0:00 / 0:00
はじめに
Eコマースと世界貿易の成長により、輸送される商品の量が大幅に増加しています。これが、包装、出荷、物流における自動化がますます重要になっている理由の1つです。自動化はまた、企業が製品をより速く、より正確に包装し、パッケージの仕分けと取り扱いを改善し、倉庫管理と輸送を強化することで、企業がより効率的に運営し、顧客の期待に応え、今日のペースが速く急速に進化する市場で競争力を維持することを可能にします。
光学式文字認識(OCR)は、機械が画像からテキストを認識して抽出することを可能にする技術であり、パッケージをスキャン、仕分け、ラベル付けする自動化システムにおいて重要な役割を果たします。OCRは、配送ラベルや文書から印刷または手書きのテキストをデジタルデータに迅速に変換することで、手動データ入力の必要性を排除し、エラーを削減し、時間を節約します。
OCRは進化を続けており、幅広い包装およびラベル形式に対応できますが、様式化されたフォント、歪んだまたは隠れた文字、反射面、複雑な背景は、ディープラーニング(DL)によってのみ対処できる課題として残っています。
より大きな需要に応えるために生産、包装、仕分けラインの速度が上がるにつれて、ラベル付けの要件と規制も増加します。パッケージと出荷物は、1Dおよび2Dバーコード、製品識別番号、ならびにアレルゲンおよび原産国のラベル付け要件を含む、特定のラベル付け基準に準拠する必要があります。
OCR技術により、これらのラベルの自動認識と解釈が可能になり、コンプライアンスを確保し、サプライチェーン全体でシームレスなトレーサビリティを実現します。一方、ディープラーニングは認識プロセスの精度と信頼性を向上させるのに役立ちます。これにより、企業は規制要件を満たし、在庫管理を強化し、全体的な運用効率を向上させることができます。
OCRのメリット
OCRは、パッケージと出荷物の精度とトレーサビリティの向上に役立ちます。配送ラベルを自動的に読み取り、解釈することで、OCRシステムはパッケージがサプライチェーン全体で正確にラベル付け、仕分け、追跡されることを保証できます。これにより、誤配送または紛失したパッケージの可能性が減少し、顧客満足度の向上と利益率の改善につながります。
OCRは、製品とシリアル番号を、1Dおよび2DバーコードまたはQR Codeとともに自動的に認識して記録し、効率的な在庫管理を可能にします。在庫レベルの追跡と更新を自動化することで、OCR技術は手作業とヒューマンエラーのリスクを削減します。正確な在庫データにより、企業はサプライチェーン業務を最適化し、在庫切れや過剰在庫を回避できます。
テキスト情報の抽出と処理を自動化することで、OCRは全体的な運用効率に貢献します。これにより、文書処理が高速化され、手動介入が削減され、意思決定プロセスが加速されます。この効率向上は、注文処理の高速化、出荷精度の向上、さまざまな包装、出荷、物流アプリケーション全体での生産性の向上につながります。
メリット
- 包装とラベルに正確で判読可能なテキストが含まれていることを確認
- 日付とロットコードの検査と読み取り
- トラックアンドトレース業務の改善
- 包装アプリケーションの最大スループットを実現
従来のOCRの課題
OCRは、多様な包装およびラベル形式によってもたらされる課題に対処するために進化してきましたが、様式化されたフォント、歪んだまたは不明瞭な文字、反射面、複雑な背景は、ユーザーが教える従来のOCR技術にとって困難をもたらす可能性があり、したがって通常、セットアップ、トレーニング、展開には産業用イメージングの専門家が必要です(図1)。
従来のOCRシステムのトレーニングには、いくつかのステップが含まれます。まず、入力画像は品質を向上させ、文字認識の準備をするために前処理されます。これには、ノイズ削減、画像の2値化(白黒への変換)、傾き補正(回転を補正するための画像の調整)などのタスクが含まれる場合があります。
次はセグメンテーションです。前処理された画像は、個々の文字またはテキスト行に分割されます。このステップでは、文字または行を互いに分離し、個別に認識および分析しやすくします。次に、セグメント化された各文字から特徴が抽出されます。これらの特徴は、ある文字を別の文字と区別するのに役立つ独特の特性です。従来のOCRシステムは、文字の輪郭、ストローク、その他の幾何学的特性を分析するなど、さまざまな技術を使用して特徴を抽出します。
