Aprendizaje profundo: La respuesta para proyectos desafiantes de reconocimiento de caracteres

La OCR ha evolucionado para abordar los desafíos que presentan los diversos formatos de embalaje y etiquetado, pero las fuentes estilizadas, los caracteres distorsionados u ocultos, las superficies reflectantes y los fondos complejos pueden suponer dificultades para las técnicas tradicionales de OCR, que son enseñadas al sistema y, por tanto, suelen requerir profesionales de la imagen industrial para su configuración, entrenamiento e implementación (Figura 1).

El entrenamiento de un sistema tradicional de OCR implica varios pasos. En primer lugar, las imágenes de entrada se preprocesan para mejorar su calidad y prepararlas para el reconocimiento de caracteres. Esto puede implicar tareas como la reducción de ruido, la binarización de la imagen (convertirla a blanco y negro) y la enderezamiento (ajustar la imagen para corregir la rotación).

El siguiente paso es la segmentación. La imagen preprocesada se divide en caracteres o líneas de texto individuales. Este paso separa los caracteres o líneas entre sí, facilitando su reconocimiento y análisis por separado. A continuación, se extraen características de cada carácter segmentado. Estas características son rasgos distintivos que ayudan a diferenciar un carácter de otro. Los sistemas de OCR tradicionales utilizan diversas técnicas para extraer características, como analizar los contornos, trazos y otras propiedades geométricas de los caracteres. 

Se crea un conjunto de datos de entrenamiento etiquetando las características extraídas con sus caracteres correspondientes. Para entrenar eficazmente el sistema de OCR, es necesario un conjunto diverso de imágenes de entrenamiento que cubran diferentes fuentes, tamaños, estilos, orientaciones y condiciones de ruido que el sistema podría encontrar en escenarios del mundo real. Los operadores humanos anotan manualmente cada carácter en las imágenes de entrenamiento para crear un conjunto de datos que empareja las características de los caracteres con sus etiquetas correctas.

Luego viene el entrenamiento del clasificador, donde se entrena un algoritmo de clasificación utilizando los datos de entrenamiento etiquetados. Este algoritmo aprende a reconocer patrones en las características extraídas y asociarlos con los caracteres correspondientes. Los algoritmos comunes utilizados en los sistemas de OCR tradicionales incluyen máquinas de vectores de soporte, modelos de Markov ocultos y vecinos más cercanos.

A continuación, se evalúa el clasificador entrenado utilizando un conjunto separado de datos de prueba. Esta evaluación mide la precisión y el rendimiento del sistema de OCR. Si el rendimiento no es satisfactorio, el proceso de entrenamiento puede repetirse ajustando parámetros, mejorando las técnicas de preprocesamiento o ampliando el conjunto de datos de entrenamiento.

Una vez que el sistema de OCR alcanza el nivel de precisión deseado, puede implementarse para reconocer caracteres en nuevas imágenes no vistas. La imagen preprocesada se segmenta y el clasificador entrenado se utiliza para reconocer y convertir los caracteres segmentados en texto digital. Es importante señalar que los sistemas de OCR tradicionales dependen en gran medida de características creadas a mano y algoritmos específicos, lo que los hace menos adaptables a diferentes estilos de fuente, tamaños e idiomas en comparación con los sistemas de OCR basados en aprendizaje profundo.

Figura 1: Los métodos tradicionales de OCR pueden encontrar desafíos al tratar con superficies reflectantes, impresión en superficies curvas y caracteres que están sesgados, distorsionados u ocultos.

Figura 3: Las capacidades de OCR proporcionadas por la herramienta DL-OCR ofrecen una solución para proyectos de reconocimiento de caracteres desafiantes. Estos proyectos involucran fondos complejos, caracteres borrosos o dañados, distorsión o superficies reflectantes que hacen que las técnicas tradicionales de OCR sean ineficaces. La herramienta incluye una red neuronal preentrenada, lista para usar con miles de muestras de imágenes diversas. Alcanza una precisión de aproximadamente el 97% desde el inicio, incluso en escenarios muy difíciles.

