Estimación de parámetros para imágenes digitales, usando clasificadores K-NN y Tesseract
Notice bibliographique
Résumé
Introducción: Para este estudio, se tiene una estimación de parámetros de una comparativa entre dos algoritmos de reconocimiento de caracteres numéricos en imágenes digitales: K-NN y Tesseract, con el fin de determinar el de mayor grado de similitud. Metodología: Se utilizó el método inductivo y experimental para adquirir los información y datos como: la precisión, tiempo en el reconocimiento, porcentaje de consumo de memoria RAM y de CPU. Esta investigación es de tipo cuasi experimental por las técnicas escogidas para el reconocimiento de los dígitos aplicadas a imágenes y posteriormente evaluar en K-NN y Tesseract a medidores de energía eléctrica capturados en fotografía para la obtención de una lectura de consumo automática. La investigación es de tipo aplicativa ya que se basó en conocimientos existentes de investigaciones previas con dirección al desarrollo tecnológico de mejora de nuevos procesos. También se puede tomar como experimental por la adquisición de datos mediante pruebas de laboratorio donde se puede apreciar elementos importantes y a simple vista una captación de fenómenos del caso. Conclusión: Mediante las pruebas para determinar un reconocimiento de caracteres mediante el uso de los algoritmos K-NN y Tesseract se obtuvo como resultados de estimación de precisión del 439.3% en el algoritmo K-NN y un 29.34% con Tesseract utilizando un promedio de tiempo de 1.2 y 0.06 segundos respectivos en cada algoritmo.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».