Система визуального распознавания, также известная как компьютерное зрение, представляет собой технологию, которая позволяет компьютерам или машинам имитировать человеческое зрение, понимать и анализировать изображения и видео. Основные функции включают:
Распознавание объектов: Точное распознавание объектов на изображениях или в видео, включая людей, животных, транспортные средства, здания и т.д.
Понимание сцен: Понимание сцен на изображениях или в видео, например, распознавание того, что изображено – помещение или улица, город или деревня.
Анализ поведения: Распознавание и понимание поведения людей или животных, например, ходьба, бег, прыжки и т.д.
Распознавание лиц: Точное распознавание лиц для целей идентификации или анализа выражений.
Обработка в реальном времени: Обработка изображений и видео в реальном времени для применения в автопилотируемых транспортных средствах, системах видеонаблюдения и других областях.
Глубокое обучение: Повышение точности и устойчивости распознавания за счет использования больших объемов данных для обучения.
Одной из основных характеристик оборудования для персонализации смарт-карт и чипов является необходимость стабильного выполнения непрерывного массового производства. Использование системы визуального распознавания может повысить эффективность и качество операций по персонализации чипов, улучшить их безопасность и надежность, а также упростить мониторинг и управление качеством и безопасностью чипов.
Распознавание чипов: С помощью получения и обработки изображений чипов можно быстро и точно распознавать их характеристики, что упрощает последующие операции по персонализации.
Персонализация чипов: С помощью получения и обработки изображений чипов можно определить местоположение и способ персонализации, обеспечивая точность и безопасность операций.
Контроль качества чипов: С помощью получения и обработки изображений чипов можно выявлять дефекты внешнего вида, качество пайки и другие проблемы, повышая качество и надежность чипов.
Антифальсификация чипов: С помощью получения и обработки изображений чипов можно генерировать уникальные идентификационные коды и связывать их с чипами, предотвращая подделку и изменения.
Отслеживание чипов: С помощью получения и обработки изображений чипов можно получать информацию о производстве и распространении чипов, упрощая мониторинг и управление их качеством и безопасностью.
На примере устройства для записи персонализированных данных PTA-8500A для смарт-карт, в нем установлен OCR-верификационный модуль. Он включает одну камеру и одну систему визуального распознавания, что позволяет распознавать и проверять информацию на поверхности карты (цифры, штрихкоды, QR-коды, 25-коды).
В машине для записи персонализированных данных в чипы SCM3000 M2M предусмотрен блок OCR-верификации, который обеспечивает функцию распознавания и проверки информации на поверхности чипа.
В гибкой линии для банковских карт FPL6081 также предусмотрен блок OCR-верификации. Он может проверять напечатанное содержимое, распознавать цифры, буквы латинского алфавита, одномерные и двумерные коды; минимально распознаваемая высота символов составляет 2,5 мм.
Что касается оборудования для проверки поверхности на производственной линии по инкапсуляции и тестированию модулей микросхем смарт-карт - машине для проверки модулей полос CMI60000SA, ее основной функцией является обнаружение с помощью OCR.
Несмотря на значительные успехи в области визуального распознавания, по-прежнему существуют некоторые вызовы, такие как обработка сложных сцен, понимание абстрактных концепций, работа с изображениями или видео низкого качества и другие. В будущем, с дальнейшим развитием технологий, визуальные системы распознавания имеют потенциал для значительных прорывов в этих областях.
Для достижения прорыва в области визуального распознавания необходимо большое количество примеров, то есть обучающие данные, которые позволяют системе изучать и понимать шаблоны в изображениях или видео. Эти обучающие данные могут быть размеченными изображениями или видео, содержащими информацию, которую мы хотим, чтобы система изучила, например, положение и тип объектов.
В глубоком обучении этот метод называется контролируемым обучением. Система визуального распознавания может научиться отображению между входными и выходными данными. Затем, когда система получает новые неразмеченные входные данные, она может предсказать соответствующие выходные данные.
Сбор и разметка большого объема обучающих данных — это трудоемкий и дорогостоящий процесс. В этой области компании, активно использующие OCR-системы в разработке оборудования, имеют значительное преимущество по сравнению с университетскими лабораториями, занимающимися исключительно экспериментами.
