다음은 본 논문에서는 딥러닝을 통한 한글 OCR 정확도 향상을 제안한다. OCR은 인쇄되거나 손으로 쓴 문자를 광학적 방법으로 감지 인식하여 디지털로 인코딩하는 프로그램이다. 현재 가장 많이 쓰이는 tesseract OCR의 경우, 영문 인식의 정확도가 높다. 하지만 한글은 복잡한 구조에 비해 학습 데이터가 적어 정확도가 떨어진다. 따라서 이 연구에서는 이미지 프로세싱을 통해 원하는 이미지에서 글자 영역을 추출하고, 이를 학습 데이터로 활용한 딥러닝으로 한글 OCR의 정확도를 향상시키는 방법을 제안한다. 기존 영문과 숫자 및 몇 가지 언어에만 국한되어 발전해왔던 OCR을 다양한 언어에도 응용할 수 있을 것으로 기대된다.
다음은 본 논문에서는 딥러닝을 통한 한글 OCR 정확도 향상을 제안한다. OCR은 인쇄되거나 손으로 쓴 문자를 광학적 방법으로 감지 인식하여 디지털로 인코딩하는 프로그램이다. 현재 가장 많이 쓰이는 tesseract OCR의 경우, 영문 인식의 정확도가 높다. 하지만 한글은 복잡한 구조에 비해 학습 데이터가 적어 정확도가 떨어진다. 따라서 이 연구에서는 이미지 프로세싱을 통해 원하는 이미지에서 글자 영역을 추출하고, 이를 학습 데이터로 활용한 딥러닝으로 한글 OCR의 정확도를 향상시키는 방법을 제안한다. 기존 영문과 숫자 및 몇 가지 언어에만 국한되어 발전해왔던 OCR을 다양한 언어에도 응용할 수 있을 것으로 기대된다.
In this paper, we propose the improvement of Hangul OCR accuracy through deep learning. OCR is a program that senses printed and handwritten characters in an optical way and encodes them digitally. In the case of the most commonly used Tesseract OCR, the accuracy of English recognition is high. Howe...
In this paper, we propose the improvement of Hangul OCR accuracy through deep learning. OCR is a program that senses printed and handwritten characters in an optical way and encodes them digitally. In the case of the most commonly used Tesseract OCR, the accuracy of English recognition is high. However, Hangul has lower accuracy because it has less learning data for a complex structure. Therefore, in this study, we propose a method to improve the accuracy of Hangul OCR by extracting the character region from the desired image through image processing and using deep learning using it as learning data. It is expected that OCR, which has been developed only by existing alphanumeric and several languages, can be applied to various languages.
In this paper, we propose the improvement of Hangul OCR accuracy through deep learning. OCR is a program that senses printed and handwritten characters in an optical way and encodes them digitally. In the case of the most commonly used Tesseract OCR, the accuracy of English recognition is high. However, Hangul has lower accuracy because it has less learning data for a complex structure. Therefore, in this study, we propose a method to improve the accuracy of Hangul OCR by extracting the character region from the desired image through image processing and using deep learning using it as learning data. It is expected that OCR, which has been developed only by existing alphanumeric and several languages, can be applied to various languages.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 딥러닝으로 한글 OCR의 정확도를 향상시키는 방법을 제안한다. 제안된 방법에서는 한글의 초성, 중성, 종성의 모든 경우의 수를 조합하여 글자의 이미지를 생성한다.
본 논문에서는 한글 OCR 프로그램 성능 향상을 위해 조합 가능한 모든 한글 글자를 이미지화하여 이를 학습 데이터로 이용하는 방법을 제안한다. 이후 이를 이용해 OCR 프로그램을 딥러닝 시킨다.
제안 방법
제안된 방법에서는 한글의 초성, 중성, 종성의 모든 경우의 수를 조합하여 글자의 이미지를 생성한다. 그리고 그 이미지를 Convolutional Neural Networks(CNN)을 이용해 딥러닝으로 학습시킨다.[3] 충분한 학습 후, 테스트할 이미지를 이미지프로세싱을 통해 글자 영역을 추출한다.
따라서 본 논문에서는 딥러닝으로 한글 OCR의 정확도를 향상시키는 방법을 제안한다. 제안된 방법에서는 한글의 초성, 중성, 종성의 모든 경우의 수를 조합하여 글자의 이미지를 생성한다. 그리고 그 이미지를 Convolutional Neural Networks(CNN)을 이용해 딥러닝으로 학습시킨다.
[3] 충분한 학습 후, 테스트할 이미지를 이미지프로세싱을 통해 글자 영역을 추출한다. 추출한글자 영역을 테스트 케이스로 OCR을 진행한다.
전달받은 객체에서 각 줄에 있는 음운들이 하나씩 들어있는 사각형을 만들고, 그 위치를 담은 객체를 얻는다. 학습시켜놓은 모델을 통해 객체마다 예상되는 초성, 중성, 종성들을 찾는다. 그리고 초성, 중성, 종성들을 한 글자로 조합해 음운별 예상 후보를 배열에 저장하고, 다음 단계로 전달한다.
0 버전을 사용하여 실험을 진행하였다. 흰 바탕에 검은글씨로 된 무작위의 이미지를 선택하여 tesseract와 본 논문에서 설명한 방법을 이용하여 딥러닝한 OCR 프로그램에 실행하여 텍스트 파일을 얻었다.
대상 데이터
앞서 설명한 방식으로 10개의 이미지를 실험하였다. 이미지의 글자와 특수문자 ‘.
성능/효과
그림 6은 tesseract와 딥러닝 프로그램에서 추출한 텍스트들이 실제와 얼마나 일치하는지를 실험한 결과를 나타낸 그래프이다. tesseract와 비교해 딥러닝 프로그램의 일치율이 평균 약 58.8%만큼 높은 것을 확인하였다.
본 OCR 프로그램은 Detection, Prediction, Semantic Analysis, Reconstruction의 과정을 통해 동작한다. 제안한 방법으로 딥러닝 시킨 프로그램이 현재 많이 사용되고 있는 OCR 프로그램인 tesseract에 비해 한글 인식에서 향상된 일치율을 보임을 증명하였다.
’, ‘,’를 포함한 모든 글자의 개수를 C라 하였다. 테스트 이미지와 비교하여 각 글자의 형태와 순서가 일치할 시 정확히 출력한 것으로 판단하였다. 이를 기준으로 tesseract로 인식하였을 때 정확히 출력된 글자의 개수를 Lt, 딥러닝 프로그램으로 인식하였을 때 정확히 출력된 글자의 개수를 Ld라 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.