Technologie

Hochoptimierte Bildverarbeitung

StreamShot basiert auf fein abgestimmten Bildverarbeitungsalgorithmen, die einen maximalen Durchsatz und niedrigste Latenzzeiten bieten. Eine leistungsstarke Dynamic-Window-Binarisierung wird eingesetzt, um hochwertige bitonale Bilder zu erzeugen und stabile Textsegmente auf schwierigen Bildhintergründen zu extrahieren. Anwendungsspezifische Merkmale können manuell konfiguriert werden, um die Bedeutung der Eingangsdaten für generische Klassifikatoren zu erhöhen.

Objektabgleich basierend auf hochpräzisen Konturen

StreamShot erreicht hervorragende Erkennungsraten bei kleinen Strukturen, indem es hochauflösende Konturen direkt aus Grau- und Farbbildern extrahiert. Im Gegensatz zu pixelbasierten Bilddaten ist die Qualität und Verarbeitungsgeschwindigkeit unabhängig von der Ausrichtung, was zu einer sehr flexiblen und robusten Erkennung führt. Hochauflösende Konturen können als ideale Eingabe für formbasierte Klassifikatoren sowie zur Lokalisierung von Objekten in jeder Ausrichtung verwendet werden.

Fehlertoleranter Datenbankabgleich

Erkennungsfehler von OCR-Engines sollten auf ein Minimum reduziert werden, lassen sich aber auf Zeichenebene nicht vollständig vermeiden. Daher ist es unerlässlich, Redundanz auf Wort- oder Dokumentenebene zu nutzen. StreamShot verwendet einen superschnellen In-Memory-Datenbankabgleich, der Fehler auf zwei Ebenen korrigieren kann. Er kann einzelne Wörter oder fehlerhafte Phrasen erkennen, indem er die beste Übereinstimmung mit Wörterbüchern findet. Basierend auf sehr vielen Wörtern kann die beste Übereinstimmungen von Datenstrukturen gefunden und komplexe Identitäten wie Adressen und Kunden-IDs aufgelöst werden. Der kompakte Speicherbedarf ermöglicht es, diese Technik auch auf mobilen Geräten einzusetzen.

Konfigurierbare Entscheidungsbäume

Bei der Lösung komplexer Erkennungsaufgaben ist es schwierig, mit einem einzigen generischen Ansatz höchste Erkennungsraten und niedrigste Fehlerraten zu erreichen. Stattdessen kombinieren Best-of-Class-Lösungen verschiedene und sich ergänzende Algorithmen, um eine Vielzahl von Aufgaben zu bewältigen. recosys hat mehr als zwei Jahrzehnte Erfahrung mit dem Tuning von Erkennungsmodulen auf großen Datensätzen. Es wurde eine hocheffiziente und flexible Entwicklungsumgebung mit visueller Inspektion und systematischer Dokumentation geschaffen.

Entscheidungsbäume ermöglichen den Einsatz inkrementeller Verbesserungen bei maximaler Stabilität des Systemverhaltens: Anstatt einen neu geschulten generischen Klassifikators (mit potenziell unbekanntem Verhalten) zu liefern, können Entscheidungsbäume zur fein kontrollierten spezifischen Fehlerreduktion verwendet werden.

Maschinelles Lernen

Zusätzlich zur spezifischen Merkmalserkennung verwendet StreamShot eine Vielzahl von Klassifikatoren, darunter Template Matching (Nächster-Nachbar), Bayes-Klassifikatoren, neuronale Netzwerke und Entscheidungsbäume. Bei der Bereitstellung großer Anwendungen können die Eingabedaten automatisch gesammelt und analysiert werden. Aufgrund des unterschiedlichen Verhaltens der verschiedenen Ansätze kann ein automatisches Training durchgeführt werden. Im Idealfall werden die Trainingsdaten aus der menschlichen Nachbearbeitung abgeleitet, was zu einem leistungsfähigen „Robotic Automation“- Ansatz führt.

Kontakt

Konstanz

recosys Recognition Systems GmbH
Turmstr. 16
D-78467 Konstanz
Deutschland
Telefon: +49 7531 804 81 94
E-Mail: contact@recosys.com

Aachen

recosys Recognition Systems GmbH
Bendstr. 50-52
D-52066 Aachen
Deutschland
Telefon: +49 241 445 94 55