抽出された特徴に対応する文字をラベル付けすることで、トレーニングデータのセットが作成されます。OCRシステムを効果的にトレーニングするには、実際のシナリオでシステムが遭遇する可能性のあるさまざまなフォント、サイズ、スタイル、向き、ノイズ条件をカバーするために、多様なトレーニング画像のセットが必要です。人間のオペレーターがトレーニング画像内の各文字を手動で注釈付けし、文字の特徴と正しいラベルを対にしたデータセットを作成します。
次に、ラベル付けされたトレーニングデータを使用して分類アルゴリズムをトレーニングする分類器トレーニングが行われます。このアルゴリズムは、抽出された特徴のパターンを認識し、それらを対応する文字に関連付けることを学習します。従来のOCRシステムで使用される一般的なアルゴリズムには、サポートベクターマシン、隠れマルコフモデル、k近傍法などがあります。
次に、トレーニングされた分類器は、別のテストデータセットを使用して評価されます。この評価では、OCRシステムの精度とパフォーマンスを測定します。パフォーマンスが満足できない場合は、パラメータの調整、前処理技術の改善、またはトレーニングデータセットの拡張により、トレーニングプロセスが繰り返される場合があります。
OCRシステムが望ましいレベルの精度を達成すると、新しい未知の画像内の文字を認識するために展開できます。前処理された画像がセグメント化され、トレーニングされた分類器を使用してセグメント化された文字を認識し、デジタルテキストに変換します。従来のOCRシステムは、手作業で作成された特徴と特定のアルゴリズムに大きく依存しているため、ディープラーニングベースのOCRシステムと比較して、さまざまなフォントスタイル、サイズ、言語への適応性が低いことに注意することが重要です。
図1:従来のOCR方法は、反射面、曲面への印刷、傾斜、歪み、または不鮮明な文字を扱う際に課題に直面する可能性があります。
図2: 従来のOCRシステムはユーザーによって教えられるもので、前処理、セグメンテーション、ラベル付け、分類、アルゴリズム評価など、いくつかのステップが含まれます。
図3:DL-OCRツールが提供するOCR機能は、困難な文字認識プロジェクトのソリューションを提供します。これらのプロジェクトには、複雑な背景、ぼやけた文字や破損した文字、歪み、または従来のOCR技術を無効にする反射面が含まれます。このツールには、数千の多様な画像サンプルですぐに使用できる事前トレーニング済みニューラルネットワークが含まれています。非常に困難なシナリオでも、最初から約97%の精度を達成します。
ディープラーニングの登場
人工知能と機械学習、特にディープラーニングは、OCRソリューションの課題に対する有望な解決策を提示します。ディープラーニングアルゴリズムを使用することで、英数字が厳格なルールを使用して定義することが難しい場合でも、パターンの不規則性を検出することが可能になり、これらの課題に対処してOCRプロセスを改善するための進歩が進行中です。
ディープラーニングベースのOCRなどの最新のアプローチは、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を活用して、文字から特徴を自動的に学習および抽出し、明示的に設計された特徴への依存を減らします。これらのモデルは、より幅広い種類のフォントを処理でき、広範な手動調整を必要とせずに、新しいまたは馴染みのないフォントにより速く、より効果的に適応できます。
しかし、ディープラーニングモデルのトレーニングに必要な大規模なデータセットを収集および注釈付けするプロセスは、広範な実装の妨げとして浮上しています。データセットに必要な画像の数は、コード読み取り アプリケーションの複雑さによって異なり、多くの場合、望ましいパフォーマンスを達成するために実験と反復的な改良を通じて決定されます。
フォントの変更をより効率的に処理できるようにOCRプロセスを更新することは、継続的な研究開発の分野であり、手動調整の負担を軽減し、新しいフォントやテキストのバリエーションに対するシステムの適応性を向上させることを目指しています(図3)。この目的のため、転移学習技術も採用されており、大規模なデータセットで事前学習されたモデルを活用することで、より優れた汎化を可能にし、各特定フォントに対する過度なトレーニングデータの必要性を削減しています。
