Mejoramiento del reconocimiento de texto manuscrito mediante un enfoque híbrido basado en IA

El reconocimiento de texto manuscrito (HTR) dentro de la visión por computadora y el procesamiento de imágenes se presenta como un dominio de investigación destacado y desafiante, con implicaciones significativas para diversas aplicaciones. Entre estas, resulta útil para leer cheques bancarios, recetas y descifrar caracteres en varios formularios. La tecnología de reconocimiento óptico de caracteres (OCR), específicamente diseñada para documentos manuscritos, juega un papel fundamental en la traducción de caracteres de una variedad de formatos de archivo, abarcando tanto documentos de texto como de imagen. Los desafíos en HTR incluyen diseños de distribución complejos, estilos de escritura variados, conjuntos de datos limitados y menor precisión lograda. Los recientes avances en algoritmos de Aprendizaje Profundo y Aprendizaje Automático, combinados con los vastos repositorios de datos no procesados, han impulsado a los investigadores a lograr progresos notables en HTR. Este documento tiene como objetivo abordar los desafíos en el reconocimiento de texto manuscrito proponiendo un enfoque híbrido. El objetivo principal es mejorar la precisión del reconocimiento de texto manuscrito a partir de imágenes. A través de la integración de Redes Neuronales Convolucionales (CNN) y Memoria a Largo y Corto Plazo Bidireccional (BiLSTM) con un decodificador de Clasificación Temporal Conexional (CTC), los resultados indican una mejora sustancial. El modelo híbrido propuesto logró una impresionante precisión del 98.50% y 98.80% en los conjuntos de datos IAM y RIMES, respectivamente. Esto subraya el potencial y la eficacia del uso consecutivo de estas arquitecturas avanzadas de redes neuronales para mejorar la precisión en el reconocimiento de texto manuscrito. • El método propuesto introduce un enfoque híbrido para el reconocimiento de texto manuscrito, empleando CNN y BiLSTM con decodificador CTC. • Los resultados muestran una notable mejora en la precisión del 98.50% y 98.80% en los conjuntos de datos IAM y RIMES, enfatizando el potencial de este modelo para una mayor precisión en el reconocimiento de texto manuscrito a partir de imágenes.