Adaptable and Efficient Digit Recognition System for Challenging Datasets: A Case Study on Pump Flowmeter Digits
Notice bibliographique
Résumé
Machine digit recognition from various multi-digit displays is a complex task due to the sheer number of unique digit forms, each varying significantly in shape, size, and orientation. Traditional digit recognition libraries may not perform well for all cases, especially when dealing with digital screens that can be highly variable in terms of style, fonts, colour, contrast, intensity, pixel resolution, digit aspect ratio, and spacing. To address these challenges, we present a digit recognition algorithm that is designed to be fast, easy to use, and highly adaptable. Unlike a single fit-all solution, our system can be easily modified to fit different use cases and applications, incorporating additional layers of flexibility and adaptability. This is desirable since different types of displayed digits may have unique features or characteristics that traditional digit recognition libraries do not capture well. To further demonstrate the efficacy of the proposed system, we tested it on a unique pump-flowmeter digits format, which poses significant challenges for digit recognition algorithms due to the complicated shape and layout of the digits. This paper provides a detailed step-by-step account of our system's development and its performance on this challenging dataset. The presented system achieved an accuracy of 80% on test data, is simple and can be used by researchers, developers, and practitioners working in fields such as handwriting recognition, computer vision, machine learning, image processing, pattern recognition, and neural networks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».