التعرف البصري على الموسيقى

📅 آخر تحديث: ١ أغسطس ٢٠٢٦
✍️ نُشر في: ١ أغسطس ٢٠٢٦
📷 يحتوي على 6 صور
الموسوعة الحرة

التعرف الضوئي على الموسيقى ( OMR ) هو مجال بحثي يدرس كيفية قراءة النوتات الموسيقية في المستندات باستخدام الحاسوب. [ 1 ] يهدف التعرف الضوئي على الموسيقى إلى تعليم الحاسوب قراءة وتفسير النوتات الموسيقية وإنتاج نسخة قابلة للقراءة آليًا من النوتة الموسيقية المكتوبة. بمجرد التقاط الموسيقى رقميًا، يمكن حفظها بتنسيقات ملفات شائعة الاستخدام، مثل MIDI (للتشغيل) و MusicXML (لتصميم الصفحات). في الماضي، كان يُطلق عليه، بشكل مُضلل، اسم " التعرف الضوئي على الأحرف الموسيقية ". ونظرًا للاختلافات الجوهرية، ينبغي عدم استخدام هذا المصطلح بعد الآن. [ 2 ]

تاريخ

أول نسخة رقمية منشورة من النوتات الموسيقية من إعداد ديفيد بريراو عام 1971

بدأ التعرف البصري على النوتات الموسيقية المطبوعة في أواخر الستينيات في معهد ماساتشوستس للتكنولوجيا، عندما أصبحت الماسحات الضوئية الأولى في متناول معاهد البحوث. [ 3 ] [ 4 ] [ 5 ] ونظرًا لمحدودية ذاكرة الحواسيب في ذلك الوقت، اقتصرت المحاولات الأولى على بضعة مقاييس موسيقية فقط. في عام 1984، طوّر فريق بحث ياباني من جامعة واسيدا روبوتًا متخصصًا يُدعى WABOT (روبوت واسيدا)، قادرًا على قراءة النوتة الموسيقية أمامه ومرافقة مغنٍّ على أورغ كهربائي . [ 6 ] [ 7 ]

أجرى إيشيرو فوجيناغا، ونيكولاس كارتر، وكيا نغ، وديفيد بينبريدج، وتيم بيل أبحاثاً مبكرة في مجال التعرف البصري على الكلام. وقد طور هؤلاء الباحثون العديد من التقنيات التي لا تزال تُستخدم حتى اليوم.

تم إصدار أول تطبيق تجاري لتقنية التعرف الضوئي على العلامات (OMR)، وهو MIDISCAN (الآن SmartScore )، في عام 1991 بواسطة شركة Musitek Corporation.

إن توفر الهواتف الذكية المزودة بكاميرات جيدة وقدرة حسابية كافية، مهد الطريق لحلول الهواتف المحمولة حيث يلتقط المستخدم صورة بالهاتف الذكي ويقوم الجهاز بمعالجة الصورة مباشرة.

العلاقة بالمجالات الأخرى

علاقة التعرف البصري على الموسيقى بمجالات البحث الأخرى

يرتبط التعرف الضوئي على الموسيقى بمجالات بحثية أخرى، تشمل رؤية الحاسوب ، وتحليل الوثائق، واسترجاع المعلومات الموسيقية . وهو ذو أهمية بالغة للموسيقيين والملحنين الذين يمكنهم استخدام أنظمة التعرف الضوئي على الموسيقى كوسيلة لإدخال الموسيقى إلى الحاسوب، مما يُسهّل عملية التأليف والتدوين والتحرير الموسيقي. في المكتبات، يُمكن لنظام التعرف الضوئي على الموسيقى أن يجعل النوتات الموسيقية قابلة للبحث [ 8 ] ، وبالنسبة لعلماء الموسيقى، فإنه يُتيح إجراء دراسات موسيقية كمية واسعة النطاق [ 9 ] .

مقارنة بين التعرف الضوئي على العلامات (OMR) والتعرف الضوئي على الأحرف (OCR)

كثيراً ما تُقارن تقنية التعرف الضوئي على الموسيقى بتقنية التعرف الضوئي على الأحرف. [ 2 ] [ 10 ] [ 11 ] ويكمن الاختلاف الأكبر في أن التدوين الموسيقي نظام كتابة يعتمد على خصائص محددة. وهذا يعني أنه بينما تتكون الأبجدية من عناصر أساسية محددة (مثل السيقان، ورؤوس النوتات، والأعلام)، فإن طريقة وضعها وترتيبها على المدرج الموسيقي هي التي تحدد دلالات النوتة وكيفية تفسيرها.

يتمثل الاختلاف الرئيسي الثاني في أن نظام التعرف الضوئي على الحروف (OCR) لا يتجاوز التعرف على الحروف والكلمات، بينما يُتوقع من نظام التعرف الضوئي على العلامات (OMR) استعادة دلالات الموسيقى أيضًا: يتوقع المستخدم أن يتم ترجمة الموضع الرأسي للنوتة الموسيقية (مفهوم رسومي) إلى درجة الصوت (مفهوم موسيقي) بتطبيق قواعد التدوين الموسيقي. تجدر الإشارة إلى أنه لا يوجد ما يُعادل ذلك في التعرف على النصوص. وبالمثل، فإن استعادة الموسيقى من صورة ورقة موسيقية قد تكون بنفس صعوبة استعادة شفرة HTML المصدرية من لقطة شاشة لموقع ويب .

