Modelos de CNN para el análisis de imágenes y detección de datos de interés en partidas registrales

• Autores: Olaechea Sanchez, Rodrigo Andre, Layme Aviega, Maryure Rotbel
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/18328
• Enlace del recurso: https://hdl.handle.net/20.500.12773/18328
• Nivel de acceso: acceso abierto
• Materia: CNN; análisis de imágenes; partidas registrales; https://purl.org/pe-repo/ocde/ford#2.02.04

La revisión de imágenes de documentos digitales que son analizados tanto en instituciones públicas como privadas, es fundamental para mejorar el tiempo y calidad en la prestación de servicios. Actualmente en las entidades públicas se gestionan documentos registrales como actas, contratos entre otros documentos. En la ciudad de Arequipa se generan miles de asientos registrales los cuales presentan incidencias en la generación de las imágenes; por lo cual se realiza una revisión manual diaria, por el personal especializado de TI de la entidad registral, lo que términos de eficiencia y recursos humanos no es óptimo. La tesis presentada propone cuatro modelos inteligentes basado en redes convolucionales (CNN) para la detección automática de datos de interés en imágenes de partidas registrales para optimizar el proceso de revisión de documentos. El desarrollo de la propuesta presenta: organización y etiquetado de datos, preprocesamiento, arquitectura y entrenamiento del modelo que son indispensables para la detección de datos de interés. Como resultado se desarrollaron 4 modelos: Modelo de cabecera, firma, hoja en blanco y página mezclada. Para evaluar el desempeño de estos modelos entrenados, se utilizó un conjunto de 12,396 imágenes de partidas registrales, las cuales fueron revisadas por el personal especialista. Posterior a esta revisión se aplicaron métricas de evaluación como la precisión, exactitud y recuperación. En síntesis, los resultados experimentales obtenidos lograron una precisión de 98% para el modelo de hoja en blanco, 92% para el modelo firma , 91% para el modelo de cabecera y 91% para el modelo de hoja mezclada.