Mise en œuvre de la technologie OCR et de l'apprentissage profond dans une application mobile pour l'automatisation de la gestion financière personnelle basée sur les reçus.
Image générée par Gemini AI
Une nouvelle application mobile de gestion des finances personnelles utilise la reconnaissance optique de caractères (OCR) et l'apprentissage profond pour automatiser l'enregistrement et la classification des dépenses. Développée selon la méthode en cascade, elle traite 900 reçus de transactions locales, atteignant une précision des caractères de 97,05 % et réduisant le temps de saisie de 62 % par rapport aux méthodes manuelles. Les tests d'utilisabilité ont révélé un score de 70,069, soulignant son efficacité dans le paysage de la gestion financière en Indonésie.
Une application mobile révolutionne la gestion des finances personnelles avec OCR et apprentissage profond
Une application mobile nouvellement développée vise à transformer la gestion des finances personnelles en automatisant l'enregistrement et la classification des dépenses grâce à la reconnaissance optique de caractères (OCR) et aux technologies d'apprentissage profond. Cette approche innovante répond à des problématiques de longue date dans les processus d'enregistrement manuels et les applications financières conventionnelles.
L'application a été développée à partir d'un ensemble de données de 900 images de reçus de transactions locales. L'extraction de texte utilise un réseau de neurones convolutionnel récurrent (CRNN), atteignant une précision de caractère de 97,05 % et une précision de mot de 92,1 %, surpassant Tesseract OCR.
Pour la classification des dépenses, l'application utilise un modèle de réseau de neurones convolutionnel (CNN) affiné grâce à un réglage fin d'EfficientNet. Les utilisateurs ont constaté une réduction moyenne de 62 % du temps d'entrée des transactions par rapport aux méthodes manuelles.
Un test d'utilisabilité impliquant 36 répondants a donné un score de 70,069 sur l'échelle d'utilisabilité système, reflétant une réception positive parmi les utilisateurs.
La principale contribution de l'étude réside dans l'intégration d'une OCR adaptative et d'une classification basée sur l'apprentissage profond, adaptée au paysage financier indonésien.
Sujets connexes :
📰 Source originale : https://doi.org/10.35870/jtik.v10i2.5230
Tous les droits et crédits appartiennent à l'éditeur original.