يتمثل الاختلاف الثالث في مجموعة الأحرف المستخدمة. فمع أن أنظمة الكتابة كالصينية تتميز بمجموعات أحرف بالغة التعقيد، فإن مجموعة الأحرف الأساسية المستخدمة في نظام التعرف الضوئي على العلامات (OMR) تغطي نطاقًا أوسع بكثير من الأحجام، بدءًا من عناصر صغيرة كالنقطة وصولًا إلى عناصر كبيرة قد تمتد على صفحة كاملة كالقوس. بعض الرموز، كالعلامات المائلة، لها مظهر شبه غير مقيد، إذ تُعرَّف فقط كمنحنيات سلسة تقريبًا يمكن أن تنقطع في أي مكان.

وأخيراً، تتضمن النوتة الموسيقية علاقات مكانية ثنائية الأبعاد منتشرة في كل مكان، في حين يمكن قراءة النص كتدفق أحادي البعد للمعلومات، بمجرد تحديد خط الأساس.

مناهج التعرف الضوئي على العلامات

مقتطف من مقطوعة نوكتورن رقم 2 ، العمل 15، للمؤلف فريدريك شوبان، من المقياس 7 إلى 9 – التحديات التي تواجه التعرف البصري على الموسيقى

عادة ما يتم تقسيم عملية التعرف على النوتات الموسيقية إلى خطوات أصغر يتم التعامل معها باستخدام خوارزميات متخصصة للتعرف على الأنماط .

طُرحت العديد من المناهج المتنافسة، ويشترك معظمها في بنية خطية، حيث تُنفّذ كل خطوة في هذه البنية عمليةً محددة، مثل الكشف عن خطوط المدرج الموسيقي وإزالتها قبل الانتقال إلى المرحلة التالية. ومن المشاكل الشائعة في هذا المنهج أن الأخطاء والتشوهات التي تحدث في مرحلة ما تنتقل عبر النظام، مما قد يؤثر سلبًا على الأداء. فعلى سبيل المثال، إذا فشلت مرحلة الكشف عن خطوط المدرج الموسيقي في تحديد وجودها بشكل صحيح، فمن المرجح أن تتجاهل الخطوات اللاحقة تلك المنطقة من الصورة، مما يؤدي إلى فقدان معلومات في المخرجات.

غالبًا ما يُستهان بتقنية التعرف البصري على الموسيقى نظرًا لبساطة المشكلة ظاهريًا: فإذا توفر مسح ضوئي مثالي لنوتة موسيقية مطبوعة، يُمكن حل عملية التعرف البصري باستخدام سلسلة من الخوارزميات البسيطة نسبيًا، مثل الإسقاطات ومطابقة القوالب . مع ذلك، تصبح العملية أكثر صعوبةً بكثير في حالة المسح الضوئي الرديء أو النوتات المكتوبة بخط اليد، والتي تعجز العديد من الأنظمة عن التعرف عليها تمامًا. وحتى في حال تم الكشف عن جميع الرموز بدقة تامة، يبقى من الصعب استعادة الدلالات الموسيقية نظرًا للغموض والانتهاكات المتكررة لقواعد التدوين الموسيقي (انظر مثال مقطوعة شوبان الليلية). يرى دونالد بيرد وجاكوب سيمونسن أن صعوبة التعرف البصري على الموسيقى تكمن في التعقيد الشديد للتدوين الموسيقي الحديث. [ 11 ]

كما جمع دونالد بيرد عددًا من الأمثلة المثيرة للاهتمام [ 12 ] بالإضافة إلى أمثلة متطرفة [ 13 ] للتدوين الموسيقي التي توضح مدى تعقيد التدوين الموسيقي.

مخرجات أنظمة OMR

تشمل التطبيقات النموذجية لأنظمة التعرف الضوئي على العلامات (OMR) إنشاء نسخة مسموعة من النوتة الموسيقية (المعروفة بإمكانية إعادة التشغيل). إحدى الطرق الشائعة لإنشاء هذه النسخة هي توليد ملف MIDI ، والذي يمكن تحويله إلى ملف صوتي. مع ذلك، لا تستطيع ملفات MIDI تخزين معلومات النقش (كيفية ترتيب النوتات) أو التهجئة التوافقية .

إذا تم التعرف على النوتات الموسيقية بهدف قراءتها من قبل البشر (أي إمكانية إعادة طباعتها)، فيجب استعادة الترميز المنظم، الذي يتضمن معلومات دقيقة حول التخطيط والنقش. ومن بين التنسيقات المناسبة لتخزين هذه المعلومات MEI و MusicXML .

إلى جانب هذين التطبيقين، قد يكون من المفيد أيضًا استخراج البيانات الوصفية من الصورة أو تفعيل خاصية البحث. وعلى عكس التطبيقين الأولين، قد يكون مستوى فهم بسيط للنوتة الموسيقية كافيًا لإنجاز هذه المهام.

