Pavienių rašytinių simbolių atpažinimo tyrimas

Abstract

Pavienių rašytinių simbolių atpažinimo tyrimas. Magistro baigiamasis darbas informatikos inžinerijos laipsniui. Vilniaus Gedimino technikos universitetas. Vilnius, 2012, 50 pav., 13 lent., 27 bibl., 4 priedai. Magistro baigiamojo darbo tikslas – ištirti pavienių rašytinių simbolių atpažinimą taikant dirbtinius neuronų tinklus. Tyrimams panaudotas Matlab paketas su Neural Network Toolbox įrankių rinkiniu. Atpažinimui pasirinktas offline metodas, kuriuo simboliai klasifikuojami pagal išskirtus geometrinius požymius. Kiekvienam simboliui išskirta po 115 požymių, tarp kurių simbolio regionų vidutinės vertės, projekcijos, Eulerio skaičius, skeleto perimetras ir skeleto regionų parametrai. Atlikus tyrimus parinktas optimalus dirbtinio perceptronų tinklo dydis: 115 neuronų įvestis, trys 120, 120 ir 80 neuronų dydžio paslėptieji sluoksniai ir 42 neuronų išvestis. Taip pat parinktas atgalinio sklidimo su inercija mokymo algoritmas, tangento sigmoidinės perdavimo funkcijos ir kiti parametrai. Patikros metu įvertintas rašytinių simbolių atpažinimo tikslumas taikant DNT, apmokytus dviem rinkiniais: pirminiu (1890 simbolių) ir praplėstu triukšmu paveiktais simboliais (3780 simbolių). Pirmasis tinklas rašytinius simbolius klasifikuoja 83,1 %, antrasis – 83 % tikslumu. Patikrai panaudotas 1470 simbolių rinkinys. Darbe įvykdyti visi iškelti uždaviniai.

Single handwritten symbol recognition investigation. Master thesis for informatics engineering degree. Vilnius Gediminas technical university. Vilnius, 2012, 50 fig., 13 tab., 27 sour., 4 app. The purpose of Master thesis – investigate single handwritten symbols recognition using artificial neural networks. Research was accomplished using Matlab with Neural Network Toolbox. Offline recognition method was chosen and symbols are classified by extracted geometrical features. Every symbol is described by 115 features such as: region mean values, histograms, Euler number, skeleton perimeter and skeleton region parameters. After investigation optimal neural network size was chosen: 115 neurons input, three 120, 120 and 80 neurons sized hidden layers and 42 neurons output. Also back propagation with momentum learning algorithm, tangent sigmoid activation functions and other parameters were selected. During experiment symbol recognition accuracy was evaluated. Two neural networks were trained with different sets: original (1890 symbols) and extended with noisy symbols (3780 symbols). The first network reached 83.1 %, the second – 83 % handwritten symbols recognition accuracy. All tasks were accomplished successfully.