គោលការណ៍ ធ្វើការ ការ ទទួល ស្គាល់ ប្លុក អាជ្ញាប័ណ្ណ

By: Shenzhen TGW Technology Co., Ltd

បច្ចេកទេស ការ ទទួល ស្គាល់ អាជ្ញាបណ្ណ បច្ចេកទេស ត្រូវ បាន ប្រើ ដើម្បី វិភាគ រូបភាព ដែល មាន លេខ ក្រឡា ក្ដារ ដើម្បី កំណត់ ទីតាំង ប្លុក អាជ្ញាប័ណ្ណ និង ស្រង់ ចេញ និង ឡើង វិញ ស្គាល់ តួអក្សរ អត្ថបទ ។

ដំណើរការ ការ ទទួល ស្គាល់ អាជ្ញាប័ត៌មាន ធម្មតា រួម បញ្ចូល ការ ទទួល រូបភាព មុន ការ ដំណើរការ រូបភាព ទីតាំង ប្លង់ ប្លង់ ចម្រៀក តួ អក្សរ ការ ទទួល ស្គាល់ តួអក្សរ និង លទ្ធផល ។ ដំណើរការ ជា បំពេញ ទៅ ផ្សេង ទៀត ។ ដំណើរការ ទាំងអស់ ត្រូវ តែ ប្រាកដ ថា មាន ប្រសិទ្ធភាព ខ្ពស់ ខ្ពស់ និង សមត្ថភាព ប្រឆាំង ខ្ពស់ របស់ វា ។ តែ តាម វិធី នេះ អាច ដំណើរការ កំណត់ អត្តសញ្ញាណ ទទួល បាន លទ្ធផល ដែល មាន សុវត្ថិភាព ។

មាន វិធី ចម្បង ពីរ ដើម្បី អនុញ្ញាត ប្រព័ន្ធ ការ ទទួល ស្គាល់ ប្លុក អាជ្ញាប័ណ្ណ និង ផ្សេងទៀត គឺ ជា ការ ស្គាល់ ស្ទ្រីម វីដេអូ ថាមវន្ត ។ ការ ទទួល ស្គាល់ រូបភាព ត្រូវ បាន ដែន ដោយ កម្រិត ដូចជា គុណភាព រូបភាព, បំបែក ប្លុក បណ្ដាញ និង លុប ប្លុក ជម្រះ ។ ការ ទទួល ស្គាល់ ស្ទ្រីម វីដេអូ ថាមវន្ត ត្រូវការ ល្បឿន ការ ទទួល ស្គាល់ លឿន ដែល ត្រូវ បាន ដែន ដោយ អ្នក និពន្ធ អនុញ្ញាត របស់ កម្មវិធី ដំណើរការ ។ ជា ពិសេស ពេល យើង ចង់ យល់ ថា ការ ទទួល ស្គាល់ អាជ្ញាប័ណ្ណ សំណួរ ពេលវេលា ពិត នៅ លើ ស្ថានីយ ចល័ត វា ទាមទារ ការ ធ្វើ ឲ្យ ប្រតិបត្តិការ ផ្សេង ទៀត ។

ទោះបីជា ការ ទទួល ស្គាល់ ប្លុក អាជ្ញាបៃ រួម បញ្ចូល ដំណើរការ ធំ ៦ ត្បូង ត្បូង គឺ មាន តែ ក្នុង ម៉ូឌុល បី ប៉ុណ្ណោះ ៖ ទីតាំង ប្ដូរ អាជ្ញាប័ណ្ណ ចម្រៀក តួអក្សរ និង ស្គាល់ តួអក្សរ ។

ការ ទីតាំង ប្តូរ អាជ្ញាប័ណ្ណ

ភារកិច្ច ចម្បង នៃ ទីតាំង ប្លុក អាជ្ញាប័ណ្ណ គឺ ត្រូវ ស្វែងរក ផ្ទៃ ប្លុក អាជ្ញារ ពី រូបភាព សម្រាប់ ដំណើរការ ម៉ូឌុល ដំណើរការ បន្ទាប់ ។ ទីតាំង ប្លុក អាជ្ញាប័ណ្ណ ឥឡូវ នេះ មាន វិធី ច្រើន ដើម្បី រក ឃើញ ប្លុក អាជ្ញាប័ណ្ណ ប៉ុន្តែ ជា ទូទៅ ពួក វា អាច ចែក ជា វិធីសាស្ត្រ ពីរ ៖

ដំបូង វិធីសាស្ត្រ ផ្អែក លើ រូបភាព ក្រាហ្វិក ។

មាន ជា ជា មុន (២) វិធីសាស្ត្រ មូលដ្ឋាន ដែល មាន មូលដ្ឋាន លើ វាយនភាព ដូចជា វាយនភាព wavelet, វាយនភាព លំដាប់ ជម្រាល ផ្ដេក, etc.; ៣៣ វិធីសាស្ត្រ ទីតាំង ដែល មាន មូលដ្ឋាន លើ គែម

