نظام كلي للتعرف على خط اليد على أساس الشبكات العصبية الالتفافية

الباحث

آمنة محمد عبد الحميد حسين

المشرف

ميادة فارس غانم

الجامعة

جامعة الموصل

الكلية / القسم

كلية الهندسة / هندسة الحاسوب

الشهادة

ماجستير

السنة

2023

لغة الرسالة

إنجليزي

الكلمات المفتاحية

Handwriting recognition ; Convolutional neural networks ; Deep learning ; Pattern recognition

يعد التعرف على الكتابة اليدوية تطبيمًا Lage في مجال التعرف على الأنماط وله نطاق واسع من الاستخدامات حيث يكون الهدف هو التعرف على الأرقام والحروف الهجائية والكلمات والأحرف الأخرى. تتمثل الفائدة الواضحة لبنيات التعلم العميق مثل الشبكات العصبية التلافيفية ( (CNN في استخراج الميزات تلقائيًا من البيانات بدلاً من الميزات المصممة يدويًا. في هذا ،eel! تم استخدام التعلم العميق المعتمد على شبكة CNN للتعرف على مفردات علوم الكمبيوتر. يعمل النموذج بمثابة قاموس إلكتروني غير متصل بالإنترنت من خلال التعرف على الكلمة المكتوية وتقديم شرح بسيط لها. تم إنشاء النموذج والتحقق من صحته باستخدام مجموعة بيانات مفردات علوم الكمبيوتر المكتوية بخط اليد (HCSVD) والتي تم إنتاجها مسبقًا. تحتوي مجموعة البيانات على المفردات المكتوية بخط اليد المختارة من قاموس علوم وهندسة الحاسوب وتتضمن 27682 صورة ل 500 فصل ،abide شارك 120 طالبًا مختلقًا في كلية الهندسة في جمع البيانات. وقد Gib منهم ملء نموذج معين مطبوع على ورق بحجم 84 يتصمن Cilla ae من مجموعة مفردات محددة مسبقًا. تمت كتابة كل كلمة 60-55 مرة. بعد بناء مجموعة البيانات تم إجراء المعالجة المسبقة. تشتمل مرحلة المعالجة المسبقة على العديد من المراحل التي تساهم في تحسين الصور وجعلها أكثر وضوحًا والتي تشمل تحويل الصورة إلى التدرج الرمادي,التصفية بتباين ممتد وتغيير الحجم إلى الحجم القياسي. تم تقييم نموذج CNN المقترح وتدريبه باس تخدام ثلاثة أدوات تحسين مختلفة: SGD, Adam مع الزخم و 10 أظهرت النتائج أن SGD مع الزخم أعطى أفضل النتائج من حيث الدقة والوقت المستهلك. تم الحصول على أعلى دقة 0.98 بمعدل تعلم 0.001 وحجم دفعة 32 وتقسيم البيانات 80:20. كما أظهر النموذج المقترح أداءً جيدًا من حيث الدقة والوقت مقارنة بنموذج Alexent وهو نموذج CNN الرائد الذي يستخدم في الغالب للمهام التي تتضمن التعرف على الصور وتصنيفها.

Handwriting recognition is a significant application in the field of pattern recognition, and it has a wide range of usages where the goal is the recognition of digits, alphabets, words, and other characters. The clear benefit of deep learning architectures like convolutional neural networks (CNN) is the automatic feature extraction from the data rather than hand-engineered features. In this work, deep learning based on a CNN was employed to perform recognition of computer science vocabulary. The model works as an offline electronic dictionary by recognizing the word that is written and presenting a simple explanation of it. The model is constructed and validated using our previously produced handwritten Computer Science Vocabulary Dataset (HCSVD). The dataset contains the handwritten vocabulary chosen from a dictionary of computer science and engineering and it includes 27682 images for 500 different classes, 120 different students in the College of Engineering participated in the data gathering. They were asked to fill out a certain form printed on A4-sized paper with the terms from a predetermined vocabulary set. Each word has been written 55- 60 times. After building the dataset the preprocessing was done. The preprocessing stage has many phases that contribute to enhancing the images and making them clearer which include converting the image to grayscale, filttering with stretched contrast ,and resizing to the standard size. The proposed CNN model has been evaluated and trained using three different optimizers: Adam, SGD with momentum, and RMSprop. The results showed that SGD with momentum gave the best results in both accuracy and time consumed. The highest accuracy of 0.98 is obtained with a learning rate of 0.001, batch size of 32, and data splitting of 80: 20. The proposed model also showed good performance

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب