'OpenCV'でタグ付けされた製品

スキャンやキャプチャされた画像から英語での手書き処方箋を自動的に読み取ることができるオフラインの手書き文字認識エンジンを開発します。OCR （Optical Character Recognition）エンジン、ディープラーニング、コンピュータビジョン アルゴリズム、およびディープニューラルネットワーク（Deep Learning Neural Network）を完璧に組み合わせることにより、文書の内容を更に正確かつ分かりやすく処理が可能となります。印刷されたテキスト、手書き、または低品質な画像などのオリジナルの文書の品質を問わず、テキストを高精度で抽出できます。

歯のレントゲン（ X-ray）画像からすべての歯を自動的に検出して番号とラベル付けすることができるエンジンを開発するシステムです。歯は大人の歯・赤ちゃんの歯・老人の歯といった3種類があります。 本プロジェクトの成果はTensorFlowのObject Detection APIを使用して、レントゲン画像からすべての歯を検出し、OpenCVを活用した上、ラベルを付けることが可能になったことです。Object Detection API の基礎は、CNN（Convolutional Neural Network）で構成され、コンピュータに歯の特性を把握してもらうように教授することにより、検出とラベル付けの確率は、常人の歯が約94％で老人と赤ちゃんの歯は84％との高確率になっています。​

医療用画像における肺炎の視覚的信号を検出するためのアルゴリズムを作ることを目的とします。特にアルゴリズムは胸部のレントゲン写真上に肺炎にかかる部分を自動的に検出されます。 データセットは約23,124枚の画像で、そのうちバリデーションの画像が2,560枚となります。本システムの問題を解決するために、我々はアルゴリズムの精度を向上させるためのresblockの強化に伴い、独自のU-Netを構築します。他のデータセット（1000枚の画像）で試験した結果は非常に ポジティブです（f2スコア 〜0.2）。​

保険カードから情報を読み取ることは、日本語のOCR（Optical Character Recognition）の問題です。 保険証から3つの情報が読めるためにディープラーニングをします。 具体的には、Tesseracエンジンを使用してカードからすべての情報を読み取り、いくつかの組み合わせ、および”try and improve”方法を使用して認識結果を改善します。​

スキャン又はキャプチャされた画像から印鑑を自動的に検出して除去するエンジンを開発するとの目的です・本プロジェクトを展開した時で多くの課題を対面しました。 例えば、印鑑に関する基準（印鑑の形状や色等）がないこと、特にスキャン又は撮影された画像の２パータンで対応するのも大きな課題です。 2つの重要なメトリック（精度と性能）を考慮しながら数方法を試した上で、最後にオブジェクト検出ステップ用のYOLOv3をデプロイし、アウトプット生成用のK-means法・ scikit-learnとOpenCVを利用する方向で進めるようになりました。​