الإطار العام (2001)

بنية التعرف البصري على الموسيقى من تأليف بينبريدج وبيل (2001)

في عام ٢٠٠١، نشر ديفيد بينبريدج وتيم بيل بحثهما حول تحديات التعرف الضوئي على العلامات (OMR)، حيث استعرضا الأبحاث السابقة واستخلصا إطارًا عامًا لهذه التقنية. [ ١٠ ] وقد استُخدم هذا الإطار في العديد من الأنظمة التي طُوّرت بعد عام ٢٠٠١. يتألف الإطار من أربع مراحل متميزة مع تركيز كبير على الكشف البصري عن الكائنات. لاحظ الباحثان أن إعادة بناء الدلالات الموسيقية غالبًا ما تُغفل في المقالات المنشورة لأن العمليات المستخدمة كانت خاصة بصيغة الإخراج.

إطار عمل مُحسَّن (2012)

الإطار العام للتعرف البصري على الموسيقى الذي اقترحته آنا ريبيلو وآخرون في عام 2012

في عام ٢٠١٢، أجرت آنا ريبيلو وزملاؤها دراسة استقصائية حول تقنيات التعرف البصري على الموسيقى. [ ١٤ ] صنّفوا الأبحاث المنشورة وطوّروا منهجية التعرف البصري على الموسيقى إلى أربع مراحل: المعالجة المسبقة، والتعرف على الرموز الموسيقية، وإعادة بناء التدوين الموسيقي، وبناء التمثيل النهائي. أصبح هذا الإطار المعيار الفعلي للتعرف البصري على الموسيقى، ولا يزال يُستخدم حتى اليوم (وإن كان أحيانًا بمصطلحات مختلفة قليلاً). لكل مرحلة، يقدمون نظرة عامة على التقنيات المستخدمة لمعالجة تلك المشكلة. يُعد هذا المنشور البحث الأكثر استشهادًا به في مجال أبحاث التعرف البصري على الموسيقى حتى عام ٢٠١٩.

التعلم العميق (منذ عام 2016)

مع ظهور التعلم العميق ، تحولت العديد من مشاكل رؤية الحاسوب من البرمجة الإجرائية باستخدام أساليب استدلالية يدوية وهندسة الميزات إلى التعلم الآلي . في مجال التعرف البصري على الموسيقى، شهدت مراحل معالجة المدرج الموسيقي [ 15 ] [ 16 ] ، والكشف عن العناصر الموسيقية [ 17 ] [ 18 ] [ 19 ] [ 20 ] ، بالإضافة إلى إعادة بناء التدوين الموسيقي [ 21 ] ، محاولات ناجحة لحلها باستخدام التعلم العميق.

بل وقد طُرحت مناهج جديدة كلياً، بما في ذلك حل مشكلة التعرف الضوئي على النوتات الموسيقية بطريقة شاملة باستخدام نماذج التسلسل إلى التسلسل، والتي تأخذ صورة للنوتات الموسيقية وتنتج الموسيقى المُتعرف عليها مباشرةً بتنسيق مُبسط. [ 22 ] [ 23 ] [ 24 ] [ 25 ]

مشاريع علمية بارزة

تحدي إزالة الموظفين

بالنسبة للأنظمة التي طُوّرت قبل عام ٢٠١٦، شكّل اكتشاف الموظفين وإزالتهم عائقًا كبيرًا. نُظّمت مسابقة علمية لتحسين أحدث التقنيات والنهوض بهذا المجال. [ ٢٦ ] ونظرًا للنتائج الممتازة والتقنيات الحديثة التي جعلت مرحلة إزالة الموظفين غير ضرورية، أُوقفت هذه المسابقة.

ومع ذلك، لا تزال مجموعة بيانات CVC-MUSCIMA المجانية، التي طُوّرت خصيصًا لهذا التحدي، ذات أهمية بالغة لأبحاث التعرف الضوئي على العلامات، إذ تحتوي على 1000 صورة عالية الجودة لنوتات موسيقية مكتوبة بخط اليد، نُسخت بواسطة 50 موسيقيًا مختلفًا. وقد جرى توسيعها لاحقًا لتشمل مجموعة بيانات MUSCIMA++، التي تحتوي على شروح تفصيلية لـ 140 صفحة من أصل 1000 صفحة.

سيمسا

يُعد مشروع واجهة البحث والتحليل الموحدة للنوتات الموسيقية (SIMSSA) [ 27 ] على الأرجح أكبر مشروع يهدف إلى تعليم الحواسيب التعرف على النوتات الموسيقية وجعلها متاحة للجميع. وقد أُنجزت بنجاح عدة مشاريع فرعية، منها Liber Usualis [ 28 ] وCantus Ultimus [ 29 ] .