វិធីសាស្ត្រ ទីតាំង ដែល មាន មូលដ្ឋាន លើ ក្រាហ្វិក និង ទូរស័ព្ទ រូបភាព ត្រូវ បាន អនុញ្ញាត ឲ្យ មាន ការ បកប្រែ ដោយ ព័ត៌មាន ការ បដិសេធ ខាងក្រៅ និង បរាជ័យ ក្នុង ការ ទីតាំង បរាជ័យ . ឧទាហរណ៍ នៅ ក្នុង វិធីសាស្ត្រ ទីតាំង ដែល មាន មូលដ្ឋាន លើ ពណ៌ វិភាគ ប្រសិន បើ ពណ៌ ផ្ទៃ ខាងក្រោយ នៃ ក្រឡា ក្រឡា ជជ្ញាបៃ ស្រដៀង នឹង ពណ៌ នៃ ប្លុក ជជ្ញា វា ពិបាច់ ចេញ ក្រឡា បណ្ដាញ អាជ្ញាបណ្ណ ពី ផ្ទៃ ខាងក្រោយ ។ នៅ ក្នុង វិធីសាស្ត្រ ដែល មាន មូលដ្ឋាន លើ ការ រកឃើញ គែម ខ្សែ កណ្ដាល ក្ដារ ប្លែក អាជ្ញាប័ណ្ណ អាច បង្កើន ការ បរាជ័យ ក្នុង ការ ទីតាំង ងាយស្រួល ។ ការ ប៉ះពាល់ នៃ ព័ត៌មាន ការ បះបោរ ខាងក្រៅ នឹង បកប្រែ ក្បឿង ទីតាំង ផង ដែរ ។ បង្កើន ក្បឿន ទីតាំង ដែល បង្កើត តំបន់ ក្រឡា ក្ដារ ដែល មិន ត្រឹមត្រូវ ជាច្រើន ដែល បង្កើន ផ្ទុក ប្រព័ន្ធ ។

ទីពីរ វិធីសាស្ត្រ ផ្អែក លើ សិក្សា ម៉ាស៊ីន ។

វិធីសាស្ត្រ មូលដ្ឋាន លើ ម៉ាស៊ីន រួម បញ្ចូល វិធីសាស្ត្រ ទីតាំង ដែល មាន លក្ខណៈ ពិសេស វិធីសាស្ត្រ ទីតាំង មូលដ្ឋាន លើ បណ្ដាញ ។ ឧទាហរណ៍ យើង អាច បង្ហាត់ ប្រព័ន្ធ ទីតាំង ប្លុក អាជ្ញាប័ត៌មាន ដែល មាន មូលដ្ឋាន លើ លក្ខណៈ ពិសេស ដែល បាន ផ្ដល់ ដោយ OpenCV ។ ប៉ុន្តែ វិធីសាស្ត្រ នេះ គឺ ជា ពេលវេលា ច្រើន បំផុត ដើម្បី បង្ហាត់ និង ភាព បែបផែន នៃ ការ រៀបចំ និង ទីតាំង គឺ ទាប ។ ដូច្នេះ នៅ ក្នុង ផ្ទៃ មូលដ្ឋាន គោលដៅ វិធីសាស្ត្រ បណ្ដាញ ដែល មាន មូលដ្ឋាន លើ បណ្ដាញ គឺ ជា វិធីសាស្ត្រ មេ ។ នៅ ក្នុង វិធីសាស្ត្រ មូលដ្ឋាន បណ្ដាញ ដែល មាន មូលដ្ឋាន លើ បណ្ដាញ បណ្ដាញ មធ្យោបាយ ត្រូវ បាន ប្រើ ទូទៅ ដើម្បី រៀន លក្ខណៈ ពិសេស គោលដៅ ។ ពីព្រោះ បណ្ដាញ neural convolutional មាន invariance បកប្រែ ។ វា អាច ត្រូវ បានបន្ថយ ជាមួយ តំបន់ អ្នក ចាស់ៗ នៅ ក្នុង ដំណើរការ សិក្សា និង ថ្នាក់ តំបន់ អ្នក ចាស់ៗ ។ តំបន់ ភារកិច្ច ដែល ត្រូវ បាន ថ្នាក់ ត្រឹមត្រូវ គឺ ជា ទីតាំង របស់ គោលដៅ ។ មាន ម៉ូដែល អនុវត្ត ច្រើន សម្រាប់ វិធីសាស្ត្រ ដូចជា RCNN RCNN លឿន

