OCR Model for Korean Characters (Final Project for AI Course)

Overview

This repository contains the source code and resources for the final project in the Artificial Intelligence (AI) course during the 6th semester of 2024. The project implements an Optical Character Recognition (OCR) system for Korean characters using Artificial Neural Networks (ANN) in C language. The project explores how a 64x64 Korean character bitmap image is processed to predict the character using an ANN model.

Project Features

• Model Architecture: ANN with:
  • 5 to 16 layers
  • Up to 256 nodes per layer
• Input: Downsampled 16x16 image derived from a 64x64 bitmap
• Output: Unicode indices for the initial, medial, and final consonants of Korean characters
• Implementation:
  • Training, inference, and accuracy evaluation implemented in C.
  • Auxiliary Python scripts for generating and preprocessing images.

---

Repository Structure

├── makeImage/
│   ├── exportImage/      # Exported images used as input for the model
│   ├── font/             # Empty folder (Fonts omitted for copyright reasons)
│   └── [Python Scripts]  # Image generation tools
├── inference_python/
│   └── [Python Scripts]  # Simple inference model structure for reference
├── training_c/
│   ├── training.c        # Model training implementation
│   ├── inference.c       # Character prediction using trained weights
│   ├── accuracy.c        # Accuracy calculation using all generated text images
└── README.md             # This file

---

Details

1. Image Preprocessing

• Python Script: Located in the makeImage directory.
• Input: Korean characters using user-provided fonts.
• Output: 64x64 1-bit bitmap images of characters stored in makeImage/exportImage.
• Additional Steps: Images downsampled to 16x16 resolution for ANN input.

2. Model Training

• Source: training_c/training.c
• Description: Trains the ANN model on the 16x16 processed images.
• Output: Weight files saved based on layer and node configuration.

3. Inference

• Source: training_c/inference.c
• Description: Loads the trained weights and predicts the character for a given image.

4. Accuracy Evaluation

• Source: training_c/accuracy.c
• Description: Tests model accuracy using all images in makeImage/exportImage.

---

Dependencies

• C Compiler: GCC or compatible compiler for compiling and running the C programs.
• Python Environment: For image generation (requires Pillow library).

---

Limitations and Known Issues

• Font Directory: The makeImage/font folder is empty due to copyright concerns. Users must add their own font files to this folder to generate the dataset.
  • The Python script is designed to read font files from the font directory. Adding fonts to this directory will enable the scripts to function correctly.
• Python Inference: A simple reference model structure is included in inference_python, but the actual inference process is implemented in C.
• Accuracy Measurement: The accuracy logic implemented in C is more reliable, while the Python implementation is only provided for reference.
  • The accuracy.c file can be used to measure the accuracy of the model across the entire dataset.

---

Usage

1. Generate Training Data

cd makeImage
python code.py

2. Train the Model

cd training_c
gcc training.c load_n_preprocess/image_load.c load_n_preprocess/preprocessing.c load_n_preprocess/load_data.c math_func/math_func.c create_network/create_layer_n_weight.c create_network/random_weight.c load_n_preprocess/load_target.c word_inference/word_inference.c csv_operate/export_weight_csv.c -I./load_n_preprocess -I./math_func -I./create_network -I./word_inference -I./typedef_struct -o training -lm -v
./training

3. Perform Inference

gcc inference.c load_n_preprocess/image_load.c load_n_preprocess/preprocessing.c load_n_preprocess/load_data.c math_func/math_func.c create_network/create_layer_n_weight.c create_network/random_weight.c load_n_preprocess/load_target.c word_inference/word_inference.c csv_operate/import_weight_csv.c csv_operate/export_weight_csv.c -I./load_n_preprocess -I./math_func -I./create_network -I./word_inference -I./typedef_struct -o inference -lm -v
./inference

4. Evaluate Accuracy

gcc accuracy.c load_n_preprocess/image_load.c load_n_preprocess/preprocessing.c load_n_preprocess/load_data.c math_func/math_func.c create_network/create_layer_n_weight.c create_network/random_weight.c load_n_preprocess/load_target.c word_inference/word_inference.c csv_operate/import_weight_csv.c csv_operate/export_weight_csv.c -I./load_n_preprocess -I./math_func -I./create_network -I./word_inference -I./typedef_struct -o accuracy -lm -v
./accuracy

References

Refer to the accompanying PDF report for detailed explanations about the implementation, experimental setup, and results. Specifically, see Section 3 for experimental methods.

한글 OCR 모델 (6학기 인공지능 기말 프로젝트)

개요

• 2024년도 6학기 인공지능 과목 기말 프로젝트의 소스 코드와 자료를 포함함.
• 프로젝트는 C로 구현된 한글에 대한 OCR 시스템임.
• 64x64 크기의 한글 비트맵 이미지를 입력으로 받아, ANN을 통해 해당 문자를 예측함.

