Aprendizagem Profunda: A Solução para Projetos Desafiosos de Reconhecimento de Caracteres

A OCR evoluiu para enfrentar os desafios apresentados por diversos formatos de embalagem e rotulagem, mas fontes estilizadas, caracteres distorcidos ou ocultos, superfícies refletoras e fundos complexos podem representar dificuldades para as técnicas tradicionais de OCR, que são ensinadas ao usuário e, portanto, normalmente exigem profissionais de imagem industrial para configuração, treinamento e implantação (Figura 1).

Treinar um sistema tradicional de OCR envolve várias etapas. Primeiro, as imagens de entrada são pré-processadas para melhorar sua qualidade e prepará-las para o reconhecimento de caracteres. Isso pode envolver tarefas como redução de ruído, binarização de imagem (conversão para preto e branco) e desalinhamento (ajuste da imagem para corrigir a rotação).

A segmentação é a próxima. A imagem pré-processada é dividida em caracteres individuais ou linhas de texto. Essa etapa separa os caracteres ou linhas uns dos outros, tornando-os mais fáceis de reconhecer e analisar separadamente. Em seguida, as características são extraídas de cada caractere segmentado. Essas características são traços distintivos que ajudam a diferenciar um caractere de outro. Os sistemas tradicionais de OCR usam várias técnicas para extrair características, como analisar os contornos, traços e outras propriedades geométricas dos caracteres. 

Um conjunto de dados de treinamento é criado ao rotular as características extraídas com os seus caracteres correspondentes. Para treinar o sistema OCR de forma eficaz, é necessário um conjunto diversificado de imagens de treinamento que cubram diferentes fontes, tamanhos, estilos, orientações e condições de ruído que o sistema pode encontrar em cenários do mundo real. Operadores humanos anotam manualmente cada caractere nas imagens de treinamento para criar um conjunto de dados que associa as características dos caracteres aos seus rótulos corretos.

Em seguida, vem o treinamento do classificador, onde um algoritmo de classificação é treinado usando os dados de treinamento rotulados. Este algoritmo aprende a reconhecer padrões nas características extraídas e a associá-los aos caracteres correspondentes. Os algoritmos comuns usados em sistemas OCR tradicionais incluem máquinas de vetores de suporte, modelos de Markov ocultos e vizinhos mais próximos k.

Em seguida, o classificador treinado é avaliado usando um conjunto separado de dados de teste. Essa avaliação mede a precisão e o desempenho do sistema OCR. Se o desempenho não for satisfatório, o processo de treinamento pode ser iterado ajustando parâmetros, melhorando técnicas de pré-processamento ou expandindo o conjunto de dados de treinamento.

Uma vez que o sistema OCR atinge o nível de precisão desejado, ele pode ser implantado para reconhecer caracteres em imagens novas e não vistas. A imagem pré-processada é segmentada e o classificador treinado é usado para reconhecer e converter os caracteres segmentados em texto digital. É importante notar que os sistemas OCR tradicionais dependem fortemente de características criadas manualmente e algoritmos específicos, tornando-os menos adaptáveis a diferentes estilos de fonte, tamanhos e idiomas em comparação com sistemas OCR baseados em aprendizado profundo.

Figura 1: Métodos OCR tradicionais podem enfrentar desafios ao lidar com superfícies refletoras, impressão em superfícies curvas e caracteres que estão inclinados, distorcidos ou obscurecidos.

Figura 3: As capacidades de OCR fornecidas pela ferramenta DL-OCR oferecem uma solução para projetos desafiadores de reconhecimento de caracteres. Esses projetos envolvem contextos complexos, caracteres desfocados ou danificados, distorção ou superfícies refletoras que tornam as técnicas tradicionais de OCR ineficazes. A ferramenta inclui uma rede neural pré-treinada, pronta para uso com milhares de amostras de imagens diversas. Ela atinge aproximadamente 97% de precisão desde o início, mesmo em cenários muito difíceis.