ترومبا

مشروع "نحو أرشيفات موسيقية أكثر ثراءً على الإنترنت في الملكية العامة" (TROMPA) هو مشروع بحثي دولي، برعاية الاتحاد الأوروبي، يبحث في كيفية جعل موارد الموسيقى الرقمية في الملكية العامة أكثر سهولة في الوصول إليها. [ 30 ]

مجموعات البيانات

يستفيد تطوير أنظمة التعرف الضوئي على العلامات (OMR) من مجموعات بيانات اختبارية ذات حجم وتنوع كافيين لضمان عمل النظام قيد التطوير في ظل ظروف مختلفة. مع ذلك، ولأسباب قانونية واحتمالية انتهاك حقوق النشر، يُعدّ تجميع ونشر مثل هذه المجموعات تحديًا. تُشير مجموعة بيانات OMR [ 31 ] إلى أبرز مجموعات البيانات المستخدمة في OMR ، وهي: CVC-MUSCIMA [ 32 ] ، وMUSCIMA++ [ 33 ] ، وDeepScores [ 34 ] ، وPrIMuS [ 35 ] ، و HOMUS [ 36 ]، وSEILS [ 37 ] ، بالإضافة إلى مجموعة رموز الموسيقى العالمية [ 38 ] .

اتبعت شركة نيوزيك الفرنسية نهجًا مختلفًا في تطوير تقنية التعرف الضوئي على النوتات الموسيقية (OMR) الخاصة بها، مايستريا، [ 39 ] وذلك باستخدام توليد النوتات الموسيقية عشوائيًا. وقد ساعد استخدام البيانات الاصطناعية في تجنب مشكلات حقوق النشر وتدريب خوارزميات الذكاء الاصطناعي على حالات موسيقية نادرة الحدوث في الأعمال الموسيقية الفعلية، مما أدى في النهاية (وفقًا لمزاعم الشركة) إلى دقة أكبر في التعرف على الموسيقى. [ 40 ]

برمجة

البرامج الأكاديمية والمفتوحة المصدر

تتفاوت مشاريع التعرف الضوئي على العلامات مفتوحة المصدر بشكل كبير، بدءًا من برامج متطورة مثل Audiveris ، وصولًا إلى العديد من المشاريع التي طُورت في الأوساط الأكاديمية، ولكن قليلًا منها فقط وصل إلى مرحلة النضج وتم نشره بنجاح للمستخدمين. وتشمل هذه الأنظمة ما يلي:

برامج تجارية

أُغلقت معظم تطبيقات سطح المكتب التجارية التي طُوّرت خلال العشرين عامًا الماضية مجددًا بسبب فشلها التجاري، ولم يتبقَّ سوى عدد قليل من الموردين الذين ما زالوا يطورون منتجات التعرف الضوئي على العلامات (OMR) ويحافظون عليها ويبيعونها. تدّعي بعض هذه المنتجات معدلات تعرف عالية للغاية تصل إلى دقة 100% [ 49 ] [ 50 ] ، لكنها لا تفصح عن كيفية الحصول على هذه الأرقام، مما يجعل التحقق منها ومقارنة أنظمة التعرف الضوئي على العلامات المختلفة أمرًا شبه مستحيل.

  • فحص كابيلا [ 51 ]
  • FORTE بواسطة تدوين فورتي [ 52 ]
  • مسح اتصالات MIDI بواسطة أنظمة التأليف والترتيب [ 53 ]
  • NoteScan المرفق مع Nightingale [ 54 ]
  • شركة ميرياد سارل
    • OMeR (قارئ الموسيقى البصرية السهل) إضافة لبرنامج Harmony Assistant و Melody Assistant: Myriad Software [ 55 ]
    • PDFtoMusic Pro [ 56 ]
  • برنامج PhotoScore من شركة Neuratron [ 50 ] ، الإصدار الخفيف منه يُستخدم في برنامج Sibelius ؛ ويستخدم PhotoScore حزمة تطوير البرامج SharpEye SDK.
  • Scorscan بواسطة npcImaging [ 57 ]
  • SmartScore من Musitek. [ 58 ] كان يُعرف سابقًا باسم "MIDISCAN". (تم استخدام SmartScore Lite في الإصدارات السابقة من Finale ).
  • ScanScore [ 59 ] (وأيضًا كحزمة مع تدوين Forte .) [ 52 ]
  • برنامج Soundslice لاستيراد ملفات PDF/الصور. [ 60 ] نظام التعرف الضوئي على العلامات (OMR) القائم على الذكاء الاصطناعي، تم إصداره في مرحلة تجريبية في سبتمبر 2022. [ 61 ]
  • مايستريا من شركة نيوزيك. [ 39 ] تم إطلاق مايستريا في مايو 2021، وهي مثال على تقنية التعرف الضوئي على العلامات (OMR) من الجيل الجديد القائمة على التعلم العميق. وتدّعي الشركة أنها لا تُحسّن النتائج فحسب، بل تعني أيضًا "أنها تصبح أكثر دقة مع كل عملية تحويل". [ 62 ]

تطبيقات الجوال

أتاحت الكاميرات المحسّنة وزيادة قوة المعالجة ظهور مجموعة واسعة من تطبيقات الهواتف المحمولة، سواءً على متجر جوجل بلاي أو متجر أبل. ويركز معظمها على العزف من النظرة الأولى (انظر: قراءة النوتة الموسيقية ) - أي تحويل النوتة الموسيقية إلى صوت يُشغّل على الجهاز.

  • iSeeNotes من شركة Gear Up AB [ 63 ]
  • NotateMe Now by Neuratron [ 64 ]
  • ماسح التدوين من تصميم سونغ تشانغ [ 65 ]
  • بلاي سكور 2 من إنتاج شركة أورغانوم المحدودة [ 66 ]
  • قارئ النوتات الموسيقية SmartScore من Musitek [ 67 ]
  • تطبيق نيوزيك [ 68 ]

انظر أيضاً

  • يُعد استرجاع المعلومات الموسيقية (MIR) مشكلة أوسع نطاقًا تتمثل في استرجاع المعلومات الموسيقية من الوسائط التي تشمل النوتات الموسيقية والصوت.
  • التعرف الضوئي على الحروف (OCR) هو تقنية للتعرف على النصوص يمكن تطبيقها على استرجاع المستندات ، على غرار التعرف الضوئي على العلامات (OMR) واسترجاع المعلومات الموسيقية (MIR). مع ذلك، يجب أن يُمثل نظام OMR الكامل النص الموجود في النوتات الموسيقية بدقة، لذا فإن OMR في الواقع مجموعة شاملة من OCR. [ 10 ]

مراجع

  1. ↑ باتشا، ألكسندر (2019). التعرف البصري على الموسيقى ذاتيًا (أطروحة دكتوراه). جامعة فيينا التقنية، النمسا. doi : 10.13140/RG.2.2.18467.40484 .
  2. 1 2 كالفوساراجوزا، خورخي؛ هاجيتش، يان الابن؛ باتشا، ألكسندر (2020). "فهم التعرف البصري على الموسيقى". مجلة ACM Computing Surveys . 53 (4): 1–35 . arXiv : 1908.03608 . doi : 10.1145/3397499 . S2CID 199543265 . 
  3. ↑ التعرف البصري على الموسيقى للمبتدئين - الجزء الثاني - مقدمة وتاريخ . youtube.com . يوتيوب . 3 أكتوبر 2018. مؤرشف من الأصل في 21 ديسمبر 2021. تم الاطلاع عليه في 24 يونيو 2021 .
  4. ↑ بروسلين، دينيس هوارد (1966). التعرف التلقائي على النوتات الموسيقية (أطروحة دكتوراه). معهد ماساتشوستس للتكنولوجيا، كامبريدج، ماساتشوستس، الولايات المتحدة الأمريكية.
  5. ↑ بريراو، ديفيد س. (1971). التعرف الحاسوبي على الأنماط في الموسيقى المطبوعة . المؤتمر المشترك للحاسوب في الخريف. ص 153-162 . 
  6. ↑ "WABOT – روبوت جامعة واسيدا" . waseda.ac.jp . روبوت بشري من جامعة واسيدا . تم الاطلاع عليه بتاريخ 14 يوليو 2019 .
  7. ↑ "Wabot 2" . IEEE . IEEE . تم الاطلاع عليه في 14 يوليو 2019 .
  8. ↑ لابلانت، أودري؛ فوجيناغا، إيشيرو (2016). رقمنة النوتات الموسيقية: تحديات وفرص للمكتبات . ورشة العمل الدولية الثالثة حول المكتبات الرقمية لعلم الموسيقى. ص 45-48 . 
  9. ↑ هاجيتش، يان الابن؛ كولاروفا، مارتا؛ باتشا، ألكسندر؛ كالفوساراجوزا، خورخي (2018). كيف أصبحت أنظمة التعرف الضوئي على الموسيقى الحالية مفيدة للمكتبات الرقمية . المؤتمر الدولي الخامس للمكتبات الرقمية لعلم الموسيقى. باريس، فرنسا. ص 57-61 . 
  10. 1 2 3 بينبريدج، ديفيد؛ بيل، تيم (2001). "تحدي التعرف البصري على الموسيقى" . الحوسبة والعلوم الإنسانية . 35 (2): 95-121 . doi : 10.1023/A:1002485918032 . S2CID 18602074. تاريخ الاسترجاع: 23 فبراير 2017 . 
  11. 1 2 بيرد، دونالد؛ سيمونسن، جاكوب غرو (2015). "نحو منصة اختبار قياسية للتعرف البصري على الموسيقى: التعريفات، والمقاييس، وصور الصفحات". مجلة أبحاث الموسيقى الجديدة . 44 (3): 169-195 . doi : 10.1080/09298215.2015.1045424 .
  12. ↑ بيرد، دونالد (نوفمبر 2017). "معرض تدوين موسيقي مثير للاهتمام (آلة Wayback)" . web.archive.org . مؤرشف من الأصل في 3 فبراير 2025. تم الاسترجاع في 12 نوفمبر 2025 .{{cite web}}يستخدم Cite عنوانًا عامًا ( مساعدة ) CS1 maint: bot: حالة عنوان URL الأصلي غير معروفة ( رابط )
  13. ↑ بيرد، دونالد (أكتوبر 2018). "أقصى حدود التدوين الموسيقي التقليدي" . indiana.edu . مؤرشف من الأصل في 19 يوليو 2019. تم الاطلاع عليه في 14 يوليو 2019 .
