AI Summary & Key Takeaways
AI InsightExperimental results indicated that the YOLOv8m model exhibited success in card detection with a 99.5% mAP score.
📌 3 Key Takeaways
Abstract
With the acceleration of digital transformation in the service sector, remote customer acquisition and identity verification processes have become the cornerstone of secure ecosystems. Particularly in internet-based services, image distortions, perspective errors, and variable lighting conditions encountered during the transfer of physical documents to the digital environment are the most significant factors complicating data extraction. In this study, a deep learning-based end-to-end architecture is proposed that enables fast, secure, and high-accuracy information extraction from Turkish Republic Identity Cards. In the proposed system, while CURL is used to enhance image quality, a YOLOv8m-based instance segmentation model is preferred for detecting the boundaries of the card. For the determination of card orientation and perspective correction, a novel hybrid approach has been developed that analyzes the cosine distance between face biometrics obtained via RetinaFace and the segmentation mask. This structure, in which PAN for text detection and Transformer-based TrOCR models for character recognition are integrated, was tested on a unique dataset augmented with the CLoDSA library. Experimental results indicated that the YOLOv8m model exhibited success in card detection with a 99.5% mAP score. Our proposed model demonstrates that it offers an efficient solution for digital identity verification processes with an overall accuracy rate of 92.6%.
Özet
Hizmet sektöründeki dijital dönüşümün hız kazanmasıyla birlikte, uzaktan müşteri edinimi ve kimlik doğrulama süreçleri, güvenli ekosistemlerin temel yapı taşı haline gelmiştir. Özellikle internet tabanlı hizmetlerde, fiziksel belgelerin dijital ortama aktarılması sırasında karşılaşılan görüntü bozulmaları, perspektif hataları ve değişken aydınlatma koşulları, veri çıkarımını zorlaştıran en önemli faktörlerdir. Bu çalışmada, Türkiye Cumhuriyeti Kimlik Kartları üzerinden hızlı, güvenli ve yüksek doğrulukla bilgi çıkarımını sağlayan, derin öğrenme tabanlı uçtan uca bir mimari önerilmiştir. Önerilen sistemde; görüntü kalitesini artırmak için CURL kullanılırken, kartın sınırlarının tespiti için YOLOv8m tabanlı bir instance segmentation modeli tercih edilmiştir. Kartın oryantasyonunun belirlenmesi ve perspektif düzeltmesi aşamasında ise RetinaFace ile elde edilen yüz biyometrisi ve segmentasyon maskesi arasındaki kosinüs uzaklığını analiz eden özgün bir hibrit yaklaşım geliştirilmiştir. Metin tespiti için PAN ve karakter tanıma için Transformer tabanlı TrOCR modellerinin entegre edildiği bu yapı, CLoDSA kütüphanesi ile çeşitlendirilen özgün bir veri kümesi üzerinde test edilmiştir. Deneysel sonuçlar, YOLOv8m modelinin %99.5 mAP skoru ile kart tespitinde başarı sergilediği gözlemlenmiştir. Önerilen modelimiz %92.6’lık genel doğruluk oranı ile dijital kimlik doğrulama süreçleri için verimli bir çözüm sunduğunu ortaya koymaktadır.