KR102564993B1 - Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템 - Google Patents

Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템 Download PDF

Info

Publication number
KR102564993B1
KR102564993B1 KR1020210083275A KR20210083275A KR102564993B1 KR 102564993 B1 KR102564993 B1 KR 102564993B1 KR 1020210083275 A KR1020210083275 A KR 1020210083275A KR 20210083275 A KR20210083275 A KR 20210083275A KR 102564993 B1 KR102564993 B1 KR 102564993B1
Authority
KR
South Korea
Prior art keywords
ballot
recognition
improved
unit
deep learning
Prior art date
Application number
KR1020210083275A
Other languages
English (en)
Other versions
KR20230000759A (ko
Inventor
박재균
강철
Original Assignee
(주)한틀시스템
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)한틀시스템 filed Critical (주)한틀시스템
Priority to KR1020210083275A priority Critical patent/KR102564993B1/ko
Publication of KR20230000759A publication Critical patent/KR20230000759A/ko
Application granted granted Critical
Publication of KR102564993B1 publication Critical patent/KR102564993B1/ko

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C13/00—Voting apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/22—Character recognition characterised by the type of writing
    • G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Character Discrimination (AREA)

Abstract

본 발명은 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템은, 턴 인식 기술을 이용하여 투표지 인식 및 기표 인식을 수행하는 패턴 인식부, 그리고 상기 패턴 인식부에서 재확인 대상으로 분류되는 투표지에 대해서 딥러닝 인식 기술을 이용하여 기표 인식을 수행하는 딥러닝 기반 기표 인식부를 포함한다. 딥러닝 기반 기표 인식부는, 재확인 대상으로 분류된 투표지에 대해 기표 인식을 수행하도록 학습된 신경망 모델, 및 상기 재확인 대상으로 분류된 투표지에 대해 유효한 것으로 판단한 근거나 유효하지 않은 것으로 판단한 근거를 설명하는 기표 인식 판단 근거 설명 정보를 생성하는 설명 근거 생성 모델을 포함할 수 있다.

Description

AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템{improved and explainable Ballot-paper classification system with better recognition rate through AI application}
본 발명은 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템에 관한 것이다.
일반적으로 정부나 지방자치단체에서 하는 투표의 결과를 집계하기 위한 개표 과정은 통상적으로 다수의 인력에 의한 수작업으로 진행되기 때문에 많은 인력과 시간이 소요되는 상황이다.
따라서, 이러한 종래의 수작업에 의한 개표 방법을 획기적으로 개선하기 위하여 투표용지를 자동으로 인식하고 분류하여 개표 작업을 신속히 처리할 수 있는 자동개표 시스템의 개발이 요구되고 있다.
종래 자동개표 시스템은 투표지 스캔, 분석, 인식처리하여 분류하는 패턴인식(OCR) 기술을 이용하였는데, 기존 패턴인식(OCR)의 경우에는 낙서, 이물질, 중복기표, 번짐 등의 변형특성을 노이즈와 구별할 수 없는 기술적 한계를 가지고 있었다. 또한 현행 선거법에 따라 기표란 뿐만 아니라 투표지 전체 영역에 대해 기표인의 다양한 특징점을 추출하고 인식, 유무효를 판단해야하는 바 수백만 가지 이상의 경우의 수를 모두 고려해야 하는 어려움이 있었기 때문에 기존의 패턴매칭기술에 의한 인식엔진으로는 한계가 있었다.
또한 AI 적용은 일반적인 업무에서 의사 결정을 수행하는 등 더 핵심적인 업무로 이동됨에 따라 이미 결정한 최종 결과의 근거와 도출과정의 타당성을 제공하지는 못하고 있다. 또 오류 원인을 즉각적으로 알지 못하고 어떻게 이런 결정을 했는지 개발자조차 파악하지 못하면서 블랙박스가 존재하는 AI 적용에 의존할 수 없다는 인식 또한 커지고 있다.
이에 AI 적용에 의한 결정이나 답을 AI 스스로가 사람이 이해하는 형태로 설명하고 제시할 수 있는 '설명 가능한 AI (eXplainable Artificial Intelligence, 이하 XAI)' 가 핵심적인 비즈니스에 필수적으로 대두되고 있다.
한국등록특허 제2078822호(등록일: 2020-02-12)
본 발명이 해결하고자 하는 기술적 과제는 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템을 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템은 패턴 인식 기술을 이용하여 투표지 인식 및 기표 인식을 수행하는 패턴 인식부, 그리고 상기 패턴 인식부에서 재확인 대상으로 분류되는 투표지에 대해서 딥러닝 인식 기술을 이용하여 기표 인식을 수행하는 딥러닝 기반 기표 인식부를 포함한다.
상기 딥러닝 기반 기표 인식부는, 상기 재확인 대상으로 분류된 투표지에 대해 기표 인식을 수행하도록 학습된 신경망 모델, 및 상기 재확인 대상으로 분류된 투표지에 대해 유효한 것으로 판단한 근거나 유효하지 않은 것으로 판단한 근거를 설명하는 기표 인식의 판단 근거를 설명하는 정보를 생성하는 설명 근거 생성 모델을 포함한다.
상기 딥러닝 기반 기표 인식부는, 재확인 대상으로 분류된 원인별로 유효 여부를 딥러닝 인식 기술에 의해 판정하도록 학습된 복수의 신경망 모델을 포함할 수 있다.
상기 설명 근거 생성 모델은 신경망 모델에서 추출된 특징 정보와 기표 인식 결과를 이용하여 기표 인식 판단 근거 설명 정보를 생성할 수 있다.
상기 패턴 인식부는, 투표용지를 스캔한 투표용지 이미지에 대한 전처리를 수행하는 전처리부, 전처리된 투표용지 이미지에 패턴 인식 기술을 적용하여 투표지 인식을 수행하는 투표지 인식부, 그리고 상기 투표지 인식부에서 인식된 투표지에 대해 패턴 인식 기술을 이용하여 기표 인식을 수행하는 기표 인식부 재확인 기표를 추가적으로 인식하는 인공지능 인식부를 포함할 수 있다.
본 발명에 의하면 투표지 분류에 있어서 종래 패턴의 처리 방향에 따라 유효표로의 확인을 실패하여 재확인률을 높였던 기표에 대해 딥러닝 인식 기술을 적용하여 인간이 사고하는 듯한 합리적 사고에 의거한 자연스럽고 보다 정확한 인식이 가능하게 되는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템의 구성도이다.
도 2는 본 발명에 따른 패턴 인식부의 세부 구성도이다.
도 3은 유효표 중 재확인 대상으로 분류된 예를 나타낸 것이다.
도 4는 본 발명에 따른 투표지 분류 시스템의 동작 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템의 구성도이고, 도 2는 본 발명에 따른 패턴 인식부의 세부 구성도이다.
도 1을 참조하면, 본 발명에 따른 투표지 분류 시스템은 패턴 인식 엔진부(100) 및 딥러닝 기반 기표 인식부(200)를 포함할 수 있다.
패턴 인식 엔진부(100)는 패턴 인식 기술을 이용하여 투표지 인식 및 기표 인식을 수행할 수 있다.
도 2를 참조하면, 패턴 인식 엔진부(100)는 전처리부(110), 투표지 인식부(120) 및 기표 인식부(130)를 포함할 수 있다.
전처리부(110)는 투표용지를 스캔한 투표용지 이미지에 대한 전처리를 수행한다.
투표지 인식부(120)는 전처리된 투표용지 이미지에 패턴 인식 기술을 적용하여 투표지 인식을 수행한다.
기표 인식부(130)는 투표지 인식부(120)에서 인식된 투표지에 대해 패턴 인식 기술을 이용하여 기표 인식을 수행한다.
딥러닝 기반 기표 인식부(200)는 패턴 인식 엔진부(100)에서 패턴 인식 기술을 이용하여 기표 인식 중에 재확인 대상으로 분류된 투표지에 대해서 딥러닝 인식 기술을 이용하여 기표 인식을 수행할 수 있다.
딥러닝 기반 기표 인식부(200)는 패턴 인식 엔진부(100)에서 재확인 대상으로 분류된 투표지에 대해서 딥러닝 인식 기술을 통해 유효 여부를 분류할 수 있다. 구체적으로 딥러닝 기반 기표 인식부(200)는 기표인의 크기 검사, 기표인의 원형 검사, 기표인의 여백 검사, 템플릿 매칭 비율 검사, 기표인의 원 현출 비율 등 재확인 대상으로 분류된 원인별로 유효 여부를 딥러닝 인식 기술에 의해 판정하도록 학습된 복수의 신경망 모델을 포함할 수 있다.
복수의 신경망 모델은 재확인 대상으로 분류된 원인별로 투표지에서 추출하는 특징 정보가 다를 수 있다. 가령 기표인의 원형 검사에서 재확인 대상으로 분류된 투표지에 대한 신경망 모델에서 추출하는 특징 정보와, 기표인의 원 현출 비율에서 재확인 대상으로 분류된 투표지에 대한 신경망 모델에서 추출하는 특징 정보는 다를 수 있다.
도 3은 유효표 중 기표 인식부에서 재확인 대상으로 분류된 예를 나타낸 것이다.
가령 원 현출 비율이 일정 비율(예컨대 50%) 미만인 경우를 패턴 인식 엔진부(100)에서 비정상 기표로 분류하도록 설정된 경우, 50% 미만을 모두 재확인 대상으로 분류하거나 또는 42% ~ 50% 미만까지 임계치에 걸린 경우는 재확인 대상으로 분류하고, 42% 미만은 비정상으로 패턴 매칭에서 미분류로 판정해버리도록 구현하는 것도 가능하다.
도 3에 예시한 것과 같이 재확인 대상으로 분류되는 투표지에 대해서 딥러닝 기반 기표 인식부(200)를 이용하여 기표 인식을 수행하는 것이 바람직하다. 패턴 인식 엔진부(100)에서 도 3에 예시한 것과 같이 유효표로 확인을 실패하여 재확인률을 높였던 기표에 대해서, 딥러닝 기반 기표 인식부(200)에 의한 분류 인식 개선을 기대할 수 있다.
한편 딥러닝 기반 기표 인식부(200)는 해당 투표지에 대해 유효한 것으로 판단한 근거나 유효하지 않은 것으로 판단한 근거를 설명하는 기표 인식 판단 근거 설명 정보를 생성하는 설명 근거 생성 모델을 포함할 수 있다.
설명 근거 생성 모델은 신경망 모델에서 추출된 특징 정보와 기표 인식 결과를 이용하여 기표 인식 판단 근거 설명 정보를 생성할 수 있다.
여기서 신경망 모델과 설명 근거 생성 모델은 콘볼루션 신경망(Convolution neural network)(CNN)과 같은 기계학습 알고리즘 형태일 수 있다. 콘볼루션 신경망은 AlexNet, VGGNet, GoogLeNet, ResNet 등과 같은 심층 CNN 모델로 구현될 수 있다.
도 4는 본 발명에 따른 투표지 분류 시스템의 동작 흐름도이다.
도 4를 참조하면, 전처리부(110)는 투표용지를 스캔하여 투표용지 이미지를 생성한다. 투표용지 스캔 과정에서 보통 투표지가 약간 기울어지고 투표용지 이미지의 테두리에 음영이 발생하게 된다. 따라서 전처리부(110)는 투표용지 이미지에 대해 기울기 보정(S11) 및 검은색 테두리 제거(S12)를 수행하여 보정된 투표용지 이미지를 생성할 수 있다.
한편 보정된 투표용지 이미지에는 청인이나 관인 같이 적색(red color)으로 표시된 부분이 있다.
전처리부(110)는 보정된 투표용지 이미지의 평균 배경색을 저장하고(S13), 보정된 투표용지 이미지로부터 적색으로 표시된 부분을 제거한 적색 제거 이미지를 생성하며(S14), 아울러 적색으로 표시된 부분만을 포함하는 적색 이미지를 생성한다(S15). 그리고 적색 제거 이미지와 적색 이미지가 생성되면, 적색 제거 이미지로부터 투표용지의 크기를 추출하여 저장한다(S16).
투표지 인식부(120)는 전처리부(110)에서 추출된 투표용지 크기와 배경색을 미리 등록된 투표용지 크기 및 배경색과 비교한다(S21, S22). 그리고 투표지 인식부(120)는 적색 이미지에서 청인 영역 및 관인 영역을 찾아 미리 등록된 정보와 비교한다(S23, S25). 한편 실시예에 따라서 투표지 인식부(120)는 적색 제거 이미지에서 투표지의 선거명 영역을 찾아서 미리 등록된 정보와 비교할 수도 있다(S24).
단계(S21 ~ S25)에서 미리 등록된 정보와 일치하지 않는 정보가 있으면, 투표지 인식부(120)는 해당 투표 용지는 기등록된 투표용지와 다른 것으로 판단하고, 미분류 대상으로 분류할 수 있다.
단계(S21 ~ S25)에서 미리 등록된 정보와 일치하면, 투표지 인식부(120)는 해당 투표 용지에서 후보자 영역 찾기 및 기표 영역 저장을 수행할 수 있다(S26, S27). 실시예에 따라서 투표지 인식부(120)는 일반 투표지 여부를 판단하고(S28), 일반 투표지가 아니면(S28-아니오), QR 코드 찾기를 수행할 수도 있다(S29).