ចម្រៀក តួ អក្សរ

ភារកិច្ច នៃ ចម្រៀក តួអក្សរ គឺ ត្រូវ កាត់ តួអក្សរ នីមួយៗ ក្នុង ជួរឈរ ច្រើន ឬ រូបភាព តួអក្សរ ច្រើន បន្ទាត់ ពី រូបភាព ទាំងមូល ទៅ ក្នុង រូបភាព តួអក្សរ តែ មួយ ។ តួអក្សរ ចែកចាយ តួអក្សរ បុរាណ អាច ត្រូវ បាន សង្ខេប ទៅ ក្នុង ប្រភេទ ពីរ ដូច ខាង ក្រោម ៖ វិធីសាស្ត្រ ផ្ទាល់ ។ វិធីសាស្ត្រ ចម្រៀក ដែល មាន មូលដ្ឋាន លើ ទម្រង់ រូបភាព ។ វិធីសាស្ត្រ ផ្ទាល់ គឺ ជា ធម្មតា ដែល មាន មូលដ្ឋាន លើ ស្គាល់ មុន មួយ ចំនួន ដូចជា ការ ចែកចាយ នៃ តួ អក្សរ បណ្ដាញ អាជ្ញាបជ្ញា និង ជួយ ជំនួស តួអក្សរ ទិដ្ឋភាព មូលដ្ឋាន មួយ ចំនួន ដើម្បី ទទួល ប្រយោជន៍ ចម្រៀក ។ វិធីសាស្ត្រ ចម្រៀក ម៉ូហ្វូក មូលដ្ឋាន ដោយ ប្រើ ការ រកឃើញ គែម ពង្រីក និង ការ ខូច ដើម្បី កំណត់ ទីតាំង រូបភាព តួអក្សរ ។ តួ អក្សរ ចម្រៀក តួ អក្សរ បុរាណ ផង ដែរ គឺ ជា ការ បំបាត់ ខាងក្រៅ ដូចជា បំណង ប្លង់ អាជ្ញាបណ្ណ ចម្រៀក ត្រឹមត្រូវ នៃ តួអក្សរ អាជ្ញាប័ណ្ណ គឺ សំខាន់ បំផុត សម្រាប់ ការ ទទួល ស្គាល់ តួអក្សរ ។ តែ នៅពេល ដែល ចម្រៀក ត្រឹមត្រូវ អាច ត្រូវ បាន ត្រឹមត្រូវ ជាមួយ ការ អភិវឌ្ឍន៍ បណ្ដាញ ចុងក្រោយ ផ្នែក ទន់ OCR ជា ច្រើន លឿន ចេញ ពី ដំណើរការ ចម្រៀង តួអក្សរ បុរាណ ។ និង តួអក្សរ ច្រើន ត្រូវ បាន ទទួល ស្គាល់ ដោយ ផ្ទាល់ ដោយ បណ្ដាញ ការ ស្គាល់ ។

ការ ស្គាល់ តួ អក្សរ

ការ ទទួល ស្គាល់ តួអក្សរ គឺ ជា ដំណើរការ ដែល ស្រង់ចេញ ការ អ៊ិនកូដ តួអក្សរ ពី រូបភាព ដែល មាន តួអក្សរ មួយ ឬ ច្រើន ។ វិធីសាស្ត្រ នៃ ការ ទទួល ស្គាល់ តួអក្សរ គឺ ជា វិធីសាស្ត្រ នៃ ការ រៀបចំ រូបភាព ដែល មាន មូលដ្ឋាន លើ សិក្សា ម៉ាស៊ីន ។ នៅ ក្នុង វិធីសាស្ត្រ ដាក់ រូបភាព រូបភាព មួយ អាច លទ្ធផល តែ ការ រៀបចំ មួយ គឺជា រូបភាព មួយ អាច មាន តែ រូបភាព មួយ តួអក្សរ តែ មួយ ។ នេះ ទាមទារ ភាព ត្រឹមត្រូវ ខ្ពស់ នៃ ការ ផ្នែក តួអក្សរ ។ វិធីសាស្ត្រ ផ្សេងទៀត គឺ ជា វិធីសាស្ត្រ ការ ទទួល ស្គាល់ តួអក្សរ បញ្ចប់ ដែល មាន មូលដ្ឋាន លើ បណ្ដាញ រ៉ូral ឡើងវិញ ។ វិធីសាស្ត្រ នេះ បញ្ចូល រូបភាព បណ្ដាញ អាជ្ញាបណ្ណ ទាំងមូល ទៅ ក្នុង បណ្ដាញ និង បណ្ដាញ រ៉េral នឹង លទ្ធផល តួអក្សរ ទាំងអស់ ដោយ ផ្ទាល់ ។ វិធីសាស្ត្រ បញ្ចប់ ត្រូវ បាន ផ្ទាល់ យក ដំណើរការ ចែកចាយ តួអក្សរ ចេញ ដោយ ផ្ទាល់ ហើយ ជម្រះ ការ បាត់បង់ ភាព ស្ថិតិ ដែល បាន បង្កើន ដោយ កំហុស ចម្រៀង តួអក្សរ ។ ប៉ុន្តែ វិធីសាស្ត្រ បញ្ចប់ ទៅ បញ្ចប់ ផង ដែរ ជា ការ ពិបាក ផ្សេងៗ ទៀត ដូចជា លុប ប្លង់ ជម្រះ ។

យើង បាន ពិចារណា អំពី បច្ចេកទេស មួយ ចំនួន នៃ ផ្នែក ចម្បង បី នៃ ប្រព័ន្ធ ការ ទទួល ស្គាល់ បណ្ដាញ នៅ ក្នុង ការ ធ្វើ តាម អ្នក នឹង ធ្វើ ការ ពិពណ៌នា លម្អិត អំពី បច្ចេកទេស ទូទៅ មួយ ចំនួន ។