Reconocimiento de montos manuscritos en cheques a través de modelos de detección de objetos basados en redes convolucionales

Abstract

El problema de reconocimiento de texto manuscrito en imágenes es muy importante en cuanto a aplicaciones en el área de visión por computadora. Un problema más acotado, pero no menos importante, es el de reconocimiento de secuencias de dígitos manuscritos de largo variable en imágenes. El presente trabajo consiste en investigar un nuevo enfoque para resolver el problema de reconocimiento de secuencias de dígitos manuscritos en imágenes. Se plantea dicho problema como uno de detección de objetos en que los dígitos corresponden a los objetos a detectar. Los algoritmos utilizados corresponden al estado del arte en detección de objetos siendo estos: RetinaNet (2017), YOLOv3 (2018) y FCOS (2019). La hipótesis de este trabajo es que un enfoque basado en detección de objetos logra tasas de reconocimiento superiores a los enfoques actuales basados en modelamiento secuencial, en particular, aquellos basados en la CTC. Los resultados obtenidos confirman la hipótesis de que un enfoque basado en detección de objeto es capaz de superar al estado del arte cuyo mejor resultado se basa en una arquitectura de tipo CNN-LSTM-CTC la cual alcanza tasas de reconocimiento de 89.75% y 91.14% en los datasets ORAND-CAR-A y ORAND-CAR-B, respectivamente. Con el nuevo enfoque propuesto basado en detección de objetos, en particular YOLO, se alcanzan tasas de reconocimiento superiores al 96 %, específicamente 96.78% y 96.45% en ORAND-CAR-A y ORAND-CAR-B, respectivamente. Estos excelentes resultados marcan sin duda un nuevo precedente en el problema de reconocimiento de secuencias de dígitos manuscritos en imágenes. Por último, en cuanto a las aplicaciones del modelo entrenado, se logra una mejora significativa con respecto al modelo previo utilizado en ORAND S.A. (empresa interesada en este trabajo y que facilitó los datasets). Mientras el modelo antiguo, que hacía uso de técnicas tradicionales de procesamiento de imágenes, alcanzaba un desempeño cercano al 80% en los datasets ORAND-CAR-A y ORAND-CAR-B, y con un tiempo de procesamiento de 1FPS, el actual modelo alcanza tasas superiores al 96% y tiempos cercanos a los 100FPS.