  14. ^ ريبيلو، آنا؛ فوجيناجا، إيشيرو؛ باسزكيفيتش، فيليبي؛ ماركال، أندريه RS. جويديس، كارلوس؛ كاردوسو، جيمي دوس سانتوس (2012). "التعرف البصري على الموسيقى: أحدث القضايا والمشكلات المفتوحة" (PDF) . المجلة الدولية لاسترجاع معلومات الوسائط المتعددة . 1 (3): 173-190 . دوى : 10.1007 / s13735-012-0004-6 . S2CID 12964479 . تم الاسترجاع في 15 يوليو، 2019 . 
  15. ↑ جاليجو، أنطونيو-خافيير؛ كالفوساراجوزا، خورخي (2017). "إزالة خطوط المدرج الموسيقي باستخدام المشفرات التلقائية الانتقائية". أنظمة الخبراء وتطبيقاتها . 89 : 138-148 . doi : 10.1016/j.eswa.2017.07.002 . hdl : 10045/68971 .
  16. ↑ كاستيلانوس، فرانسيسكو ج.؛ كالفوساراجوزا، خورخي؛ فيغليينسوني، غابرييل؛ فوجيناغا، إيشيرو (2018). تحليل وثائق صور النوتات الموسيقية باستخدام المشفرات التلقائية الانتقائية (PDF) . المؤتمر الدولي التاسع عشر لجمعية استرجاع المعلومات الموسيقية. باريس، فرنسا. ص 256-263 . تاريخ الاسترجاع: 15 يوليو 2019 . 
  17. ↑ توغنر، لوكاس؛ إليزي، إسماعيل؛ شميدهوبر، يورغن؛ ستادلمان، ثيلو ( 2018). كاشف مستجمعات المياه العميق للتعرف على الكائنات الموسيقية (ملف PDF) . المؤتمر الدولي التاسع عشر لجمعية استرجاع المعلومات الموسيقية. باريس، فرنسا. الصفحات 271-278 . تاريخ الاسترجاع: 15 يوليو 2019 . 
  18. ↑ هاجيتش، يان الابن؛ دورفر، ماتياس؛ ويدمر، جيرهارد؛ بيسينا، بافيل (2018). نحو نظام قراءة العلامات الضوئية للنصوص المكتوبة بخط اليد مع الكشف عن الرموز الموسيقية باستخدام شبكات يو (ملف PDF) . المؤتمر الدولي التاسع عشر لجمعية استرجاع المعلومات الموسيقية. باريس، فرنسا. الصفحات 225-232 . تاريخ الاسترجاع: 15 يوليو 2019 . 
  19. ↑ باتشا، ألكسندر؛ هاجيتش، يان الابن؛ كالفوساراجوزا، خورخي (2018). "خط أساس للكشف العام عن عناصر الموسيقى باستخدام التعلم العميق" . العلوم التطبيقية . 8 (9): 1488-1508 . doi : 10.3390/app8091488 . hdl : 20.500.12708/20052 .
  20. ↑ باشا، ألكسندر؛ تشوي، كوون يونغ؛ كواسنون، برتراند؛ ريكيبورغ، يان؛ زانيبي، ريتشارد؛ إيدنبرغر، هورست (2018). الكشف عن النوتات الموسيقية المكتوبة بخط اليد: قضايا مفتوحة ونتائج أساسية (ملف PDF) . ورشة العمل الدولية الثالثة عشرة حول أنظمة تحليل المستندات. الصفحات 163-168 . doi : 10.1109/DAS.2018.51 . تاريخ الاسترجاع: 2 سبتمبر 2019 . 
  21. ↑ باتشا، ألكسندر؛ كالفوساراجوزا، خورخي؛ هاجيتش، يان الابن (2019). تعلم بناء مخططات التدوين الموسيقي للتعرف البصري الكامل على الموسيقى (ملف PDF) . المؤتمر الدولي العشرون لجمعية استرجاع المعلومات الموسيقية . تم الاطلاع عليه في 2 يوليو 2023 .
  22. ↑ فان دير ويل، إيلكو؛ أولريش، كارين (2017). التعرف البصري على الموسيقى باستخدام نماذج الالتفاف التسلسلي (ملف PDF) . المؤتمر الدولي الثامن عشر لجمعية استرجاع المعلومات الموسيقية. سوتشو، الصين.
  23. ↑ كالفوساراغوزا، خورخي؛ ريزو، ديفيد (2018). "التعرف البصري العصبي الشامل على النوتات الموسيقية أحادية الصوت" . العلوم التطبيقية . 8 (4): 606. doi : 10.3390/app8040606 . hdl : 10251/143793 .
  24. ^ بارو، أرناو؛ ريبا، باو؛ كالفو سرقسطة، خورخي؛ فورنيس ، أليسيا (2017). التعرف الضوئي على الموسيقى عن طريق الشبكات العصبية المتكررة . المؤتمر الدولي الرابع عشر لتحليل الوثائق والتعرف عليها. ص 25 – 26. دوى : 10.1109/ICDAR.2017.260 . 
  25. ^ بارو، أرناو؛ ريبا، باو؛ كالفو سرقسطة، خورخي؛ فورنيس ، أليسيا (2019). “من التعرف البصري على الموسيقى إلى التعرف على الموسيقى المكتوبة بخط اليد: خط الأساس”. خطابات التعرف على الأنماط . 123 : 1 – 8. بيب كود : 2019PaReL.123....1B . دوى : 10.1016/j.patrec.2019.02.029 . اتش دي ال : 10045/89708 . S2CID 127170982 . 
