ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОВЫШЕНИЯ УРОВНЯ ТОЧНОСТИ РЕЗУЛЬТАТОВ ОПТИЧЕСКОГО РАСПОЗНАВАНИЯ СИМВОЛОВ

Одним из самых широко распространенных процессов современности, безусловно, является цифровизация, которая охватила все ключевые сферы жизни человечества. Развитие информационных технологий поспособствовало масштабным изменениям не только в повседневном аспекте жизнедеятельности, но и в более глобальном, автоматизировав сложные бизнес-процессы в сфере предпринимательства, экономики, здравоохранения. Переход к цифровым данным и документации обеспечил большую доступность необходимой информации, а также повысил эффективность ее анализа и обработки. В связи с данным фактом важное значение обрели технологии оптического распознавания символов (OCR), позволяющие определять и извлекать текстовые данные из изображений. OCR-технологии играют ключевую роль в цифровой трансформации общества, поскольку они исключают необходимость ручной работы с текстовой информацией на изображениях и применимы в автоматизации большинства бизнес-процессов, связанных с обработкой данных на бумажных носителях, например, при сборе статистических данных из бумажных форм, отражении бумажных документов в системе электронного документооборота, конвертации текстовой информации в аудиофайлы и так далее. Данная статья посвящена описанию технологии оптического распознавания символов, а также обзору методов машинного обучения, которые активно применяются в контексте ее современной реализации с целью улучшения качества получаемых результатов. Кроме того, в статье представлены принципы работы описываемых подходов, их возможности, а также некоторые ограничения, с которыми можно столкнуться при их использовании в тех или иных сценариях.

1. Singh A., Bacchuwar K., Bhasin A. A survey of OCR Applications. International Journal of Machine Learning and Computing, 2012, vol. 2, no. 3, pp. 314–318.

2. Shruthi P. Verma D. C. A Detailed study and recent research on OCR. International Journal of Computer Science and Information Security, 2021, vol. 19, no. 2, pp. 52–66.

3. Ahmed. M, Abidi A.I. Review on optical character recognition. International Research Journal of Engineering and Technology (IRJET), 2019, June, v0l. 06, issue 06, pp. 3666–3669.

4. Verma P., Foomani G. M. Improvement in OCR Technologies in Postal Industry Using CNN-RNN Architecture: Literature Review. International Journal of Machine Learning and Computing, 2022, vol. 12, no. 5, 154–163.

5. What is optical character recognition (OCR)? Ibm.com. January 5, 2022. https://www.ibm.com/blog/optical-character-recognition/

6. Modi H., Parikh M. C. A Review on Optical Character Recognition Techniques International Journal of Computer Applications, 2017, vol. 160, no. 6, pp. 20–24.

7. Fateh A., Fateh M., Abolghasemi V. Enhancing optical character recognition: Efficient techniques for document layout analysis and text line detection. Engineering Reports, 2023, November, pp. 1–26.

8. Wang X.F., He Z.H., Wang K., Wang Y.F., Zou L. A survey of text detection and recognition algorithms based on deep learning technology. Neurocomputing, 2023, November, vol. 556.

9. AI vs. Machine Learning vs. DeepLearning vs. Neural Networks: What’s the difference? Ibm.com. July 6, 2023. https://www.ibm.com/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks/

10. Subedi B., Yunusov J., Gaybulayev A., Kim T. Development of a Low-cost Industrial OCR System with an End-to-end Deep Learning Technology. IEMEK J. Embed. Sys. Appl, 2020, April, pp. 51–60.

11. Difference Between Machine Learning and Deep Learning. GeeksForGeeks.org. June 5, 2023. https://www.geeksforgeeks.org/difference-between-machine-learning-and-deep-learning/

12. Meng F., Ghena B. Research on Text Recognition Methods Based on Artificial Intelligence and Machine Learning. Advances in Computer and Communications, 2023, November, pp. 340–344.

13. Memon J., Sami M., Khan R. A. Handwritten Optical Character Recognition (OCR): A Comprehensive Systematic Literature Review (SLR). IEEE Access, 2020, July, pp. 142642–142668.

14. Rakesh S., Reddy P.K., Prashanth V., Reddy K.S. Reddy. Handwritten text recognition using deep learning techniques: a survey. ICMED, 2024, pp. 1–8.

15. Nikolenko S., Kadurin A., Arkhangelskaya E. Glyubokoye obucheniye: Seriya «Biblioteka programmista» (SPb.: Izd-vo Piter, 2018), pp. 231–259 [in Russian].

16. Hemanth G.R., Jayasree M., Keerthi Venii S., Akshaya P., and R. Saranya. CNN-RNN based handwritten text recognition. ICTACT Journal on Soft Computing, 2021, October, vol. 12, pp. 2457–2463.

17. Ahlawat S., Choudhary A., Nayyar A., Singh S., Yoon B. Improved Handwritten Digit Recognition Using Convolutional Neural Networks (CNN). Sensors, 2020, June, pp. 1–18.

18. Goodfellow I, Bengio Y, Courville A. Deep Learning, (The MIT Press, 2015), pp. 297–329.

19. Shinde S., Saraiya T. Using CRNN to Perform OCR over Forms. International Journal of Engineering Research & Technology (IJERT), vol. 9, pp. 319–323.

20. Shi B., Bai X., & Yao C. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, pp. 2–3.

21. Clausner C., Antonacopoulos A., Pletschacher S. Efficient and effective OCR engine training. International Journal on Document Analysis and Recognition (IJDAR), 2019, October, vol. 23, pp. 73–88.

22. Mursari L.R., Wibowo A. The Effectiveness of Image Preprocessing on Digital Handwritten Scripts Recognition with The Implementation of OCR Tesseract. Computer Engineering and Applications, 2021, October, vol. 10, pp. 177–186.

23. Bagwe S., Shah V., Chauhan J., Harniya P., Tiwari A., Gupta V., Raikar D., Gada V., Bheda U., Mehta V., Warang M., Mehendale N. Optical character recognition using deep learning techniques for printed and handwritten documents. SSRN Electronic Journal, 2020, January, pp. 1–10.

24. Patel C., Patel A., Patel D. Optical Character Recognition by Open Source OCR Tool Tesseract: A Case Study. International Journal of Computer Applications, 2012, October, vol. 55, pp. 50–56.

25. Jain P., Dr. Taneja K., Dr. Taneja Harmunish. Which OCR toolset is good and why? A comparative study. Kuwait J.Sci., 2021, April, vol. 48 (2), pp. 1–12.