La inteligencia artificial y el aprendizaje automático, y específicamente el aprendizaje profundo, presentan una solución prometedora a los desafíos de las soluciones de OCR. Con el uso de algoritmos de aprendizaje profundo, se hace posible detectar irregularidades en patrones, incluso cuando los caracteres alfanuméricos son difíciles de definir usando reglas rígidas, y se están realizando avances para abordar estos desafíos y mejorar el proceso de OCR. 

Los enfoques modernos, como el OCR basado en aprendizaje profundo, aprovechan las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN) para aprender y extraer automáticamente características de los caracteres, reduciendo la dependencia de características diseñadas explícitamente. Estos modelos pueden manejar una variedad más amplia de fuentes y adaptarse más rápido y de manera más efectiva a fuentes nuevas o desconocidas sin requerir ajustes manuales extensos.

El proceso de recopilar y anotar grandes conjuntos de datos necesarios para entrenar modelos de aprendizaje profundo, sin embargo, ha surgido como un obstáculo para la implementación generalizada. El número de imágenes requeridas para un conjunto de datos varía según la complejidad de la aplicación de lectura de códigos , y a menudo se determina a través de la experimentación y el refinamiento iterativo para lograr el rendimiento deseado.

La actualización del proceso de OCR para manejar los cambios de fuente de manera más eficiente es un área continua de investigación y desarrollo, con el objetivo de reducir la carga de ajustes manuales y mejorar la adaptabilidad del sistema a nuevas fuentes y variaciones de texto (Figura 3). Para este propósito, también se están empleando técnicas de aprendizaje por transferencia para aprovechar modelos preentrenados en grandes conjuntos de datos, lo que permite una mejor generalización y reduce la necesidad de datos de entrenamiento excesivos para cada fuente específica.

Figura 5: Las características clave de la herramienta DL-OCR de Zebra incluyen su preparación para el uso, la capacidad de manejar casos de OCR difíciles que no son alcanzables con métodos tradicionales, alta precisión lista para usar, facilidad de uso y compatibilidad tanto con una GPU NVIDIA como con CPU.

Como parte del software Aurora de Zebra, la herramienta DL-OCR se puede implementar en una gama de productos diferentes, incluyendo cualquier escáner industrial fijo FS o cámara inteligente VS, ofreciendo una implementación en cámara que proporciona un sistema de inspección compacto y autónomo. Las plataformas de cámara inteligente integradas presentan un enfoque más rápido y sencillo para configurar y capturar imágenes para diversas aplicaciones de OCR en comparación con los sistemas tradicionales de visión inteligente basados en PC industrial.

Sin embargo, los usuarios finales no están limitados a implementar la herramienta solo en dispositivos de Zebra, ya que el software Aurora se puede implementar de manera confiable en PCs industriales y controladores de visión de terceros disponibles en el mercado actual. Con la constante expansión y evolución de las necesidades de los clientes, los usuarios finales necesitan herramientas que no solo sean efectivas, sino también fáciles de usar. La nueva herramienta DL-OCR fue diseñada con esto en mente, ya que no requiere entrenamiento y se puede implementar en sistemas de borde o distribuidos, ofreciendo a los usuarios la flexibilidad necesaria para implementar un sistema que satisfaga sus necesidades exactas y pueda ser escalado y optimizado según sea necesario.

Independientemente de la plataforma de hardware seleccionada, las herramientas de aprendizaje profundo ofrecen varias ventajas en las aplicaciones de OCR en comparación con los métodos tradicionales de OCR. Los sistemas DL-OCR, como el de Zebra Technologies, pueden leer fuentes directamente y seguirán aprendiendo aún más a medida que el equipo de Zebra entrene el algoritmo en nuevas imágenes y muestras para las versiones de software posteriores. Este enfoque de aprendizaje de extremo a extremo elimina la necesidad de extracción explícita de características, lo que hace que el sistema sea más adaptable a diversas fuentes, idiomas y estilos (Figura 5). Los sistemas tradicionales de OCR requieren características manuales, que pueden ser menos flexibles de implementar y llevar más tiempo mantenerlas.