  26. ↑ فورنيس، أليسيا؛ دوتا، أنجان؛ جوردو، ألبرت؛ يادوس، جوزيب (2013). "مسابقات النوتات الموسيقية لعام 2012: إزالة المدرج الموسيقي وتحديد هوية المؤلف". في: يونغ-بين كوون؛ جان-مارك أوجييه (محرران). التعرف على الرسومات: اتجاهات وتحديات جديدة . سلسلة محاضرات في علوم الحاسوب. المجلد 7423. سبرينغر. الصفحات 173-186 . doi : 10.1007/978-3-642-36824-0_17 . ISBN   978-3-642-36823-3.
  27. ↑ "مشروع واجهة واحدة للبحث عن النوتات الموسيقية وتحليلها" . simssa.ca . جامعة ماكجيل . تم الاطلاع عليه بتاريخ 14 يوليو 2019 .
  28. ↑ "البحث في ليبر أوسواليس" . liber.simssa.ca . جامعة ماكجيل . تم الاطلاع عليه في 14 يوليو 2019 .
  29. ↑ "Cantus Ultimus" . cantus.simssa.ca . جامعة ماكجيل . تم الاطلاع عليه في 14 يوليو 2019 .
  30. ↑ "نحو أرشيفات موسيقية أكثر ثراءً على الإنترنت في الملكية العامة" . trompamusic.eu . تم الاطلاع عليه في 14 يوليو 2019 .
  31. ↑ باتشا، ألكسندر. "مجموعات بيانات التعرف البصري على الموسيقى" . github.io . تم ​​الاطلاع عليه في 14 يوليو 2019 .
  32. ↑ فورنيس، أليسيا؛ دوتا، أنجان؛ جوردو، ألبرت؛ يادوس، جوزيب (2012). "CVC-MUSCIMA: التحقق من صحة صور النوتات الموسيقية المكتوبة بخط اليد لتحديد هوية المؤلف وإزالة المدرج الموسيقي". المجلة الدولية لتحليل الوثائق والتعرف عليها . 15 (3): 243-251 . doi : 10.1007/s10032-011-0168-2 . S2CID 17946417 . 
  33. ↑ هاجيتش، يان الابن؛ بيسينا، بافيل (2017). مجموعة بيانات MUSCIMA++ للتعرف البصري على الموسيقى المكتوبة بخط اليد . المؤتمر الدولي الرابع عشر لتحليل المستندات والتعرف عليها. كيوتو، اليابان. ص 39-46 . doi : 10.1109/ICDAR.2017.16 . 
  34. ^ تاجنر ، لوكاس. العزي، اسماعيل؛ شميدهوبر، يورغن. بيليلو، مارسيلو؛ ستاديلمان ، ثيلو (2018). DeepScores – مجموعة بيانات لتجزئة الكائنات الصغيرة واكتشافها وتصنيفها . المؤتمر الدولي الرابع والعشرون للتعرف على الأنماط. بكين، الصين. دوى : 10.21256/زاو-4255 .
  35. ↑ كالفوساراجوزا، خورخي؛ ريزو، ديفيد (2018). كاميرا-بريموس: التعرف البصري العصبي الشامل على الموسيقى في نوتات موسيقية أحادية الصوت واقعية (ملف PDF) . المؤتمر الدولي التاسع عشر لجمعية استرجاع المعلومات الموسيقية. باريس، فرنسا. الصفحات 248-255 . تاريخ الاسترجاع: 15 يوليو 2019 . 
  36. ↑ كالفوساراغوزا، خورخي؛ أونسينا، خوسيه (2014). التعرف على التدوين الموسيقي المكتوب بالقلم: مجموعة بيانات HOMUS . المؤتمر الدولي الثاني والعشرون للتعرف على الأنماط. الصفحات 3038-3043 . doi : 10.1109/ICPR.2014.524 . 
  37. ↑ بارادا-كاباليرو، إميليا؛ باتلينر، أنطون؛ بيرد، أليس؛ شولر، بيورن (2017). مجموعة بيانات SEILS: نوتات موسيقية مشفرة رمزياً في التدوين الموسيقي الحديث المبكر لعلم الموسيقى الحاسوبي (ملف PDF) . المؤتمر الدولي الثامن عشر لجمعية استرجاع المعلومات الموسيقية. سوتشو، الصين. الصفحات 575-581 . تاريخ الاسترجاع: 12 أغسطس 2020 . 
  38. ↑ باتشا، ألكسندر؛ إيدنبرغر، هورست (2017). نحو مصنف عالمي لرموز الموسيقى . المؤتمر الدولي الرابع عشر لتحليل المستندات والتعرف عليها. كيوتو، اليابان. ص 35-36 . doi : 10.1109/ICDAR.2017.265 . 
  39. 1 2 "Maestria" . newzik.com . Newzik . تم الاطلاع عليه في 24 يونيو 2021 .
  40. ↑ التعرف على مغزى الخوارزميات مع ماري تشوبو، البحث في الذكاء الاصطناعي . youtube.com (باللغة الفرنسية). يوتيوب . 21 يونيو 2021. مؤرشفة من الأصلي في 21 ديسمبر 2021 . تم الاسترجاع في 24 يونيو 2021 .
  41. ↑ "Aruspix" . aruspix.net . تم الاطلاع عليه بتاريخ 15 يوليو 2019 .
  42. ↑ "Audiveris" . github.com . تم الاطلاع عليه في 15 يوليو 2019 .
