما می توانند با تشخیص الگوهای روشن و تیره که کاراکترها را تشکیل می دهند (به عنوان مثال، حروف، اعداد، علائم نقطه گذاری و غیره) آنها را پردازش کند. سپس مغز شما در حال رمزگشایی ترکیب های مختلف شخصیت ها و الگوها برای درک معنای کلمات است. از این نظر، چشمها و مغز شما پیچیدهترین و پیشرفتهترین موتور OCR هستند که میتوانید تصور کنید، و بدون اینکه متوجه شوید کار میکنند.
رایانه ها قابلیت های مشابهی دارند، اما باید با یک محدودیت اساسی مقابله کنند: نبود چشم. اگر میخواهیم رایانهها یک سند متنی فیزیکی را ببینند و بخوانند، باید یک فایل گرافیکی ایجاد شده با یک اسکنر نوری یا یک دوربین دیجیتال وارد کنیم. تا آنجا که به رایانه ها مربوط می شود، هیچ تفاوتی بین یک سند به دست آمده با هر یک از این گزینه ها و یک عکس از برج ایفل وجود ندارد: هر دو به عنوان مجموعه های بی معنی از مربع های رنگی - همچنین به عنوان پیکسل شناخته می شوند - در نظر گرفته می شوند که هر تصویر گرافیکی رایانه ای را تشکیل می دهند. به این ترتیب، دومی فقط تصویری از متنی است که ما قصد خواندن آن را داریم تا خود متن.
اینجاست که OCR می تواند مفید واقع شود. این فناوری قدرتمند قادر است داده های چاپ شده، تایپ شده یا دست نویس، اعم از صورتحساب، کارت ویزیت، متون قانونی یا پرینت را استخراج کند و آن را به فرمت دیجیتال قابل جستجو و ویرایش تبدیل کند. اگرچه از اواسط دهه 2000 به بعد OCR به عنوان یک سرویس گران قیمت در نظر گرفته می شد که تنها تعداد کمی از شرکت های بزرگ قادر به پرداخت آن بودند، هزینه آن به تدریج کاهش یافت در حالی که دقت و قابلیت های آن برای پشتیبانی از صدها زبان و رمزگذاری کاراکترهای امروزی تکامل یافته است. ، از UTF-8 تا GB2312.
مزیت جستجو و استخراج متن از تصاویر می تواند بسیار ارزشمند باشد. به عنوان مثال، در صنعت حقوقی یا حسابداری، می تواند صرفه جویی قابل توجهی در هزینه و زمان داشته باشد، زیرا امکان بازیابی بخش هایی از متن یا اعداد در مقالات یا صورت های مالی را در عرض چند ثانیه فراهم می کند. مقایسه این فرآیند با هزینه استخدام گروهی از افراد برای مطالعه هزاران سند فقط برای یافتن یک قطعه اطلاعات مهم و منفرد، ایده ای در مورد اینکه چگونه OCR می تواند برای کسب و کارها مفید باشد، به دست می دهد.
اخیراً، فناوری OCR دستخوش یک انقلاب آرام شده است زیرا ارائه دهندگان این سرویس آن را با هوش مصنوعی ترکیب می کنند. در نتیجه، نه تنها دادهها جمعآوری میشوند، قابل جستجو و ویرایش میشوند، بلکه سیستم هوش مصنوعی در واقع محتوا را برای انجام وظایف خاص درک میکند. به عنوان مثال، پس از OCR کردن یک متن، هوش مصنوعی میتواند ترجمه آن را با استفاده از ترجمه ماشینی عصبی با حداقل دخالت انسان ارائه کند. مثال کلاسیک دیگر از بخش حسابرسی می آید، جایی که فاکتورهای تقلبی را می توان پس از OCR کردن محتوای سند pdf، با استفاده از تکنیک های تشخیص دورافتاده شناسایی کرد. و غیره. این هم افزایی بهترینهای هر دو دنیا را برای سادهسازی فرآیندها و افزایش بهرهوری برای کسبوکارها و مشتریان ترکیب میکند.
در مورد استفاده توصیف شده در این مقاله، OCR برای شناسایی یک کتاب و سپس برای بازیابی فراداده کتاب از مخزن Google Books استفاده میشود.
