[level2-cv-04]_의료비 영수증 OCR

• Project Period 2023/05/02 ~ 2023/05/18
• Project Wrap-Up Report (https://docs.google.com/document/d/1B5JuvBl3AQFBHdLms5SJef3XLPhYCU_N10V6ybgzdZM/edit?usp=sharing)

✏️ Project Overview

• 데이터: 다양한 크기와 형태의 의료비 영수증 301장
• 프로젝트 주제: 다수의 노이즈가 있는 의료비 영수증 사진에서의 글자검출
• 평가지표: f1- score, recall, precision
• 활용 장비 및 재료
  • 컴퓨팅 환경: Nvidia V100 GPU (총 5대)
  • 협업 및 실험관리 툴: notion, git, slack, jira, wandb

🙌 Members

강동화	박준서	서지희	장철호	한나영
@oktaylor	@Pjunn	@muyaaho	@JCH1410	@Bandi120424

🌏 Contributions

팀원명	작업
강동화	EDA, GitHub 환경 세팅, Augmentation, Annotation tool research
박준서	EDA, Augmentation 리서치 및 실험, streamlit을 사용하여 모델 평가를 위한 웹사이트 구현
서지희	EDA, 외부 data 조사, 금융 OCR 데이터 추가, fine tuning 진행
장철호	EDA, Augmentation 리서치 및 실험
한나영	EDA, 세부 평가 지표 설정, 외부 data 및 검증 데이터 구성, Augmentation 리서치 및 실험

📜 프로젝트 수행 결과

검증 데이터 구성

• 스캔 여부 및 가로 세로 비율에 따라 그룹화 → 각 그룹의 비율을 고려하여 훈련/검증 데이터 구성

	세로/가로 < 1, 스캔 X	세로/가로 >= 1, 스캔 X	세로/가로 < 1, 스캔 O	세로/가로 >= 1, 스캔 O
train set 비율	2.07%	39.83%	7.47%	50.62%
val. set 비율	1.67%	40%	6.67%	51.67%

실험 결과

• 다양한 augmentation 기법을 활용하여 test 환경과 유사한 형태를 가질 수 있도록 함
• default augmentation: resize(size=2048), adjust_height(ratio=0.2), rorate_img(범위: ±10°), crop_img(size=1024), ColorJitter(0.5, 0.5, 0.5, 0.25), Normalize(mean=(0.5, 0.5, 0.5), std=(0.5, 0.5, 0.5))

No.	추가 augmentation	F1 score	비고
1	ShadowCast	0.9463	외부데이터로 추가 학습
2	ShadowCast	0.9515	-
3	ShadowCast + Blur(blur_limit=5,p=0.25)	0.9326	-
4	ShadowCast + PixelDropout(dropout_prob = 0.05, p=1)	0.9422	-
5	0.8의 확률로 RandomRain, PixelDropout 중 하나 적용	0.9329	pickle 이용 (이미지의 같은 부분을 학습)
6	0.8의 확률로 RandomRain(color=black, white), PixelDropout 중 하나 적용	0.9327	pickle 이용 (이미지의 같은 부분을 학습)
7	ColorJitter = False + GaussNoise(p=0.5, var_limit=(10.0, 50.0))	0.9622	-
8	ColorJitter = False + RandomBrightnessContrast(brightness_limit=(0, 0.25), contrast_limit=(-0.5, 0), p=0.5))	0.9252	pickle 이용 (이미지의 같은 부분을 학습)
9	ColorJitter = False + RandomBrightnessContrast(brightness_limit=(0, 0.25), contrast_limit=(-0.5, 0), p=0.8))	0.9568	pickle 이용 (이미지의 같은 부분을 학습)