Пример и принцип работы приложения

• Python 3.7.7
• numpy 1.18.2
• PyQt5 5.14.2
• OpenCV-python 4.2.0.34
• Pandas 1.0.3
• scikit-image 0.17.2
• scikit-learn 0.22.2.post1

Весь список в requirements.txt. Установить одной командой:

pip install -r requirements.txt

• Есть:
  • Обрезка доски по внешнему и затем внутреннему контуру
  • Подготовка ячеек доски к дальнейшему использованию
  • Тренировка и распознавание
  • Алгоритм поиска подсказок
  • Приложение для десктопа
• Нет:
  • Алгоритмы для звёздочки
  • Вывод значений найденных слов

Для начала необходимо собрать фотографии доски с фишками, расставленными по алфавиту следующим образом:

От количества сделанных фотографий будет зависит качество предсказаний модели.

Далее помещаем эти фотографии в одну папку, указываем путь до неё в IMAGES_TO_CUT_PATH и запускаем скрипт. Результат окажется в папке, указанной DATASET_PATH. В CV/scan.py IMG_SIZE настраиват размер фишек для датасета.

Разархивировать датасет в проект. Сейчас используется путь ../ML/dataset. Путь указывается в DATASET_PATH, запускаем и ждём результат(до 3 минут).

Выбор словаря происходит в scrabble_assistant.py DICTIONARY_FILE_PATH Для нарезки словаря на подсловари разных размеров используется функция нарезки prepare_frequency_dictionaries() в preprocessing/dictionary.py В массиве sizes указываются размеры желаемых словарей. Изначальный словарь со всеми существительными лежит в resources/dictionaries/nouns.txt (13877 слов)

В приложении имеются параметры для настройки:

1. _hint_amount - кол-во выводимых подсказок (может быть меньше, но не больше указанного значения)
2. _asterisk_active - включение/выключение возможности выбрать фишку * (звездочка)
3. _console_output - включение/выключение вывода информации в консоль

Для тестирования подготовлен архив. Он расположен в archives/test_images.rar.

Запускаем приложение, загружаем фотографию доски. Выбираем фишки и жмём "Найти". Подсказки будут выведены на изображении игрового поля, рядом с ними указана ценность.