  43. ↑ "ديفيد بينبريدج (الصفحة الرئيسية)" . waikato.ac.nz . تم الاطلاع عليه بتاريخ 15 يوليو 2019 .
  44. ↑ "Gamera Addon: MusicStaves Toolkit" . hsnr.de. تم الاطلاع عليه بتاريخ 15 يوليو 2019 .
  45. ↑ كواسنون، برتراند (2001). DMOS: طريقة عامة للتعرف على المستندات، وتطبيقها على مولد آلي للنوتات الموسيقية، والصيغ الرياضية، وأنظمة التعرف على هياكل الجداول . المؤتمر الدولي السادس لتحليل المستندات والتعرف عليها. الصفحات 215-220 . doi : 10.1109/ICDAR.2001.953786 . 
  46. ↑ "oemer: نظام التعرف الضوئي على الموسيقى (OMR) من البداية إلى النهاية" . github.com . تم الاطلاع عليه في 21 سبتمبر 2023 .
  47. ↑ "OpenOMR" . sourceforge.net . 10 أبريل 2013. تم الاطلاع عليه في 26 يناير 2017 .
  48. ↑ "Rodan" . github.com . تم الاطلاع عليه في 15 يوليو 2019 .
  49. ↑ "الراحة الثامنة أو التلطيخ" . capella-software.com . capella-software AG . تم الاطلاع عليه في 15 يوليو 2019 .
  50. 1 2 "PhotoScore & NotateMe Ultimate" . neuratron.com . Neuratron . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  51. ↑ "capella-scan" . capella-software.com . capella-software AG . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  52. 1 2 "FORTE 12 Premium Edition" . fortenotation.com . Forte Notation . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  53. ↑ "MIDI-Connections SCAN 2.1" . midi-connections.com . أنظمة التأليف والتوزيع الموسيقي . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  54. ↑ "العندليب" . ngale.com . حلول تدوين الموسيقى المتقدمة. 11 يناير 2008. تم الاطلاع عليه في 30 مارس 2021 .
  55. ↑ "OMeR" . myriad-online.com . شركة Myriad SARL . تم الاطلاع عليه بتاريخ 6 أكتوبر 2013 .
  56. ↑ "PDFtoMusic Pro" . myriad-online.com . شركة Myriad SARL . تم الاطلاع عليه بتاريخ 13 نوفمبر 2015 .
  57. ↑ "معلومات عن ScorScan" . npcimaging.com . NPC Imaging . تم الاطلاع عليه في 6 أكتوبر 2013 .
  58. ↑ "SmartScore" . musitek.com . Musitek . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  59. ↑ "ScanScore" . scan-score.com . SCANSCORE . تم الاطلاع عليه بتاريخ 24 نوفمبر 2019 .
  60. ↑ "ماسح النوتات الموسيقية Soundslice" . soundslice.com . Soundslice . تم الاطلاع عليه بتاريخ 17 ديسمبر 2022 .
  61. ↑ "مسح ملفات PDF والصور باستخدام Soundslice (نسخة تجريبية)" . soundslice.com . Soundslice . تم الاطلاع عليه بتاريخ 17 ديسمبر 2022 .
  62. ↑ روثمان، فيليب (26 مايو 2021). "نيوزيك تُقدّم LiveScores التفاعلية مع Maestria، وهي تقنية التعرف البصري على الموسيقى القائمة على الذكاء الاصطناعي" . scoringnotes.com . Scoring Note . تم الاطلاع عليه في 24 يونيو 2021 .
  63. ↑ "iSeeNotes" . iseenotes.com . Geer Up AB . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  64. ↑ "NotateMe" . neuratron.com . Neuratron . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  65. ↑ "ماسح التدوين" . apps.apple.com . شركة آبل . 23 مارس 2020. تم الاطلاع عليه في 24 يونيو 2021 .
  66. ^ "بلاي سكور 2" . playcore.co . بلاي سكور . تم الاسترجاع في 24 يونيو 2021 .
  67. ↑ "SmartScore NoteReader" . play.google.com . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .
  68. ↑ تطبيق "Newzik" . newzik.com . Newzik . تم الاطلاع عليه بتاريخ 24 يونيو 2021 .

شعار ويكيميديا ​​كومنزالوسائط المتعلقة بتقنية التعرف البصري على الموسيقى على ويكيميديا ​​كومنز