به طور دقیق تر، ما قصد داریم به موارد زیر نگاه کنیم:
- نحوه انجام OCR در پلت فرم تجزیه و تحلیل KNIME.
- چگونه میتوانیم پردازنده OCR KNIME و Google Books API را برای استفاده بازیابی ابرداده و جلد کتاب ادغام کنیم.
OCR در پلتفرم KNIME Analytics
OCR کردن یک تصویر حاوی متن در KNIME کار بسیار آسانی است. تمام چیزی که لازم است نصب آن است پردازش تصویر KNIME - ادغام Tess4J پسوند در محلی شما پلت فرم تجزیه و تحلیل KNIMEو برای کشیدن و رها کردن Tess4J روی ویرایشگر گردش کار خود گره بزنید.
گره Tess4J ادغام می شود کتابخانه Tesseract OCR، یکی از پرکاربردترین و دقیق ترین پردازنده های OCR منبع باز موجود است. Tesseract ابتدا بهعنوان یک نرمافزار اختصاصی توسط آزمایشگاههای Hewlett-Packard در اوایل دهه 1990 توسعه یافت و بعداً در سال 2005 منبع باز شد. گوگل از آن زمان این پروژه را پذیرفته و از توسعه آن حمایت مالی کرده است.
گره Tess4J روی Tesseract 3 اجرا میشود که با شناسایی الگوهای کاراکتر در یک رویه دو گذری کار میکند.
- در پاس اول، موتور تلاش می کند تا تک تک شخصیت ها را تشخیص دهد. سپس کاراکترهایی را که در اولین پاس با اطمینان بالا شناسایی شده بودند به یک طبقهبندی تطبیقی بهعنوان دادههای آموزشی ارسال میکند. به این ترتیب، طبقهبندیکننده تطبیقی این شانس را دارد که یاد بگیرد چگونه متن بعدی را با دقت بیشتری تشخیص دهد.
- با این حال، ممکن است اتفاق بیفتد که طبقهبندیکننده تطبیقی اطلاعات مفیدی را خیلی دیر یاد میگیرد تا مشارکت معناداری داشته باشد. برای حل این مشکل و استفاده از دانش کسب شده توسط طبقهبندیکننده تطبیقی، موتور یک پاس دوم را اجرا میکند که در آن کاراکترهایی که به اندازه کافی خوب شناسایی نشدهاند، دوباره شناسایی میشوند [1].
Tesseract 3 هر کاراکتر یونیکد را مدیریت می کند (کدگذاری شده با UTF-8) و می تواند متن را به زبان های مختلف و طرح نوشتاری پردازش کند: از چپ به راست (مانند انگلیسی، ایتالیایی، روسی و غیره)، از راست به چپ (مثلاً، عربی، عبری، اردو و غیره) و از بالا به پایین (به عنوان مثال، ژاپنی، کره ای، چینی و غیره) [2].
سلب مسئولیت. کاربران مک در حال حاضر نمی توانند از گره Tess4J استفاده کنند. توسعه دهندگان KNIME در حال کار برای بازیابی عملکرد روان هستند.
مورد استفاده: بازیابی فراداده و جلد کتاب
اکنون که درک اساسی از نحوه عملکرد OCR در پلتفرم KNIME Analytics به دست آوردهایم، اجازه دهید نگاهی به یک مورد استفاده جالب بیندازیم. فرض کنید ما تصاویری را جمع آوری کرده ایم که بیانیه های ویرایش چندین کتاب را نشان می دهد و با این اطلاعات می خواهیم ابرداده و جلد کتاب را بازیابی کنیم. سپس داده های بازیابی شده می تواند مورد استفاده قرار گیرد، به عنوان مثال، برای ساخت یک کتابخانه دیجیتال سفارشی و آموزش یک سیستم توصیه کننده کتاب.
گردش کار در شکل 2 همه مراحل را پوشش می دهد: از خواندن تصویر، OCR، پردازش متن و استخراج مرجع ISBN، تا فراداده کتاب و بازیابی جلد و تجسم. بیایید مراحل مختلف را با جزئیات بررسی کنیم.
شکل 2: این گردش کار یک کار ساده OCR را روی اعلامیههای نسخه کتاب انجام میدهد و ابردادهها و جلد کتاب را با استفاده از Google Books API بازیابی میکند.
