К содержанию
Портфолио

RnD · 2026

Scriptoria

Распознавание архивных документов в дореформенной орфографии

  • OCR
  • manuscript-ocr
  • ONNX
Scriptoria

Контекст

Дореформенная печать (ѣ, і, ъ) в две колонки: текстовый слой библиотеки рвёт слова и перемешивает колонки, искать по нему нельзя.

Задача

Поставить распознавание архива на поток и оставить человеку то, что держит смысл документа.

Решение

manuscript-ocr на CPU: детектор YOLO26-X и распознаватель TRBA-Lite с дореформенным алфавитом, своя раскладка по колонкам. Контрольные места — номера законов, даты, ссылки на Собрание узаконений, суммы — уходят человеку: он перечитывает скан и вводит значение.

Результат

Первые 10 страниц Полного собрания законов, т. XIV, 1894 (РГБ): 3 130 слов примерно за 2,5 минуты на CPU. Текст в исходной орфографии, по нему работает поиск; контрольные места сверены человеком.