Procesy usprawniające w systemach klasyfikacji i sortowania przesyłek pocztowych

• Autorzy: Roman Wiatr , Mirosław Miciak , Rafał Boniecki

Warianty tytułu

The Processes of Machine Learning for Classification and Mailsorting Systems

• Języki publikacji: PL

Abstrakty

W artykule przedstawiono metodę adaptacyjnego uczenia maszynowego do rozpoznawania i przetwarzania obrazów w procesach automatycznego opracowywania przesyłek pocztowych. Ze względu na proces automatycznego rozpoznawania adresu, najistotniejszym segmentem linii do automatycznego opracowywania przesyłek pocztowych jest zintegrowana maszyna czytająca z wideokodowaniem. W maszynie czytającej za pomocą modułu optycznego następuje rozpoznawanie znaków, gdzie w sposób automatyczny dokonuje się odczyt adresu przesyłki. Mała sprawność tego modułu podnosi koszty i zmniejsza przepustowość całego systemu opracowania przesyłek. Zaproponowano metodę bazującą na wydzielaniu cech znaków na podstawie analizy z wykorzystaniem zbiorów przybliżonych. Dla każdej z klas rozpoznawanych obiektów tworzone są reguły decyzyjne oraz rozkłady poszczególnych parametrów, które tworzą wzorcową bazę danych. Natomiast dane z procesu wideokodowania pozwalają na aktualizację bazy wzorców poszczególnych klas znaków.(abstrakt oryginalny)

EN

In this article we presented the method of adaptive learning for image processing and recognition for the postal applications. Due to the automatic postal address recognition, the most important element of the automatic sorting and processing post mails is integrated optical character recognition module with videocoding system. This solution can read the addresses data using optical character recognition module. Low efficiency of this module raises costs and reduces the throughput of the mail sorting system. The proposed method based on the character features derived from the rough sets analysis. For each classes of recognized objects (characters) are created the decision rules and distributions of the parameters that form the database. Whereas data from the videocoding process allow to update the database patterns of particular classes of characters.(original abstract)

Słowa kluczowe

PL

Logistyka; Zbiory przybliżone; Adaptacyjne uczenie się

EN

Logistics; Rough sets; Adaptive learning

• Czasopismo: Logistyka
• Rocznik: 2012
• Numer: nr 3, CD 1
• Strony: 2415--2420

Twórcy

autor

Roman Wiatr

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

autor

Mirosław Miciak

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

autor

Rafał Boniecki

• Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy

Bibliografia

• [1] Bouchaffra D., Govindaraju V., Srihari S.: Recognition of strings using nonstationary Markovian models: an application in ZIP code recognition. IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2, s. 2174-2183, 1999.
• [2] Chaberek M.: Makro- i mikroekonomiczne aspekty wsparcia logistycznego. Wydawnictwo Uniwersytetu Gdańskiego, 2002.
• [3] Filatov A., Volgunin A.: Handwritten ZIP code recognition. ICDAR 4, s. 766-770, 1997.
• [4] Forella G.: Word perfect, Postal Technology. UKIP Media & Events Ltd. UK 2000.
• [5] Ishikura T., Adachi T.: Video Coding technology for postal automation system: Special issue on postal automation technology. NEC research and development 40, Tokyo, s. 176-180, 1999.
• [6] Maszewski M., Miciak M.: Rozpoznawanie danych teleadresowych z wykorzystaniem współczynników Fouriera i zespolonej dyskretnej transformacji falkowej opartej na projekcji, Techniki Przetwarzania Obrazu. s. 381-386, 2006.
• [7] Wiatr R., Rawłuszko J.: On the problems of logistics network project in the Polish Post, Materiały VI - Th International Scientific Conference POSTPOINT` 2005`, śylina (Słowacja), 28-30.09, 2005.
• [8] Miciak M., Marchewka M.: The recognition of postal code using Fourier transform method, XII Konferencja Sieci i Systemy Informatyczne, Łódź, s. 461-468, 2004.
• [9] Mitsu Y., Tatsuro S., Isao Y.: A recognition system for Japanese Zip code using Arc features, IEICE Transactions on Information and Systems. s. 810-816, 1994.
• [10]Bok-Suk Shin.: Effective feature extraction by trace transform for insect footprint recognition, Bio-Inspired Computing: Theories and Applications 2008, s. 97-102.
• [11]Petrou M., Piroddi R., Talebpour A.: Texture recognition from sparsely and irregularly sampled data, Computer Vision and Image Understanding archive, 2006, s. 95-104.