A inteligência artificial e a aprendizagem de máquina, e especificamente a aprendizagem profunda, apresentam uma solução promissora para os desafios das soluções de OCR. Com o uso de algoritmos de aprendizagem profunda, torna-se possível detectar irregularidades em padrões — mesmo quando caracteres alfanuméricos são difíceis de definir usando regras rígidas — e avanços estão em andamento para enfrentar esses desafios e melhorar o processo de OCR.

Abordagens modernas, como a OCR baseada em aprendizagem profunda, utilizam redes neurais convolucionais (CNNs) e redes neurais recorrentes (RNNs) para aprender e extrair automaticamente características dos caracteres, reduzindo a dependência de recursos projetados explicitamente. Esses modelos podem lidar com uma variedade mais ampla de fontes e se adaptar de forma mais rápida e eficaz a fontes novas ou desconhecidas sem exigir ajustes manuais extensivos.

O processo de coleta e anotação de grandes conjuntos de dados necessários para treinar modelos de aprendizagem profunda, no entanto, emergiu como um obstáculo à implementação generalizada. O número de imagens necessárias para um conjunto de dados varia de acordo com a complexidade da aplicação de leitura de código , e é frequentemente determinado por meio de experimentação e refinamento iterativo para alcançar o desempenho desejado.

Atualizar o processo de OCR para lidar com mudanças de fonte de forma mais eficiente é uma área contínua de pesquisa e desenvolvimento, visando reduzir o ônus dos ajustes manuais e aprimorar a adaptabilidade do sistema a novas fontes e variações de texto (Figura 3). Para esse fim, técnicas de aprendizagem de transferência também estão sendo empregadas para aproveitar modelos pré-treinados em grandes conjuntos de dados, permitindo uma melhor generalização e reduzindo a necessidade de dados de treinamento excessivos para cada fonte específica.

Figura 5: Os principais recursos da ferramenta DL-OCR da Zebra incluem a sua prontidão para uso, a capacidade de lidar com casos de OCR difíceis que não são alcançáveis com métodos tradicionais, alta precisão pronta para uso, facilidade de uso e compatibilidade com GPU e CPU da NVIDIA.

Como parte do software Aurora da Zebra, a ferramenta DL-OCR pode ser implementada em uma variedade de produtos diferentes, incluindo qualquer scanner industrial fixo FS ou câmera inteligente VS, proporcionando uma implantação na própria câmera que oferece um sistema de inspeção compacto e autocontido. As plataformas de câmera inteligente incorporadas apresentam uma abordagem mais rápida e simples para configurar e capturar imagens para várias aplicações de OCR quando comparadas aos sistemas tradicionais de visão computacional baseados em PC industrial.

No entanto, os usuários finais não estão limitados à implantação da ferramenta apenas em dispositivos da Zebra, pois o software Aurora pode ser implantado de forma confiável em PCs industriais e controladores de visão de terceiros disponíveis no mercado atualmente. Com as necessidades dos clientes em constante expansão e evolução, os usuários finais precisam de ferramentas que não sejam apenas eficazes, mas também fáceis de usar. A nova ferramenta DL-OCR foi projetada com isso em mente, pois não requer treinamento e pode ser implementada em sistemas de borda ou distribuídos, proporcionando aos usuários a flexibilidade necessária para implantar um sistema que atenda exatamente às suas necessidades e que possa ser escalonado e otimizado conforme necessário.

Independentemente da plataforma de hardware selecionada, as ferramentas de aprendizagem profunda oferecem várias vantagens em aplicações de OCR em comparação com os métodos tradicionais de OCR. Os sistemas de DL-OCR, como os da Zebra Technologies, conseguem ler fontes diretamente e continuarão a aprender ainda mais à medida que a equipe da Zebra treina o algoritmo com novas imagens e amostras para as próximas versões do Software. Esta abordagem de aprendizagem completa elimina a necessidade de extração explícita de recursos, tornando o sistema mais adaptável a diversas fontes, idiomas e estilos (Figura 5). Os sistemas tradicionais de OCR exigem recursos criados manualmente, o que pode ser menos flexível de implementar e demorado de manter.