ZebraのDeep Learning OCRツール
OCRの進歩により、これらすべての課題を克服することが可能になりました。たとえば、産業品質のDeep Learning OCR(DL-OCR)ツールは、Zebra Aurora Focus™ソフトウェアのアドオンであり、テキストの読み取りを迅速かつ簡単にします。DL-OCRには、数千の異なる画像サンプルを使用して事前学習されたニューラルネットワークがすぐに使用できる状態で付属しています。そのため、非常に困難なケースに対処する場合でも、箱から出してすぐに高精度を実現します。ユーザーは、マシンビジョンの専門知識を必要とせずに、わずか数ステップで堅牢なOCRアプリケーションを作成できます(図4)。直感的なZebra Aurora Focusソフトウェアインターフェースにより、セットアップが簡単になり、システムはわずか数分で展開できます。
従来のOCRアプリケーションとは異なり、ZebraはDL-OCRツールでゼロ学習アプローチを採用しており、事前に異なるテキストやフォントをトレーニングすることなく正確な読み取りを実現します。このツールは、初心者でも高速で正確なテキスト認識や困難な読み取りアプリケーションを簡単にセットアップできる最先端の技術も活用しています。DL-OCRツールのもう1つの重要な利点は、一貫性のないテキストやコントラストが劣化したテキストをより効果的に処理できることです。
新しいツールを使用すると、Aurora Focus DL-OCRの展開は、読み取るテキストの周囲に関心領域(ROI)を配置し、カメラの視野内で部品が移動または回転したときの読み取りを容易にする位置決めツールにROIを固定し、数学的、英数字のサイズ、または必要に応じた間隔を含む異なる文字列を区別するのに役立ついくつかのしきい値を調整するという、いくつかの簡単なステップに合理化できます。
図5:ZebraのDL-OCRツールの主な機能には、すぐに使用できること、従来の方法では達成できない困難なOCRケースを処理できること、箱から出してすぐに高精度であること、ユーザーフレンドリーであること、NVIDIA GPUとCPUの両方との互換性があることが含まれます。
完全なスケーラビリティと最適化
ZebraのAuroraソフトウェアの一部として、DL-OCRツールは、FSシリーズの固定式産業用スキャナーやVSシリーズのスマートカメラを含むさまざまな製品に展開でき、コンパクトで自己完結型の検査システムを提供するカメラ上での展開を実現します。組み込みスマートカメラプラットフォームは、従来の産業用PCベースのマシンビジョンシステムと比較して、さまざまなOCRアプリケーション用の画像のセットアップとキャプチャに対して、より高速でシンプルなアプローチを提供します。
ただし、エンドユーザーはZebraデバイスのみにツールを展開することに縛られることはありません。Auroraソフトウェアは、現在市場で入手可能なサードパーティの産業用PCおよびビジョンコントローラーに確実に展開できるためです。顧客のニーズが絶えず拡大し進化する中、エンドユーザーは効果的であるだけでなく、使いやすいツールを必要としています。新しいDL-OCRツールはこれを念頭に置いて設計されており、トレーニングを必要とせず、エッジまたは分散システムに展開できるため、ユーザーに正確なニーズを満たすシステムを展開し、必要に応じてスケーリングおよび最適化できる柔軟性を提供します。
選択したハードウェアプラットフォームに関係なく、ディープラーニングツールは、従来のOCR方法と比較して、OCRアプリケーションでいくつかの利点を提供します。Zebra Technologiesのようなディープラーニング(DL-OCR)システムは、箱から出してすぐにフォントを読み取ることができ、Zebraチームが後続のソフトウェアリリースのために新しい画像とサンプルでアルゴリズムをトレーニングするにつれて、さらに学習を続けます。このエンドツーエンドの学習アプローチにより、明示的な特徴抽出の必要性がなくなり、システムがさまざまなフォント、言語、スタイルに対してより適応性が高くなります(図5)。従来のOCRシステムは手作業で作成された特徴を必要とするため、実装の柔軟性が低く、保守に時間がかかる可能性があります。
4SightXV6
VS40マシンビジョンスマートカメラ
