Efektywność sztucznych sieci neuronowych w rozpoznawaniu znaków pisma odręcznego

• Autorzy: Miłosz Marek , Gazda Janusz

Warianty tytułu

EN

Effectiveness of artificial neural networks in recognising handwriting characters

• Języki publikacji: PL

Abstrakty

PL

Sztuczne sieci neuronowe są jednym z narzędzi współczesnych systemów odtwarzania z obrazów tekstów, w tym pisanych odręcznie. W artykule przedstawiono rezultaty eksperymentu obliczeniowego mającego na celu analizę jakości rozpoznawania cyfr pisanych odręcznie przez dwie sztuczne sieci neuronowe (SSN) o różnej architekturze i parametrach. Jako podstawowe kryterium jakości rozpoznawania znaków użyto wskaźnika poprawności. Poza tym analizie poddano liczbę neuronów i ich warstw oraz czas uczenia SSN. Do stworzenia SSN, oprogramowania algorytmów ich uczenia i testowania wykorzystano język Python i bibliotekę TensorFlow. Obydwie SSN uczono i testowano przy pomocy tych samych dużych zbiorów obrazów znaków pisanych odręcznie.

EN

Artificial neural networks are one of the tools of modern text recognising systems from images, including handwritten ones. The article presents the results of a computational experiment aimed at analyzing the quality of recognition of handwritten digits by two artificial neural networks (ANNs) with different architecture and parameters. The correctness indicator was used as the basic criterion for the quality of character recognition. In addition, the number of neurons and their layers and the ANNs learning time were analyzed. The Python language and the TensorFlow library were used to create the ANNs, and software for their learning and testing. Both ANNs were learned and tested using the same big sets of images of handwritten characters.

Słowa kluczowe

PL

rozpoznawanie znaków; pismo odręczne; sztuczne sieci neuronowe

EN

character recognition; handwriting; artificial neural networks

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2018
• Tom: Vol. 7
• Strony: 210--214
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Miłosz Marek

• Politechnika Lubelska, Instytut Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Gazda Janusz

• Politechnika Lubelska, Instytut Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

Bibliografia

• [1] ICR – czy warto skanować pismo odręczne?, http://ocrwdokumentach.pl/icr-rozpoznawanie-pisma-odrecznego/ [2.04.2018]
• [2] S. Anagnoste, Robotic Automation Process - The next major revolution in terms of back office operations improvement, Proceedings of The International Conference on Business Excellence, vol 11(1) (2017), 676-686.
• [3] W. Kacalak, M. Majewski, A New Method for Handwriting Recognition Using Artificial Neural Networks. Intelligent Engineering Systems Through Artificial Neural Networks, 16 (2006), 459-465.
• [4] J. Smołka, M. Skublewska-Paszkowska, E. Łukasik, Algorithm for selecting optimal clustering parameters used for over-segmentation reduction. PRZEGLAD ELEKTROTECHNICZNY, 9, ( 2016), 250-256.
• [5] Z. Gomółka, B. Twaróg, E. Żesławska, Rozpoznawanie pisma odręcznego za pomocą sztucznych sieci neuronowych, Technical News, (2013), 98-102.
• [6] J. Gazda, Zastosowanie sztucznych sieci neuronowych do rozpoznawania tekstu. Praca dyplomowa pod kierunkiem M.Miłosza, Lublin, (2018), 42.
• [7] What is the TensorFlow machine intelligence platform? https://opensource.com/article/17/11/intro-tensorflow [2.04.2018]
• [8] H. F. Shanshan, W. Chao, C. Ying, D. Qingyun, Y. Xinyue, Using the TensorFlow Deep Neural Network to Classify Mainland China Visitor Behaviours in Hong Kong from Check-in Data. ISPRS International Journal of Geo-Information, 7(4) (2018), 1-20.
• [9] J. Hana, I. Y. Yong, Intelligent smart home energy efficiency model using artificial TensorFlow engine. Human-Centric Computing And Information Sciences, 8(1), (2018), 1-18.
• [10] F. Ertam, G. Aydin, Data classification with deep learning using Tensorflow. 2017 International Conference on Computer Science and Engineering (UBMK), (2017), 755-758.
• [11] N. Gavai, Y. Jakhade, S. Tribhuvan, R. Bhattad, MobileNets for flower classification using TensorFlow. 2017 International Conference on Big Data, IoT and Data Science (BID) Big Data, IoT and Data Science, (2017), 154-158.
• [12] W. Fok, Y. He, H. Yeung, K. Law, K. Cheung, YY. Ai, P. Ho, Prediction model for students' future development by deep learning and tensorflow artificial intelligence engine. 4th International Conference on Information Management (ICIM) Information Management (ICIM), (2018), 103-106.
• [13] The MNIST database of handwritten digits. http://yann.lecun.com/exdb/mnist/ [11.01.2018]

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).