Desenvolvimento de uma abordagem para o reconhecimento de dados manuscritos em imagens de tabelas de controle de gestão de estoque de manutenção

Abstract

A anotação manual de dados em papel desempenha um papel crucial no dia a dia de diversos profissionais da indústria. No contexto específico da gestão de estoque de manutenção, a verificação da disponibilidade de materiais para manutenções programadas é registrada em uma folha impressa. Nessa folha, as informações sobre os materiais necessários para a execução da atividade são apresentadas em formato de tabela. Os materiais são então conferidos e suas quantidades são registradas manualmente. Após a conferência física e o registro em papel, ocorre a transição para um sistema digital, no qual um operador interpreta e insere as informações manuscritas. O objetivo deste trabalho é desenvolver um sistema de reconhecimento ótico de caracteres manuscritos para aprimorar e agilizar o registro das informações coletadas durante a verificação de materiais. Com esse objetivo, diversas técnicas e soluções baseadas em aprendizado de máquina tradicional e redes neurais profundas foram desenvolvidas, aplicadas e comparadas. Experimentos foram realizados utilizando duas bases de dados (A-Z MNIST e EMNIST) contendo imagens de dígitos e caracteres manuscritos, servindo para treinar e avaliar os algoritmos investigados. O algoritmo mais eficaz identificado nos experimentos foi a arquitetura Convnet, treinada ao longo de 50 épocas na base de dados A-Z MNIST. Essa arquitetura foi então aplicada a uma base de dados própria contendo imagens de tabelas reais de verificação de materiais. Os resultados obtidos demonstram que o algoritmo Convnet apresentou uma acurácia de 92,05% na identificação das informações de interesse.

Manually recording data on paper plays a crucial role in the daily lives of many industry professionals. In the specific context of maintenance inventory management, checking the availability of materials for scheduled maintenance is recorded on a printed sheet. This sheet presents information about the materials needed for the activity in table format. The materials are then checked, and their quantities are recorded manually. After the physical verification and paper recording, there is a transition to a digital system, in which an operator interprets and enters the handwritten information. This work aims to develop an optical handwritten character recognition system to improve and speed up the recording of information collected during material verification. To this end, several techniques and solutions based on traditional machine learning and deep neural networks have been developed, applied, and compared. Experiments were conducted using two databases (A-Z MNIST and EMNIST) containing images of digits and handwritten characters to train and evaluate the investigated algorithms. The most effective algorithm identified in the experiments was the Convnet architecture, trained over 50 epochs on the A-Z MNIST database. This architecture was then applied to a database containing images of real material verification tables. The experimental results demonstrate that the Convnet algorithm achieved an accuracy of 92.05% in identifying information of interest.