Update README.md

README.md

@@ -9,7 +9,7 @@
 1. 데이터 수집
 2. 데이터 라벨링
 3. 데이터 가공
-4. 프로그램 작성
+4. 모델 
 5. 학습
 6. 테스트
 7. 결론
@@ -34,7 +34,87 @@ selenium 라이브러리를 통해서 수강신청 홈페이지에 17분마다 
 
 파이썬 기본 GUI 라이브러리인 tkinter를 이용하여  
 폴더 내부의 사진을 하나씩 띄워주고 입력창에 보안 코드를 작성 후 엔터를 치면  
-해당 사진의 파일 이름을 보안코드로 바꿔주는 프로그램 작성 후 사용  
+해당 사진의 파일 이름을 입력한 보안코드로 바꿔주는 프로그램 작성 후 사용  
+
+## 3. 데이터 가공
+
+![frame2](https://user-images.githubusercontent.com/74360958/148836497-6961a5c0-bff8-40fa-9d35-a8e95aaa8b1f.png)
+
+다음과 같이 샘플에서 적절한 frame 너비와 위치를 계산한다
+
+- frame_size: 28px x 40px
+- start_padding : 5px
+- between_padding : 8px
+
+그 후 opencv를 이용하여 grayscale로 로드 후 각 이미지를 frame에 맞게 자른다.
+
+![2_0](https://user-images.githubusercontent.com/74360958/148837068-4d96407a-6e93-4037-8e29-15bbc0c8ee64.png)
+![5_29](https://user-images.githubusercontent.com/74360958/148837098-b7dbf392-223d-4003-ab3a-b8eeeefd0159.png)
+![k_134](https://user-images.githubusercontent.com/74360958/148837125-a40fb673-e427-47bc-b383-b6bf705a18c2.png)
+
+<img width="427" alt="화면 캡처 2022-01-11 060119" src="https://user-images.githubusercontent.com/74360958/148838844-c63c5fc2-ce3d-497b-9a52-b4f5505689b6.png">
+
+나뉘어진 data를 구글 드라이브에 업로드 후 colab에서 불러와 Nomalization한다.
+
+![p_6153](https://user-images.githubusercontent.com/74360958/148838045-fc1fcfa3-6e59-46e9-a5d3-40b9e9178437.png)
+![148837559-dd89375b-f4fa-4bde-b676-a69c0339ff21](https://user-images.githubusercontent.com/74360958/148838379-854941d3-3378-4c95-aee4-8a10eab51b6e.png)
+
+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)
+```
+
+6. 테스트
+
+이후 unlabeled test set에 대해서 test를 진행해보았다.
+
+- 글자 1개에 대한 테스트
+
+
+<img width="415" alt="image" src="https://user-images.githubusercontent.com/74360958/148839373-f40d9141-c254-4d90-84ec-d30016d6799c.png">
+
+b를 정상적으로 b로 출력하고 있다.
+
+- 전체 글자에 대한 테스트
+
+![download](https://user-images.githubusercontent.com/74360958/148839662-c5e14c7b-813f-4ec1-9261-0addcd8cd18e.png)
+
+ma5c라 적힌 이미지를 gray scale로 불러온 모습
+
+![download](https://user-images.githubusercontent.com/74360958/148839707-855ed582-a941-4a99-b642-cf3dd716dae0.png)
+
+opencv의 adaptiveThreshold 함수를 이용해 후처리 한 모습
+
+<img width="498" alt="image" src="https://user-images.githubusercontent.com/74360958/148839800-f272cd1e-946b-4e4d-aef2-fa61c93f8239.png">
+
+결과값으로 ma5c로 예측하는 모습이 보인다.
 
 > 참고