일반 투표지이거나(S28-예), QR 코드 찾기를 수행한 후(S29), 투표지 인식부(120)는 절취선 영역 찾기(S31), 후보자수 비교(S32) 및 각 영역의 매칭률 계산을 할 수 있다(S33). 투표지 인식부(120)는 각 영역에서 미리 정해진 임계치 이상(예컨대 80% 이상)의 면적이 일치하면 투표지가 기등록된 투표용지와 동일한 것으로 판단할 수 있다.
다음으로 투표지 인식부(120)는 각 영역의 매칭률이 일정한 임계치 이상이 아니면 미분류로 결정하고, 임계치 이상이면 투표지의 훼손 검사를 수행한다(S34).
투표지 인식부(120)는 투표지의 훼손 검사 결과, 투표지가 훼손된 것으로 판단되면 투표지를 미분류로 결정하고, 그렇지 않으면 최종적으로 투표지를 분류 대상으로 판단할 수 있다.
다음으로 기표 인식부(130)는 투표지 인식부(120)에서 분류 대상으로 판단된 투표지에서 기표 인식을 수행한다. 즉 기표인의 유효성 여부를 판단한다. 기표인의 유효성 여부는 기표인의 크기, 모양, 내부 선분 등을 종합적으로 검토하여 판단한다.
먼저, 기표 인식부(130)는 기등록된 원본 기표인의 크기(반지름)에 근거하여 투표지에 찍힌 기표인의 크기를 검사한다(S41).
기표인의 크기가 정상 범위에 있으면(S42-Y), 기표 인식부(130)는 기표인의 원형 검사를 수행한다(S44).
한편 기표인의 크기가 정상 범위에 있지 않으면(S42-N), 기표 인식부(130)는 원형 찾기를 수행할 수 있다(S43). 이후 기표 인식부(130)는 원형 검사를 수행할 수 있다(S44). 구체적으로 기표인의 원의 외부 기준선으로부터 x축과 y축으로 원의 테두리가 나타나는 지점의 값이 변하는 정도를 점수화하여 원형 점수를 계산하여 원형 검사를 수행할 수 있다.
다음으로 기표인의 원형 검사가 완료되면, 기표 인식부(130)는 기표인의 여백 검사를 수행할 수 있다(S45). 구체적으로 기표인의 전체 면적에서 기표인의 내부 여백이 차지하는 비율을 계산하고, 기표인의 내부 여백 비율이 30-85%일 때 기표인을 유효한 것으로 판정한다.
기표인의 여백 검사가 완료되면, 기표 인식부(130)는 기표인의 내부 선분을 검출할 수 있다(S46). 기표인의 내부 선분 검출이 완료되면, 기표 인식부(130)는 템플릿 매칭을 수행할 수 있다(S47).
단계(S47)에서 기표인의 크기에 대응하는 템플릿을 생성하여 기표인과 템플릿의 매칭 비율을 계산할 수 있다. 기표인의 크기에 대응하는 템플릿으로서 선두께가 가는 작은 템플릿과 선두께가 두꺼운 큰 템플릿을 생성한다. 다음, 인식대상의 기표인에 작은 템플릿을 포함시켜 기표인에서 작은 템플릿이 차지하는 비율을 계산하고, 큰 템플릿에 인식대상의 기표인을 포함시켜 큰 템플릿에서 기표인이 차지하는 비율을 계산한다. 템플릿 매칭 비율이 50% 이상일 때 기표인을 유효한 것으로 판정할 수 있다.
템플릿 매칭이 완료되면, 기표 인식부(130)는 점 복 각도를 검출하여 저장할 수 있다(S48). 점 복 각도는 기표인 내부에서 검출된 3개의 선분의 끝점과 원 중심 간의 각도를 구해 검출할 수 있다. 내부 선분 간의 최소 각도가 60도 미만으로 검출되면 기표인이 유효하지 않은 것으로 판정할 수 있다.
점 복 각도 검출 및 저장이 완료되면, 기표 인식부(130)는 기표인의 원 현출 비율을 계산할 수 있다(S49). 기표인의 평면상의 점을 극좌표로 변환하여 기표인의 원 현출 비율을 계산한다. 극좌표는 xy 평면상의 점을 원점으로부터 거리 r과 시작선과 이루는 각 θ으로 변환하여 나타내는 좌표 표시 방법이다. 기표인이 거의 원형에 가까울수록 원 현출 비율은 거의 100%에 가까와지고, 반대의 경우 원 현출 비율이 작아진다. 따라서 원 현출 비율이 미리 정해진 기준 이상이면 기표인을 유효한 것으로 판정할 수 있다.
기표 인식부(130)에서 단계(S41) 내지 단계(S49)를 수행하는 중에 재확인 대상으로 분류된 투표지는 딥러닝 기반 기표 인식부(200)에서 유효 여부를 판단한다. 즉 딥러닝 기반 기표 인식부(200)는 기표 인식부(130)에서 단계(S41) 내지 단계(S49)를 수행하는 중에 미리 정해진 조건에 따라 재확인 대상으로 분류된 투표지에 대해 유효 여부를 판단하고 그 결과를 패턴 인식 엔진부(100)에 반환할 수 있다.
최종적으로 단계(S41) 내지 단계(S49)를 통해 기표인이 유효한 것으로 판단된 투표지에 대해서, 투표지 인식부(120)는 기표 번호를 인식하여 기표 후보자를 판정할 수 있다(S51).
단계(S51)에서 딥러닝 기반 기표 인식부(200)는 재확인 대상으로 분류된 후 유효한 것으로 판단된 투표지에 대해 생성된 기표 인식 판단 근거 설명 정보를 출력할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
100: 패턴 인식 엔진부
110: 전처리부
120: 투표지 인식부
130: 기표 인식부
200: 딥러닝 기반 기표 인식부

