Investigadores Abordan la Lectura de Números de Serie

Cuatro autores de la Universidad de Sangmyung, en la República de Corea, han publicado un artículo sobre la detección de números de serie de billetes, mediante un marco de reconocimiento óptico de caracteres, basado en el aprendizaje profundo. El aumento de datos y las transformaciones geométricas, se utilizan para mejorar la precisión del modelo de billetes y los problemas de desequilibrio de clases. El sistema se desarrolló para trabajar con las divisas de Corea, India, Estados Unidos y Japón.

Los autores adoptaron un enfoque en dos pasos para leer los números de serie.

En primer lugar, se utilizaron sensores de imagen para identificar la posición del número de serie en el billete, lo que permitió segmentar cada carácter alfanumérico mediante proyecciones horizontalesverticales.

El segundo fue un proceso para clasificar los caracteres. Las redes neuronales, las máquinas de vectores de soporte y los vecinos más próximos a k, son algunos de los clasificadores utilizados en este proceso. Se prefirieron las máquinas vectoriales, porque son más sencillas de utilizar que las redes neuronales, y también, menos propensas al sobreajuste.

El reconocimiento óptico de caracteres debe ser en tiempo real y muy preciso, dado que hay un valor monetario en juego. El reconocimiento de números de serie (Serial Number Recognition – SNR), es un reto en un billete de banco, porque los números de serie suelen estar impresos con patrones de fondo complejos. Los billetes tienden a caracterizarse por una intensidad de píxeles similar entre el fondo y los caracteres, lo que dificulta el reconocimiento óptico de caracteres. Los arañazos y las arrugas en la zona del número de serie también disminuyen la precisión del reconocimiento. Los autores trataron de superar estos problemas utilizando un modelo de detección de objetos, basado en el aprendizaje profundo, para localizar y clasificar los números de serie para su reconocimiento, lo que finalmente fue posible gracias a los avances en las técnicas de inteligencia artificial.

La salida del modelo se derivó del mapa de características del bloque final. El método propuesto alcanzó un rendimiento de vanguardia, con una precisión del 99,97% y detección de números de serie en tiempo real (en 30 ms), para el reconocimiento de números de serie de múltiples divisas. Estos resultados ponen de manifiesto la importancia de modificar los ajustes de generación de la caja de anclaje, a lo largo de la fase del entrenamiento.

Varios bancos centrales llevan décadas utilizando SNR, pero este trabajo será de interés tanto para los bancos centrales como para todas las organizaciones que producen maquinaria para o sistemas de gestión de efectivo.