1 - داده های تصویر را بخوانید
اولین قدم این است که تصاویر اعلامیه نسخه کتاب را به KNIME وارد کنید. اعلان ویرایش صفحه ای از یک کتاب است که حاوی اطلاعاتی درباره نسخه فعلی است، مانند اعلامیه حق چاپ، اعلامیه های حقوقی، اطلاعات انتشار، تاریخچه چاپ و یک کد ISBN (شکل 1).
متانود "Read image data" به روشی آسان و برنامه ریزی شده از آن مراقبت می کند (شکل 3). ما مکانی را که فایل های تصویری در آن ذخیره می شوند را شناسایی می کنیم لیست فایل ها/پوشه ها گره و استفاده کنید تصویر خوان (جدول) گره برای وارد کردن زیبا تصاویر. در گره Image Reader (Table)، ما فقط باید "ستون ورودی فایل" را مشخص کنیم، یعنی ستونی با مسیرهای فایل هایی که تصاویر ما در آن ذخیره می شوند. تمام تنظیمات دیگر را می توان به عنوان پیش فرض باقی گذاشت.
Image Reader (جدول) بخشی از پردازش تصویر KNINE افزونه و مانند سایر گرههای این افزونه، یک نمای تعاملی شامل تصویر و ابردادههای آن را با کلیک راست روی گره، انتخاب «View: Image Viewer» و دوبار کلیک کردن روی هر تصویر در نمای جدول ارائه میدهد.
شکل 3: داخل متانود "Read image data". گره Image Reader (Table) تصاویر را به گردش کار وارد می کند و به ما امکان می دهد به صورت تعاملی آنها را در نمای خود کاوش کنیم.
2 - OCR
پس از مطالعه در فایل های تصویری اطلاعیه های ویرایش کتاب، می توانیم آنها را OCR کنیم.
پیکربندی گره Tess4J بسیار ساده است و تنها به چند کلیک نیاز دارد (شکل 4). در تنظیمات زبانه، گره امکان تصحیح هر چرخش یا تصویر کج را با انتخاب کادر "Deskew input images" در بخش "Preprocessing" در گفتگوی پیکربندی ارائه می دهد. معمولاً توصیه می شود این کار را انجام دهید، زیرا ممکن است فایل های گرافیکی به درستی تراز نشده باشند. علاوه بر این، گره Tess4J به طور خودکار یک تصویر باینریزه در پشت هود تولید می کند.
بعد، «مسیر Tessdata» را انتخاب می کنیم. بهطور پیشفرض، روی «استفاده داخلی» تنظیم شده است، که سپس به ما امکان میدهد زبان متنی را که میخواهیم پردازش کنیم، انتخاب کنیم. در این پیکربندی، انگلیسی زبان پیشفرض است، اما گره Tess4J از زبانهای طبیعی دیگر مانند دانمارکی، ایتالیایی، اسپانیایی، روسی، یونانی، اسلواکی، آلمانی و فرانسوی پشتیبانی میکند. شایان ذکر است که با انتخاب “Use External” میتوانیم قابلیتهای گره Tess4J را به زبانهایی که به صورت داخلی پشتیبانی نمیشوند، گسترش دهیم. در واقع، ما میتوانیم مدلهای زبان داده آموزشدیده خارجی خود را با تعیین دایرکتوری که در آن ذخیره میشوند، انتخاب کنیم. ما "استفاده از داخلی" را انتخاب می کنیم زیرا ترجیح می دهیم برای اسناد انگلیسی خود به مدل های داخلی Tess4J اعتماد کنیم.
در بخش "پیکربندی تشخیص"، دو پیکربندی لیست کشویی مهم را پیدا می کنیم، یعنی "حالت تقسیم بندی صفحه" و "حالت موتور OCR". اولی نحوه تقسیم بندی صفحه ما را مشخص می کند.
در شکل 4، "Full Auto Pageseg" را انتخاب می کنیم که قطعه بندی صفحه کاملاً خودکار را تضمین می کند. بسته به مورد استفاده خاص در دست، انتخاب حالت دیگری از 13 حالت موجود (به عنوان مثال، "Single Column" یا "Sparse Text") ممکن است گزینه مناسب تری باشد.
