diff --git a/README.md b/README.md
index 5015326..b91a3d5 100644
--- a/README.md
+++ b/README.md
@@ -1,37 +1,53 @@
-# CAPTCHA(자동 입력 방지 문자) 인식
+# Captcha Image Recognition
+
+
+
+
-> Description
+
+## Description
* 자동 입력 방지 문자(CAPTCHA) 이미지를 인식할 수 있는 딥러닝 모델 제작
* 개발 인원 : 1명
-* 프로젝트 기간 :
+* 프로젝트 기간 : 2021.08
+* 개발 당시 Google Colaboratory하였으나 현재 Jupyter Notebook으로 구동 가능하도록 수정
+
+## IDE & Language
+
+- ~~Google Colaboratory~~ Jupyter Notebook
+- python 3.7.7
-> 프로젝트 순서
+
+## Library
+
+```
+matplotlib 3.5.2
+numpy 1.22.4
+opencv-python 4.5.5.64
+sklearn 0.0
+tensorflow 2.9.1
+```
+
+## Project Process
1. 데이터 수집
2. 데이터 라벨링
3. 데이터 가공
-4. 모델 정의
-5. 학습
-6. 테스트
-7. 결론
-
-> 사용 언어 및 라이브러리
+4. 모델
+5. 테스트
+6. 결론
+
+## Project Detail
+
-- python 3.7.7
-- selenium
-- python-opencv
-- tkinter
--
-
-## 1. 데이터 수집
+>데이터 수집
-selenium 라이브러리를 통해서 수강신청 홈페이지에 17분마다 자동 로그인 후
-0.1초마다 새로고침하여 캡챠 이미지를 다운로드하는 이미지 다운봇 제작
+selenium 라이브러리를 통해서 0.1초마다 새로고침하여 captcha 이미지를 다운로드하는 이미지 다운봇 제작
+
-## 2. 데이터 라벨링
+>데이터 라벨링
@@ -40,9 +56,10 @@ selenium 라이브러리를 통해서 수강신청 홈페이지에 17분마다
해당 사진의 파일 이름을 입력한 보안코드로 바꿔주는 프로그램 작성 후 사용
[2, 3, 4, 5, 6, 7, 8, a, b, c, d, e, f, g, h, k, m, n, p, r, w, x, y] 중 4개의 글자로 구성된
-총 6150개의 라벨링 된 데이터를 얻을 수 있었다.
+총 6150개의 라벨링 된 데이터를 얻을 수 있었다.
+
-## 3. 데이터 가공
+>데이테 가공
@@ -50,88 +67,73 @@ selenium 라이브러리를 통해서 수강신청 홈페이지에 17분마다
- frame_size: 28px x 40px
- start_padding : 5px
-- between_padding : 8px
+- overlapped : 8px
그 후 opencv를 이용하여 grayscale로 로드 후 각 이미지를 frame에 맞게 자른다.
-
-
-
-
+
나뉘어진 data를 구글 드라이브에 업로드 후 colab에서 불러와
opencv의 adaptiveThreshold 함수를 이용해 후처리한다.
-
-후처리 전
+
-
-후처리 후
+>모델
-## 4. 모델 정의
-
-```python
-import tensorflow as tf
-
-# act = "linear"
-# act = "sigmoid"
-# act = "tanh"
-act = "relu"
-
-# 3개의 층 128개의 노드
-model1 = tf.keras.models.Sequential([
- # 28x28 입력층
- tf.keras.layers.Flatten(input_shape=(40, 28)),
- tf.keras.layers.Dense(128, activation=act),
- tf.keras.layers.Dense(128, activation=act),
- tf.keras.layers.Dense(128, activation=act),
- tf.keras.layers.Dense(23, activation="softmax")
-])
-
-opt = tf.keras.optimizers.Adam(learning_rate=0.005)
-# opt = tf.keras.optimizers.RMSprop(learning_rate=0.01, momentum=0.1)
-
-model1.compile(loss='categorical_crossentropy', optimizer = opt, metrics=['accuracy'])
```
-
-## 5. 학습
-
-```python
-model1.fit(d_train, l_train_1hot, epochs = 50)
+Model: "sequential"
+_________________________________________________________________
+ Layer (type) Output Shape Param #
+=================================================================
+ flatten (Flatten) (None, 1120) 0
+
+ dense (Dense) (None, 128) 143488
+
+ dense_1 (Dense) (None, 128) 16512
+
+ dense_2 (Dense) (None, 128) 16512
+
+ dense_3 (Dense) (None, 23) 2967
+
+=================================================================
+Total params: 179,479
+Trainable params: 179,479
+Non-trainable params: 0
+_________________________________________________________________
```
+
-## 6. 테스트
+
+>테스트
이후 unlabeled test set에 대해서 test를 진행해보았다.
#### - 글자 1개에 대한 테스트
-
-
-b를 정상적으로 b로 출력하고 있다.(왼쪽 하단)
-
+|w|p|
+|---|---|
+|||
+|||
+
#### - 전체 글자에 대한 테스트
-
-
-ma5c라 적힌 이미지를 gray scale로 불러온 모습
-
-
-
-opencv의 adaptiveThreshold 함수를 이용해 후처리 한 모습
+|cycr|472h|
+|---|---|
+|||
+|||
+|||
-
+
-결과값으로 ma5c로 예측하는 모습이 보인다.(왼쪽 하단)
+> 결론
+못 쓸 정도는 아니지만 고정 크기로 자르다보니 m과 n와 같이 가로로 긴 글자 중 잘릴 경우 정확도가 떨어지는 부분이 아쉬움.
-## 7. 결론
+
-unlabelded data에 대해서 돌려본 정확도는 대략 70~80% 정도로 나왔다.
-고정된 프레임으로 자르다보니 m과 n와 같이 가로로 긴 글자 중 잘릴 경우 비슷하게 나오는 글자에서 틀리는 경우가 많았다.
> 참고