Digitalización del libro “La música en la Catedral de Santo Domingo de la Calzada
DOI:
https://doi.org/10.66737/ier.zub.197Palabras clave:
Archivo musicales riojanos, Inteligencia Artificial, Reconocimiento Óptico de Caracteres, Reconocimiento Óptico de notación musicalResumen
El archivo musical de la Catedral de Santo Domingo, de José López Calo, contiene una catalogación de obras musicales de carácter religioso como misas, villancicos o salmos de diferentes autores. Dicho libro no contaba con una versión digital, por lo que la única forma de acceder a su contenido era disponiendo de uno de los 500 ejemplares que fueron impresos. El objetivo de este trabajo ha consistido en digitalizar el libro, y estructurarlo de una forma sencilla para poder realizar búsquedas de texto, o consultar las obras de diferentes autores y/o diferentes géneros musicales mediante una página web, además de poder reproducir la melodía de las mismas. En este artículo se explica el proceso seguido para lograr dicho objetivo. El resultado final se puede encontrar accediendo al siguiente enlace: https://domingo.unirioja.es/.
Descargas
Referencias
Adrian Rosebrock, Abhishek Thanki, S. P., y Haase, J. (2020a). OCR with OpenCV, Tesseract and Python - Intro to OCR. PyImageSearch.
Adrian Rosebrock, Abhishek Thanki, S. P., y Haase, J. (2020b). OCR with OpenCV, Tesseract and Python - OCR Practitioner Bundle. PyImage-Search.
Bangare, S., Dubal, A., Bangare, P., y Patil, S. (2015). Reviewing Otsu’s method for image thresholding. International Journal of Applied Engineering Research, 10:21777–21783.
Bisong, E. (2019). Google Colaboratory, pages 59–64. Apress, Berkeley, CA.
Bitteur, H. (2004). Audiveris. https://github.com/audiveris.
Bochkovskiy, A. (2020). Yolo v4, v3 and v2 for Windows and Linux. https://github.com/AlexeyAB/darknet.
Bochkovskiy, A., Wang, C., y Liao, H. M. (2020). Yolov4: Optimal speed and accuracy of object detection. CoRR, abs/2004.10934.
Bradski, A. (2008). Learning OpenCV, Computer Vision with OpenCV Library; software that sees. O‘Reilly Media, 1 ed. edition.
Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools.
Britannica, T. E. (2009). Midi: music technology. Encyclopedia Britannica.
Calvo-Zaragoza, J., Hajič Jr. J., y Pacha, A. (2021). Understanding optical music recognition. ACM Computing Surveys, 53(4), 77, 1–35
Calvo-Zaragoza, J. y Rizo, D. (2018). End-to-end neural optical music recognition of monophonic scores. Applied Sciences, 8(4).
Good, M. (2001a). MusicXML: An internet-friendly format for sheet music. Recordare LLC.
Good, M. (2001b). MusicXML for notation and analysis. Recordare LLC.
Good, M. (2013). MusicXML: The first decade. MakeMusic, Inc., USA.
Hankinson, A., Roland, P., y Fujinaga, I. (2011). The music encoding initiative as a document-encoding framework. pages 293–298.
Howard, J. et al. (2018). fastai. https://github.com/fastai/fastai.
Huang, Z., Jia, X., y Guo, Y. (2019). State-of-the-art model for music object recognition with deep learning. Applied Sciences, 9(13):2645–2665.
Hui, J. (2018). mAP (mean average precision) for object detection. https://jonathan-hui. medium.com/map-mean-average-precision-for-object-detection-45c121a31173.
Jeff Fulton, S. F. (2011). HTML5 Canvas. O’Reilly Media.
Kaiming He, Xiangyu Zhang, S. R. (2015). Resnet-18: Deep residual learning for image recognition. https://www.kaggle.com/pytorch/resnet18.
Lin, T.-Y., Goyal, P., Girshick, R., He, K., y Dollár, P. (2018). Focal loss for dense object detection. https://arxiv.org/abs/1708.02002
Pacha, A. (2017). Optical music recognition datasets. https://github.com/apacha/OMR-Datasets.
Perez, L. y Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. CoRR, abs/1712.04621.
Pezoa, F., Reutter, J. L., Suarez, F., Ugarte, M., y Vrgoč, D. (2016). Foundations of JSON schema. In Proceedings of the 25th International Conference on World Wide Web, pages 263–273. International World Wide Web Conferences Steering Committee.
Rebelo, A., Fujinaga, I., Paszkiewicz, F., Marcal, A. R., Guedes, C., y Cardoso, J. d. S. (2012). Optical music recognition: state-of-the-art and open issues. International Journal of Multimedia Information Retrieval, 1(3):173–190.
Ren, S., He, K., Girshick, R. B., y Sun, J. (2015). Faster R-CNN: towards real-time object detection with region proposal networks. CoRR, abs/1506.01497.
Rosebrock, A. (2014). Non-maximum suppression for object detection in python. https://www.pyimagesearch.com/2014/11/17/ non-maximumsuppression-object-detection-python/.
Rosebrock, A. (2016). Intersection over union (IoU) for object detection. https://www.pyimagesearch.com/2016/11/07/intersection-over-unioniou-for-object-detection/.
Roza, F. (2019). End-to-end learning, the (almost) every purpose ml method. https://towardsdatascience.com/e2e-the-every-purpose-ml-method-5d4f-20dafee4
Tan, M., Pang, R., y Le, Q. V. (2019). EfficientDet: Scalable and efficient object detection. CoRR, abs/1911.09070.
Van Rossum, G. y Drake, F. L. (2009). Python 3 Reference Manual. CreateSpace, Scotts Valley, CA.
Vázquez, L. (2020a). IceVision. https://airctic.com/0.8.0/.
Vázquez, L. (2020b). IceVision: An agnostic object detection framework. https://github.com/airctic/icevision.
Yousefi, J. (2015). Image binarization using Otsu thresholding algorithm.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Gonzalo Santamaría, Teresa Cascudo, César Domínguez, Jónathan Heras, Eloy Mata, Vico Pascual, María Villota (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en Zubía conservan los derechos de autor de sus trabajos y autorizan a la revista la primera publicación de los mismos.
Los artículos se publican bajo la licencia Creative Commons Atribución–No Comercial–Compartir Igual (CC BY-NC-SA), que permite su uso, distribución y reproducción en cualquier medio, siempre que se cite adecuadamente la autoría original, no se realice un uso comercial y se mantenga la misma licencia.