Claims (5)

  1. 패턴 인식 기술을 이용하여 투표지 인식 및 기표 인식을 수행하는 패턴 인식부, 그리고
    상기 패턴 인식부에서 재확인 대상으로 분류되는 투표지에 대해서 딥러닝 인식 기술을 이용하여 기표 인식을 수행하는 딥러닝 기반 기표 인식부를 포함하고,
    상기 딥러닝 기반 기표 인식부는,
    상기 재확인 대상으로 분류된 투표지에 대해 기표 인식을 수행하도록 학습된 신경망 모델, 및
    상기 재확인 대상으로 분류된 투표지에 대해 유효한 것으로 판단한 근거나 유효하지 않은 것으로 판단한 근거를 설명하는 기표 인식 판단 근거 설명 정보를 생성하는 설명 근거 생성 모델을 포함하는 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템.
  2. 삭제
  3. 제 1 항에서,
    상기 딥러닝 기반 기표 인식부는,
    재확인 대상으로 분류된 원인별로 유효 여부를 딥러닝 인식 기술에 의해 판정하도록 학습된 복수의 신경망 모델을 포함하는 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템.
  4. 제 3 항에서,
    상기 설명 근거 생성 모델은 신경망 모델에서 추출된 특징 정보와 기표 인식 결과를 이용하여 기표 인식 판단 근거 설명 정보를 생성하는 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템.
  5. 제 1 항에서,
    상기 패턴 인식부는,
    투표용지를 스캔한 투표용지 이미지에 대한 전처리를 수행하는 전처리부,
    전처리된 투표용지 이미지에 패턴 인식 기술을 적용하여 투표지 인식을 수행하는 투표지 인식부, 그리고
    상기 투표지 인식부에서 인식된 투표지에 대해 패턴 인식 기술을 이용하여 기표 인식을 수행하는 기표 인식부
    를 포함하는 AI 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템.
KR1020210083275A 2021-06-25 2021-06-25 Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템 KR102564993B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210083275A KR102564993B1 (ko) 2021-06-25 2021-06-25 Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210083275A KR102564993B1 (ko) 2021-06-25 2021-06-25 Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템

Publications (2)

Publication Number Publication Date
KR20230000759A KR20230000759A (ko) 2023-01-03
KR102564993B1 true KR102564993B1 (ko) 2023-08-08

Family

ID=84924814

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210083275A KR102564993B1 (ko) 2021-06-25 2021-06-25 Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템

Country Status (1)

Country Link
KR (1) KR102564993B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102078822B1 (ko) 2018-05-11 2020-02-19 (주)한틀시스템 투표지 인식 방법
KR102078821B1 (ko) * 2018-05-11 2020-02-19 (주)한틀시스템 투표지의 기표인 인식 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102415503B1 (ko) * 2015-08-21 2022-07-01 삼성전자주식회사 분류기 학습 방법 및 객체 검출 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102078822B1 (ko) 2018-05-11 2020-02-19 (주)한틀시스템 투표지 인식 방법
KR102078821B1 (ko) * 2018-05-11 2020-02-19 (주)한틀시스템 투표지의 기표인 인식 방법

Also Published As

Publication number Publication date
KR20230000759A (ko) 2023-01-03

Similar Documents

Publication Publication Date Title
JP4727732B2 (ja) 車両番号認識装置
TWI384408B (zh) 影像辨識以及輸出方法與其系統
US9489561B2 (en) Method and system for estimating fingerprint pose
Peralta et al. Minutiae filtering to improve both efficacy and efficiency of fingerprint matching algorithms
CN111325769A (zh) 一种目标对象检测方法及装置
KR20210020065A (ko) 비전 시스템을 갖는 이미지에서 패턴을 찾고 분류하기 위한 시스템 및 방법
US9147130B2 (en) Information processing method, information processing apparatus, and recording medium for identifying a class of an object by using a plurality of discriminators
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
CN111353485A (zh) 印章识别方法、装置、设备及介质
KR101151435B1 (ko) 얼굴 인식 장치 및 방법
CN111652117A (zh) 一种对多文档图像分割的方法及介质
KR102564993B1 (ko) Ai 적용을 통한 분류 인식률이 향상되고 설명이 가능한 개선된 투표지 분류 시스템
Rodríguez et al. HD-MR: A new algorithm for number recognition in electrical meters
CN111739006B (zh) 一种基于围道积分的椭圆图像检测算法及系统
CN112200789A (zh) 一种图像识别的方法及装置、电子设备和存储介质
KR102078822B1 (ko) 투표지 인식 방법
CN111460198B (zh) 一种图片时间戳的审核方法及装置
Siddique et al. Development of an automatic vehicle license plate detection and recognition system for Bangladesh
US20230342937A1 (en) Vehicle image analysis
KR20230001900A (ko) 경량형 ai 인식 엔진을 이용한 투표지 분류 시스템
JP2023104424A (ja) 推定装置、推定方法、及びプログラム
CN114677552A (zh) 用于深度学习的指纹细节数据库标注方法和系统
CN113591863A (zh) 一种具有自校正意识的车牌字符识别方法
CN112949361B (zh) 指纹识别方法及装置
Alharbi Efficient Handwritten Signatures Identification using Machine Learning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant