تطبيق تعلم الحروف الهجائية العربية للأطفال في مرحلة الطفولة المبكرة على أساس التعلم العميق

الباحث

مازن علي فاضل عبدالله

المشرف

يسرى فيصل محمد

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / علوم الحاسوب

الشهادة

ماجستير

السنة

2023

لغة الرسالة

انكليزي

الكلمات المفتاحية

Arabic Alphabet ; Early Childhood ; Deep Learning ; Speech Recognition

تنمية الطفولة المبكرة تشمل العديد من المجالات والعوامل مثل التنمية الجسدية والاجتماعية واللغوية والمعرفية. العوامل المعرفية مهمة GY معظم التعلم يتضمن التفكير والتذكر. يعد تطوير عامل اللغة مهما أيضًا لأنه يساعد الأطفال على التواصل مع بيئتهم والتفاعل بشكل جيد. ويالتالي، يجب أن يتلقى الأطفال التحفيز الكافي oll نموهم وتطورهم. نظرًا GY التطور اللغوي والمعرفي في مرحلة الطفولة المبكرة يتطلب التفكير المجردء يمكن تصميم وتطوير وسيلة مهمة لتحفيز ذلك. لذلك، تم تصميم تطبيق لتعليم اللغة العربية لمرحلة الطفولة المبكرة من خلال تطبيق كمبيوتر باستخدام خوارزميات التعلم العميق عن طريق لغة ,Python وواجهات رسومية تفاعلية للنظام عن طريق لغة © Visual Studio #. هذا التطبيق موجه لرياض الأطفال وخاصة تلك التي تستخدم التكنولوجيا الحديثة لتعليم الأطفال في سن الخامسة (163). تركز هذه الرسالة على التعرف التلقائي على الكلام العربي، المعروف أيضًا باسم Gg yall) AASR الهجائية العربية)، بالإضافة إلى التعرف على خط اليد للحروف العربية والإنجليزية بالإضافة إلى الأرقام العربية والإنجليزية. لغرض استخراج ميزات الصوتء يتم استخدام خوارزمية ميل الطيفي وخوارزمية ~MFCC يعد تعلم الميزات الجديدة وتصنيف البيانات من أهم تطبيقات الشبكة العصبية التلافيفية (CNN) تعمل CNN على تحسين أدائها في التعرف التلقائي على الكلام (ASR) بالإضافة إلى cells يمكنها أيضًا تحسين أدائها في التعرف تلقائيًا على الحروف والأرقام المكتوبة بخط اليد. بعد ضبط نموذج CNN من خلال خطواتها باستخدام مجموعة نطق عربية Gy all العربية، تم إجراء بعض التعديلات على مجموعة البيانات بإضافة بعض الضوضاء وتحويل الصوت للأمام وللخلف مع الوقت. Lad للتقاريرء كان مستوى الدقة الذي يمكن تحقيقه باستخدام خوارزمية Mel-spectrogram أعلى Gusi من مستوى الدقة في حالة استخدام MFCC كمستخرج صفاتء Gus حقق (786.5/ 5 £84.63 على التوالي) عند اختباره بأصوات الأبجدية العربية. أما بالنسبة للتعرف التلقائي على خط اليد فقد تم إجراء بعض التعديلات عليها من خلال تدوير الشكل في اتجاه عقارب الساعة وعكس اتجاه عقارب الساعة وتصغير وتزحيف ،JSAM وهناك بعض التحسينات التي سيتم ذكرها بالتفصيل في الفصل الثالث. يتم تحديد الدقة باستخدام نفس نموذج CNN المستخدم في تصنيف الأصواتء بدقة 92.05/ عند اختبارها بأحرف عربية مكتوبة call Las ودقة بنسبة 99.6/ عند اختبارها بأرقام عربية مكتوية بخط اليد من مجموعة بيانات عبر الانترنت، ودقة بنسبة 100/ عند اختبارها بأرقام عربية مكتوية بخط اليد ايضا لكن (تم جمعها عن Gob الجهد الشخصي). ويمعدل دقة 94.67/ عند الاختبار بأحرف إنجليزية كبيرة مكتوية بخط اليدء ودقة 92.18/ عند اختبارها بأحرف إنجليزية صغيرة مكتوية بخط اليدء ودقة تبلغ 99.53/ عند اختبارها بأرقام إنجليزية مكتوية بخط اليد. حيث تم اختيار أعلى النتائج في جميع التجارب.

Early childhood development includes several areas such as physical, social, linguistic, and cognitive. Cognitive factors are important since most learning involves thinking and remembering. Language development is also important because it helps children communicate with their environment and interact well. Thus, children should receive adequate stimulation while growing and developing. Because early childhood cognitive and language development requires abstract thinking, an interesting medium can stimulate it. Therefore, an application was designed to teach Arabic to early childhood learners, through a computer application using deep learning algorithms and system interfaces using Visual Studio C#. This application is directed to kindergartens, especially those that use modern technology to educate children aged five (KG3). This thesis focuses on the automatic recognition of Arabic speech, also known as Arabic Automatic Speech Recognition AASR, as well as the handwriting recognition of Arabic and English letters, in addition to Arabic and English numbers. For the purpose of extracting the features of the sound, the Mel-spectrogram algorithm and Mel-Frequency Cepstral Coefficient MFCC algorithm are used. Learning new features and classifying data are some of the most important applications of a convolutional neural network (CNN). CNN is improving its performance in Automatic Speech Recognition (ASR). In addition, it can also improve its performance in automatically recognizing handwriting letters and numbers. After setting the CNN model through its steps using an Arabic alphabet's pronunciation, some modifications were made to the dataset by adding some noise and shifting the sound back and forth in time. According to the reports, the level of accuracy that can be achieved using the CNN Mel-spectrogram algorithm was relatively higher than the level of accuracy in the case of using MFCC as a feature extractor, it achieved (86.5% and 84.63%, respectively) when tested with Arabic alphabet sounds. As for the automatic handwriting recognition, some modifications were made to it by rotating the shape clockwise and anticlockwise and minimizing the shape, and there are some enhancements that will be mentioned in detail in the third

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