Оптико-геометричні особливості упаковок лікарських засобів у задачах автоматизованого розпізнавання зображень
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Optical-geometric features of medicinal packaging in automated image recognition problems
Анотація
The paper presents an analysis of the optical and geometric characteristics of pharmaceutical packaging in AI recognition tasks. The study considers the specifics of medication packaging as a complex object for automated image analysis, including the influence of geometric properties, reflective surfaces, small text, multilingual labeling, and illumination conditions on recognition quality. The limitations of classical OCR approaches for this type of packaging are analyzed, particularly those related to text deformation on curved surfaces, glare artifacts, low contrast, and complex image structures. Practical recommendations for photographing the packaging to improve recognition stability are also considered. The findings demonstrate that optical image characteristics significantly influence the effectiveness of AI-based analysis and should be taken into account during the design of multimodal recognition systems.
У роботі проведено аналіз оптичних та геометричних особливостей упаковок лікарських засобів у задачах AI-розпізнавання. Розглянуто специфіку такої упаковки як складного об’єкта для автоматизованого аналізу зображень, зокрема вплив геометричних характеристик, відбивних поверхонь, дрібного тексту, багатомовного маркування та особливостей освітлення на якість розпізнавання. Проаналізовано обмеження класичних OCR-підходів у задачах розпізнавання медичної продукції, пов’язані з деформацією тексту на криволінійних поверхнях, відблисками, низьким контрастом та складною структурою зображень. Розглянуто практичні рекомендації щодо фотографування упаковок лікарських засобів для підвищення стабільності автоматизованого розпізнавання. Отримані результати показують, що оптичні характеристики зображень суттєво впливають на ефективність AI-аналізу та повинні враховуватися під час проєктування систем мультимодального розпізнавання.
У роботі проведено аналіз оптичних та геометричних особливостей упаковок лікарських засобів у задачах AI-розпізнавання. Розглянуто специфіку такої упаковки як складного об’єкта для автоматизованого аналізу зображень, зокрема вплив геометричних характеристик, відбивних поверхонь, дрібного тексту, багатомовного маркування та особливостей освітлення на якість розпізнавання. Проаналізовано обмеження класичних OCR-підходів у задачах розпізнавання медичної продукції, пов’язані з деформацією тексту на криволінійних поверхнях, відблисками, низьким контрастом та складною структурою зображень. Розглянуто практичні рекомендації щодо фотографування упаковок лікарських засобів для підвищення стабільності автоматизованого розпізнавання. Отримані результати показують, що оптичні характеристики зображень суттєво впливають на ефективність AI-аналізу та повинні враховуватися під час проєктування систем мультимодального розпізнавання.
Опис
Ключові слова
автоматизоване розпізнавання зображень , мультимодальні моделі , OCR , упаковки лікарських засобів , комп’ютерний зір , оптичні характеристики , обробка зображень , мультимодальний аналіз , automated image recognition , multimodal models , pharmaceutical packaging , computer vision , optical characteristics , image processing , multimodal analysis
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Дацок Є. О., Яковлева О. В. Оптико-геометричні особливості упаковок лікарських засобів у задачах автоматизованого розпізнавання зображень // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2026. № 1. С. 130-138. URI: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/867.
URI
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (23)
- https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/867
- Billka AI : Website. URL: https://billka.sytoss.com/en/ (дата звернення: 11.05.2026).
- Liu Z., Lin Y., Cao Y. et al. Visual Instruction Tuning. Advances in Neural Information Processing Systems (NeurIPS). 2023. Vol. 36. Available: https://arxiv.org/abs/2304.08485 (дата звернення: 11.05.2026).
- Liu Y., Stathopoulos S., Petukhova V. et al. DLI-IT: A Deep Learning Approach to Drug Label Identification through Image and Text Embedding. BMC Medical Informatics and Decision Making. 2020. Vol. 20, no. 1. P. 84. doi: https://doi.org/10.1186/s12911-020-1078-3.
- Smith R. An Overview of the Tesseract OCR Engine. Proceedings of the Ninth International Conference on Document Analysis and Recognition (ICDAR 2007). 2007. Vol. 2. Pp. 629–633. doi: https://doi.org/10.1109/ICDAR.2007.4376991.
- JaidedAI. EasyOCR : GitHub repository. 2024. URL: https://github.com/JaidedAI/EasyOCR(дата звернення: 14.05.2026).
- PaddlePaddle Authors. PaddleOCR: Awesome multilingual OCR toolkits based on PaddlePaddle : GitHub repository. 2024. URL: https://github.com/PaddlePaddle/PaddleOCR(дата звернення: 16.05.2026).
- Long S., Ruan J., Zhang W. et al. TextSnake: A Flexible Representation for Detecting Text of Arbitrary Shapes. Proceedings of the European Conference on Computer Vision (ECCV). 2018. Pp. 20–36. doi: https://doi.org/10.48550/arXiv.1807.01544.
- ABCNet: Real-time Scene Text Spotting with Adaptive Bezier-Curve Network / Y. Liu et al. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. Pp. 9809–9818. doi: https://doi.org/10.1109/CVPR42600.2020.00983.
- Zhan F., Lu S. ESIR: End-to-End Scene Text Recognition via Iterative Image Rectification. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. Pp. 2059–2068. doi: https://doi.org/10.1109/CVPR.2019.00216.