Plataforma de evaluación de algoritmos de reconocimiento de caracteres numéricos en imágenes digitales.

La investigación tuvo como objetivo evaluar las técnicas de reconocimiento de dígitos en imágenes: K-Nearest Neighbor (KNN), TESSERACT y Redes Neuronales Artificiales (RNA); lo que permitió determinar la técnica con mayor nivel de precisión que podrá ser utilizada en diferentes aplicaciones de visión artificial. Se planteó la hipótesis de investigación “La selección adecuada de la técnica de reconocimiento de caracteres numéricos en imágenes digitales permitirá determinar la técnica con el mayor grado de precisión y minimizar el consumo de recursos en computadores SBC”. Se utilizó la prueba no paramétrica de Kruskal-Wallis en la comparación del grado de precisión de las técnicas con un nivel de confianza del 95%. Los indicadores que se utilizaron son: grado de precisión, tiempo empleado para el reconocimiento, cantidad de memoria ram y nivel de uso del CPU. Se utilizó una muestra ponderada de 30 fotografías tomadas a medidores de energía eléctrica de la ciudadela Las Acacias de la ciudad de Riobamba. De acuerdo a los resultados de las pruebas estadísticas se determinó que la técnica de reconocimiento con mayor grado de precisión fue KNN alcanzando un promedio de 49,33% frente a 29,833% y 22,00% de TESSERACT y RNA respectivamente. El tiempo promedio empleado por KNN para el reconocimiento fue de 1,22 segundos, en promedio se utilizó 15,7 megabytes de memoria ram y 11,64% de uso del CPU. Se utilizó OpenCV, Python y C++ bajo la distribución Raspbian de Linux para evaluar cada una de las técnicas seleccionadas. Se recomienda profundizar en el estudio de la técnica KNN enfocadas a diferentes aplicaciones de visión artificial en la industria, así como evaluar nuevas técnicas de reconocimiento de patrones como SVM, Deep Learning y Aprendizaje no Supervisado, que se han convertido en campos de investigación activos en muchas universidades del mundo.The research aimed to evaluate the techniques of digit recognition in images: K-Nearest Neighbor (KNN), TESSERACT and Artificial Neural Networks (RNA); Which allowed to determine the technique with greater level of precision that can be used in different applications of artificial vision. The research hypothesis "The proper selection of numerical carácter recognition technique in digital images will allow to determine the technique with the highest degree of accuracy and to minimize the consumption of resources in SBC computers." The nonparametric Kruskal-Wallis test was used in the comparison of the degree of precision of the techniques with a confidence level of 95%. The indicators that were used are: degree of precision, time spent for recognition, amount of RAM and level of CPU usage. A sample was used of 30 photographs taken at electric power meters of Las Acacias in Riobamba city. According to the statistical tests results, was determined that the most accurate recognition technique was KNN reaching an average of 49.33% versus to 29.833% and 22.00% of TESSERACT and RNA respectively. The average time spent by KNN for the recognition was 1.22 seconds, on average 15.7 megabytes of RAM and 11.64% of CPU usage were used. OpenCV, Python and C ++ were used under the Linux Raspbian distribution to evaluate each selected techniques. It is recommended to deepen the study of the KNN technique focused on different applications of artificial visión in the industry, as well as to evaluate new recognition techniques of Pattern such as SVM, Deep Learning and Non-Supervised Leanring, which have become active research fields in many universities around the world