Reconocimiento óptico de caracteres en escritura manual.

A día de hoy, uno de los mayores retos de la Inteligencia Artificial es la generalización y reconocimiento de patrones, con el objetivo de crear sistemas capaces de realizar tareas que antes solo podían ser llevadas a cabo por personas, es decir, sistemas que cada vez sean más inteligentes. Las aplicaciones de la generalización y reconocimiento de patrones abarcan campos cómo el reconocimiento de escritura manual, especialmente complejo debido a que se trata de procesar datos (caracteres) no estándar; dos muestras (caracteres) con el mismo significado pueden ser muy distintos visualmente entre sí. La generalización y reconocimiento de patrones abarca también campos cómo predicción de comportamiento humano, predicciones meteorológicas o aplicaciones en medicina. En los años 70 aparecen los primeros motores para Reconocimiento Óptico de Caracteres (OCR) debido a la digitalización de la documentación masiva que se genera. En este proyecto inicialmente se estudian los motores actuales para OCR, desarrollando prototipos y ejecutando pruebas sobre los mismos. El resultado obtenido es mejorable ya que estos motores están diseñados para fuentes tipográficas estándar. Se define un método para escritura manual y se desarrolla un prototipo mediante técnicas de Visión por Computador y métodos de Clustering, ejecutando posteriormente una serie de pruebas sobre el mismo. Los resultados mejorables de este método justifican el uso de algoritmos de Clustering costosos computacionalmente. Al tratar de reconocer dígitos escritos de forma manual en fuente de siete segmentos sobre una plantilla se diseña un método similar a un Sistema Basado en el Conocimiento (SBC). Dicho método basa su funcionamiento en dividir (segmentar) cada dígito en los segmentos que lo forman, decidir cuáles de estos segmentos están activos (en cuáles se han escrito), centrándose para ello en la parte central de cada uno de los segmentos y eliminando las esquinas con el objetivo de disminuir al máximo posible el ruido (información que entorpece o conduce a error) existente y decidir qué dígito se está reconociendo mediante reglas del tipo Si todos los segmentos están activos, el dígito es un 8. Se suministran 650 muestras al prototipo obteniendo una tasa de aciertos cercana al 100 %. Posteriormente con el objetivo de poder reconocer cualquier tipo dígito escrito de forma manual se define un nuevo método de reconocimiento basado en patrones difusos. Para ello este método necesita una serie de muestras para generar dichos patrones, las cuales se recogen en un plantilla y se procesan eliminando dicha plantilla; posteriormente se superponen una a una y una vez generados los patrones se puede llevar a cabo un reconocimiento con ellos. Se suministran 700 muestras al prototipo, obteniendo una tasa de aciertos de un 85 %