프로젝트 주요 내용

• 모델 구조:
  • 5~16개의 레이어
  • 레이어당 최대 256개의 노드
• 입력 데이터: 64x64 비트맵 이미지를 16x16으로 다운샘플링하여 사용
• 출력 데이터: 한글의 초성, 중성, 종성의 유니코드 인덱스
• 구현 언어:
  • C로 학습, 추론, 정확도 평가 구현
  • Python으로 이미지 생성 및 전처리 보조 구현

---

디렉토리 구조

.
├── makeImage/
│   ├── exportImage/      # 모델 입력으로 사용될 출력 이미지
│   ├── font/             # 빈 폴더 (저작권 문제로 폰트 미포함)
│   └── [Python Scripts]  # 이미지 생성 도구
├── inference_python/
│   └── [Python Scripts]  # 참조용 간단한 추론 모델 구조
├── training_c/
│   ├── training.c        # 모델 학습 구현
│   ├── inference.c       # 학습된 가중치로 문자 예측
│   ├── accuracy.c        # 생성된 모든 텍스트 이미지로 정확도 측정
└── README.md             # 본 파일

---

세부 내용

1. 이미지 전처리

• Python 스크립트: makeImage 디렉토리에 위치
• 입력: 사용자가 제공한 폰트를 이용한 한글 문자
• 출력: makeImage/exportImage에 저장된 64x64 1비트 비트맵 이미지
• 추가 작업: ANN 입력으로 사용하기 위해 이미지를 16x16으로 다운샘플링

2. 모델 학습

• 소스 코드: training_c/training.c
• 설명: 16x16으로 처리된 이미지를 사용하여 ANN 모델 학습
• 출력: 레이어와 노드 구성에 따라 저장된 가중치 파일

3. 추론

• 소스 코드: training_c/inference.c
• 설명: 학습된 가중치를 불러와 주어진 이미지의 문자를 예측

4. 정확도 평가

• 소스 코드: training_c/accuracy.c
• 설명: makeImage/exportImage에 있는 모든 이미지로 모델의 정확도 측정

---

의존성

• C 컴파일러: GCC 또는 호환되는 컴파일러
• Python 환경: 이미지 생성을 위한 Pillow 라이브러리 필요

---

제한 사항 및 알려진 문제

• 폰트 폴더: 저작권 문제로 makeImage/font 폴더는 비어 있으며, 데이터셋 생성을 위해 사용자가 직접 폰트 파일을 추가해야 합니다.
  • Python 폴더 내에서 font 디렉토리 내의 폰트 파일을 긁어서 동작하도록 되어있으므로 해당 폴더에 폰트를 넣어서 동작시키면 정상적으로 동작함
• Python 추론: inference_python에 간단한 구조의 참조용 모델이 포함되어 있으나, 실제 동작은 C로 구현된 추론을 통해 이루어짐
• 정확도 측정: 정확도 측정을 위한 로직은 C 구현이 더 신뢰할 수 있으며, Python 구현은 참조용으로만 사용됩니다.
  • 별도의 accuracy.c를 통해 해당모델의 전체 데이터셋에 대한 정확도를 측정할 수 있음

---

사용법

1. 학습 데이터 생성

cd makeImage
python code.py

2. 모델 학습

cd training_c
gcc training.c load_n_preprocess/image_load.c load_n_preprocess/preprocessing.c load_n_preprocess/load_data.c math_func/math_func.c create_network/create_layer_n_weight.c create_network/random_weight.c load_n_preprocess/load_target.c word_inference/word_inference.c csv_operate/export_weight_csv.c -I./load_n_preprocess -I./math_func -I./create_network -I./word_inference -I./typedef_struct -o training -lm -v
./training

3. 모델 추론

gcc inference.c load_n_preprocess/image_load.c load_n_preprocess/preprocessing.c load_n_preprocess/load_data.c math_func/math_func.c create_network/create_layer_n_weight.c create_network/random_weight.c load_n_preprocess/load_target.c word_inference/word_inference.c csv_operate/import_weight_csv.c csv_operate/export_weight_csv.c -I./load_n_preprocess -I./math_func -I./create_network -I./word_inference -I./typedef_struct -o inference -lm -v
./inference

4. 정확도 평가

gcc accuracy.c load_n_preprocess/image_load.c load_n_preprocess/preprocessing.c load_n_preprocess/load_data.c math_func/math_func.c create_network/create_layer_n_weight.c create_network/random_weight.c load_n_preprocess/load_target.c word_inference/word_inference.c csv_operate/import_weight_csv.c csv_operate/export_weight_csv.c -I./load_n_preprocess -I./math_func -I./create_network -I./word_inference -I./typedef_struct -o accuracy -lm -v
./accuracy

참고 자료

구현, 실험 방법, 결과에 대한 자세한 설명은 report PDF 보고서를 참조하십시오.

function 및 header 호출 관계

main.c
├──load_n_preprocess/load_date.c
│   └──load_n_preprocess/image_load.c
│       └──typedef_struct/image_struct.h
├──load_n_preprocess/preprocessing.c
│   └──load_n_preprocess/preprocessing.h
├──load_n_preprocess/load_target.c
│   └──typedef_struct/korean_word.h
├──math_func/math_func.c
├──create_network/create_layer_n_weight.c
│   └──create_network/random_weight.c
├──word_inference/word_inference.c
│   └──typedef_struct/korean_word.h

├──csv_operate/export_weight_csv.c