Exige recortar la imagen a mano y falla al validar palabras clave.
Basta una orientación incorrecta para que el sistema no entienda el texto.
Cada falla se traduce en una llamada más a soporte técnico o procesos inconclusos.
Captura
CNN
OCR
Resultado
Una CNN extrae patrones visuales apilando dos operaciones matemáticas: convolución y pooling.
Aplica el filtro bidimensional sobre los 3 canales RGB sumando el sesgo:
Reduce las dimensiones al quedarse con el valor máximo regional:
34,296
Integrado con 1,057 INE Frontales con data aumentada de 7,992, dando un total de 9,049, y enriquecido con 25,247 imágenes como otras identificaciones, para enseñarle al modelo a rechazar documentos que no son una INE.
82.23%
Train (28,197)9.11%
Test (3,125)8.67%
Validate (2,974)320 × 208 px RGB
RMSprop lr=1e-4
Sparse Categorical Crossentropy
30
| Capa / Orden | Tipo de capa | Filtros / Neuronas | Kernel | Activación | Formato de salida |
|---|---|---|---|---|---|
| Entrada | Input Tensor | Canales RGB | — | — | 208 × 320 × 3 |
| Bloque 1 | Conv2D + MaxPooling2D | 32 filtros | (4,4) / (3,3) | SiLU | 68 × 105 × 32 |
| Bloque 2 | Conv2D + MaxPooling2D | 64 filtros | (4,4) / (3,3) | SiLU | 21 × 34 × 64 |
| Bloque 3 | Conv2D + MaxPooling2D | 128 filtros | (4,4) / (3,3) | SiLU | 6 × 10 × 128 |
| Bloque 4 | Conv2D + MaxPooling2D | 128 filtros | (4,4) / (3,3) | SiLU | 1 × 2 × 128 |
| Extracción | Flatten (Aplanado) | Vector lineal | — | — | 256 elementos |
| Clasificación | Dense (Totalmente conectada) | 512 neuronas | — | SiLU | 512 |
| Salida | Dense (Clasificador) | 2 neuronas | — | Softmax | 2 |
Verificación de Identificaciones mediante Redes Neuronales
Pérdida
Precisión
150
1
9
2,814