تنظیم دوم از ما می خواهد که موتور OCR را انتخاب کنیم. در اینجا، ما Tesseract Only را انتخاب می کنیم، که سریع ترین اجرا را تضمین می کند. گزینه های دیگر عبارتند از "Cube Only" - یک حالت تشخیص جایگزین برای Tesseract - که کندتر است اما اغلب نتایج بهتری ایجاد می کند. یا "Tesseract And Cube" که ترکیبی از بهترین های هر دو جهان است. انتخاب یک موتور یا موتور دیگر به شدت به کیفیت تصویر و پیچیدگی متنی که میخواهیم پردازش کنیم بستگی دارد.
علاوه بر تنظیمات اولیه، گره Tess4J یک را ارائه می دهد تنظیمات پیشرفته تب که می توانیم مجموعه ای از آن را تعریف کنیم پارامترهای کنترل. این تب گره را بسیار انعطاف پذیر می کند و به کاربران متخصص کمک می کند تا موتور Tesseract OCR را مطابق با نیازهای خاص خود سفارشی و تنظیم کنند. با این حال نگران نباشید، در بیشتر موارد تنظیمات اولیه شما را راه طولانی می برد!
شکل 4: گفتگوی پیکربندی گره Tess4J.
علاوه بر بهینه سازی تنظیمات گره Tess4J در مورد استفاده در دست، این یک تمرین خوب است که در صورت نیاز، تصاویر ورودی را به طور کامل از قبل پردازش کنید. به ویژه، Tesseract زمانی بهترین کار را انجام می دهد که تصاویر به اندازه کافی بزرگ شوند به طوری که تعداد پیکسل های ارتفاع x کاراکترها حداقل 20 پیکسل باشد. تصاویر به درستی تراز شده و دارای وضوح کافی بالا هستند. و هر گونه مرز تاریک حذف می شود، یا ممکن است به اشتباه به عنوان کاراکتر تعبیر شود [3]. این پردازش تصویر KNINE پسوند شامل چندین گره برای تمیز کردن تصویر، دستکاری و تبدیل، و بسیاری از گره ها است نمونه گردش کار می توان در یافت KNIME Hub.
خروجی گره Tess4J یک جدول حاوی متن استخراج شده به عنوان نوع داده String است و به این ترتیب می توان آن را جستجو و ویرایش کرد.
3 — پردازش متن برای استخراج ISBN
هنگامی که تصاویر OCR شدند، می توان به متنی که در آنها وجود دارد دسترسی پیدا کرد و اطلاعات مفیدی را بازیابی کرد.
به طور خاص، اطلاعیه های نسخه معمولاً کد شابک اختصاص داده شده به کتاب را گزارش می کنند. کد ISBN یک شناسه کتاب تجاری منحصر به فرد و 13 رقمی است (قبل از سال 10 2007 رقمی بود) و به این ترتیب به هر نسخه و نسخه جداگانه یک نشریه اختصاص داده می شود. استخراج کد ISBN به ما این امکان را میدهد که وقتی میخواهیم اطلاعات فرااطلاعاتی را بازیابی کنیم، بدون ابهام به هر کتاب مراجعه کنیم. برای دستیابی به آن، میتوانیم به گرههای موجود در آن تکیه کنیم KNIME - پردازش متن پسوند، که برخی از آنها در متانود "استخراج ISBN" استفاده می شود (شکل 5).
در متانود «تمیز کردن متن»، با تبدیل متن OCRed از نوع داده رشته به سند شروع میکنیم. در مرحله بعد، متن را به حروف کوچک تبدیل می کنیم، علائم نگارشی، فضاهای خالی، خط تیره را حذف می کنیم و برای تصحیح نویسه های نادرست در کدهای ISBN، حروف "o" را با "0" (صفر) جایگزین می کنیم.
ما کدهای ISBN را با جدا کردن 13 کاراکتر که دنبال رشته "isbn" هستند، استخراج می کنیم و از موتور قانون گره برای بررسی اینکه آیا کاراکترهای استخراج شده حاوی مقادیر گمشده نیستند و طول مورد انتظار 13 کاراکتر دارند یا خیر. سپس از قابلیت این گره برای اضافه کردن ستونی استفاده میکنیم که استخراج موفق را 1 و استخراج ناموفق را 0 برچسبگذاری میکند.
شکل 5: داخل متانود «استخراج ISBN».
4 - بازیابی و تجسم فرااطلاعات
در مرحله آخر، از کدهای ISBN برای بازیابی اطلاعات فرااطلاعات و جلدهای کتاب از Google Books API استفاده می کنیم. متانود «دریافت فراداده کتاب و جلدها» از آن مراقبت می کند (شکل 6). با این حال، بازیابی ابرداده تنها در صورتی امکان پذیر است که کدهای شابک با موفقیت استخراج شوند. برای اطمینان از مدیریت روان استخراج موفق/ناموفق ISBN، چندین گره کنترل گردش کار را شامل میشویم. شما می توانید یک نمای کلی روشنگر را در برگه تقلب: کنترل و ارکستراسیون با پلتفرم KNIME Analytics.
اگر کد ISBN با موفقیت استخراج شود، از آن استفاده می کنیم دریافت درخواست گره برای ارسال یک درخواست GET به Google Books API، یک سرویس وب رایگان RESTful که توسط Google ارائه می شود که امکان بازیابی چندین اطلاعات فرا اطلاعاتی مانند عنوان کتاب، زیرنویس، نویسندگان، تاریخ انتشار، توضیحات، تعداد صفحات، زبان، میانگین رتبه، تعداد رتبه بندی و جلد را فراهم می کند. علاوه بر این، این وب سرویس RESTful نیازی به ایجاد یک حساب توسعه دهنده ندارد. پیکربندی گره درخواست GET بسیار ساده است. این نیاز به انتخاب ساده یک "ستون URL" معنی دار دارد که ما در آن می سازیم دستکاری رشته گره با پیوستن به نشانی وب Google Books API با کد ISBN هر اطلاعیه ویرایش. تمام تنظیمات دیگر را می توان به عنوان پیش فرض باقی گذاشت.
سپس خروجی JSON گره درخواست GET را با استفاده از مسیر JSON گره و قبل از جمع آوری نتایج نهایی، فرااطلاعات استخراج شده را با جلد کتاب به هم بپیوندید.
در نهایت، ما مؤلفه «تجسم ابردادهها و جلدهای کتاب» را برای تجسم دقیق اطلاعات فرااطلاعات و جلدهای کتاب بازیابی شده ایجاد میکنیم.
در جزء، ما بسته بندی می کنیم ویجت فیلتر اسلایدر محدوده تعاملی نود برای فعال کردن فیلتر پویا کتاب بر اساس میانگین تعداد رتبهبندی (0-وحشتناک؛ 5-فوق العاده) اختصاص داده شده توسط خوانندگان در Google Books، و نمای کاشی گره برای نمایش نتایج.
سپس این مؤلفه یک نمای شامل نوار لغزنده برای انتخاب کتابها بر اساس میانگین رتبهبندی و یک جدول میزبان جلدها و توضیحات کتابهای انتخابی را به دست میآورد. برای این مقاله، استخراج کتاب هایی با رتبه بندی بین 3 تا 5 را انتخاب کرده ایم که نتایج در شکل 6 نمایش داده شده است.
شکل 6: فرااطلاعات و جلد کتاب های بازیابی شده برای کتاب هایی با رتبه های بالاتر از 3.
خلاصه
در این مقاله، ما نشان دادهایم که چگونه OCR را میتوان به راحتی در پلتفرم KNIME Analytics انجام داد. برای این منظور، گره Tess4J را ارائه کرده ایم و جزئیاتی در مورد عملکرد کتابخانه Tesseract OCR که این گره بر اساس آن است، ارائه کرده ایم.
علاوه بر این، ما یک مورد استفاده ساده را نشان داده ایم که در آن OCR می تواند یک منبع قدرتمند و مفید باشد. ما اطلاعاتی را از اعلامیههای نسخه کتاب استخراج کردهایم - به ویژه کدهای ISBN - برای ارسال یک درخواست GET به سرویس وب RESTful کتاب Google. این به ما امکان بازیابی فراداده ها و جلدهای کتاب را می دهد.
با KNIME، OCR کردن تصاویر برای استخراج قطعات مهم اطلاعات به آسانی ABC می شود. خودتان آن را امتحان کنید! مورد استفاده OCR شما چیست؟
گردش کار ارائه شده در این مقاله را می توانید به صورت رایگان از سایت دانلود کنید KNIME Hub.
منابع
[1] اسمیت، آر (2007). مروری بر موتور OCR Tesseract. نهمین کنفرانس بین المللی تحلیل و شناسایی اسناد (ICDAR 2007)، صص 629-633. قابل دسترسی در:
https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/33418.pdf
[بازیابی: 15.07.2021].
[2] پروژه Tesseract OCR در GitHub - https://github.com/tesseract-ocr/tesseract
[3] مستندات Tesseract OCR در GitHub - https://tesseract-ocr.github.io/tessdoc/
روبرتو کادیلی یک دانشمند داده در KNIME، علاقه مندان به NLP و عاشق تاریخ است. ویرایشگر Low Code for Advanced Data Science.
لادا رودنیتسکایا دانشمند داده در KNIME است.
همانطور که برای اولین بار در کد کم برای علم داده های پیشرفته.
اصلی. مجدداً با اجازه دوباره ارسال شد.
مرتبط:
منبع: https://www.kdnuggets.com/2021/11/book-metadata-cover-retrieval-ocr-google-books-api.html
- "
- &
- 2021
- حساب
- حسابداری (Accounting)
- AI
- معرفی
- تحلیل
- علم تجزیه و تحلیل
- API
- مقاله
- مقالات
- نویسندگان
- خودکار
- بهترین
- کتاب
- جعبه
- ساختن
- کسب و کار
- کسب و کار
- اهميت دادن
- کاریابی
- موارد
- شخصیت شناسی
- چینی
- طبقه بندی
- تمیز کاری
- مشتریان
- رمز
- جمع آوری
- ستون
- تجاری
- شرکت
- جزء
- کامپیوتر
- کنفرانس
- اعتماد به نفس
- پیکر بندی
- محتوا
- حق چاپ
- جاری
- داشبورد
- داده ها
- علم اطلاعات
- دانشمند داده
- جزئیات
- کشف
- توسعه دهنده
- توسعه دهندگان
- پروژه
- دیجیتال
- اسناد و مدارک
- قطره
- در اوایل
- سردبیر
- مهندس
- انگلیسی
- و غیره
- اعدام
- گسترش
- بهره برداری
- استخراج
- شکل
- سرانجام
- مالی
- نام خانوادگی
- به دنبال
- فرم
- قالب
- رایگان
- فرانسوی
- GitHub
- خوب
- گوگل
- گروه
- اداره
- سیار
- اینجا کلیک نمایید
- زیاد
- استخدام
- تاریخ
- میزبانی وب
- چگونه
- چگونه
- HTTPS
- اندیشه
- شناسایی
- تصویر
- از جمله
- درآمد
- افزایش
- صنعت
- اطلاعات
- تعاملی
- بین المللی
- IT
- پیوستن
- دانش
- کره ای
- برچسب ها
- زبان
- زبان ها
- بزرگ
- یاد گرفتن
- یادگیری
- قانونی
- قدرت نفوذ
- کتابخانه
- سبک
- لینک
- فهرست
- محل
- طولانی
- فراگیری ماشین
- ترجمه ماشین
- دست کاری
- متوسط
- از جمله
- مرتب
- عصبی
- nlp
- گره
- تعداد
- OCR
- پیشنهادات
- باز کن
- منبع باز
- تشخیص شخصیت نوری
- گزینه
- گزینه
- دیگر
- مردم
- فیزیکی
- تصویر
- پیکسل
- سکو
- بهره وری
- پروژه
- پــایتــون
- کیفیت
- محدوده
- رتبه بندی
- خام
- داده های خام
- خواننده
- خوانندگان
- مطالعه
- گزارش
- منابع
- نتایج
- علم
- جستجو
- انتخاب شد
- حس
- تنظیم
- محیط
- ساده
- So
- نرم افزار
- حل
- اسپانیایی
- حمایت مالی
- شروع
- داستان
- موفق
- پشتیبانی
- پشتیبانی
- پشتیبانی از
- سیستم
- تکنیک
- پیشرفته
- دستکاری
- زمان
- بالا
- آموزش
- دگرگونی
- تبدیل شدن
- ترجمه
- یونیکد
- us
- کاربران
- چشم انداز
- تجسم
- وب
- چه شده است
- کلمات
- مهاجرت کاری
- گردش کار
- با این نسخهها کار
- با ارزش
- نوشته
- X
- سال