Wyniki wyszukiwania - BazTech

1

Utilizing artificial intelligence for text segmentation from images

Abdullah Majid H., Biševac Petar, Ivković Ratko, Spalević Petar, Milosavljević Srðan

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 2

255--258

EN

he paper presents a deep learning-based approach for text segmentation from images, utilizing a combination of a Fully Convolutional Network (FCN) and a Recurrent Neural Network (RNN). The algorithm achieves high accuracy in identifying and separating text regions from nontext regions, performing well with diverse text styles, fonts, backgrounds, and various languages. It outperforms state-of-the-art methods and proves to be a robust and versatile solution applicable to OCR and document analysis tasks.

PL

Artykuł przedstawia podejście oparte na głębokim uczeniu się do segmentacji tekstu na obrazach, wykorzystując połączenie Sieci W pełni splotowej (FCN) i Sieci Neuronowej Rekurencyjnej (RNN). Algorytm osiąga wysoką dokładność w identyfikacji i separacji obszarów tekstu od obszarów bez tekstu, sprawdzając się dobrze z różnymi stylami tekstu, czcionkami, tłami i różnymi językami. Przewyższa metody najnowszej generacji i okazuje się być solidnym i wszechstronnym rozwiązaniem zastosowalnym w zadaniach OCR i analizie dokumentów.

2

Optimization of the polynomial fifth-order interpolation 1P kernel in the time domain

Milivojević Zoran, Ivković Ratko, Prlinčević Bojan, Kostić Dijana

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 10

79--83

EN

In the first part of this paper, the fifth-order polynomial interpolation convolution one-parameter kernel, is presented. After that, optimization of the interpolation kernel in the time domain was performed. The optimization criterion was the minimization of the interpolation error. The minimization of the error was realized by choosing the optimal value of the kernel parameter αopt. Verification of the correctness of the selection of the opt, by experiment was performed. First, test functions with a complex time shape were created. After that, the test functions were interpolated using interpolation kernels with some analysed kernel parameters. Interpolation errors are shown using MSE. Finally, by applying a comparative analysis, the verification of the choice of the optimal kernel parameter αopt was carried out.

PL

W pierwszej części artykułu zaprezentowano jednoparametrowe jądro splotu interpolacji wielomianowej piątego stopnia. Następnie przeprowadzono optymalizację jądra interpolacyjnego w dziedzinie czasu. Kryterium optymalizacji stanowiła minimalizacja błędu interpolacji. Minimalizację błędu realizowano poprzez dobór optymalnej wartości parametru jądra αopt. Weryfikację poprawności wyboru opt przeprowadzono metodą eksperymentalną. W pierwszej kolejności utworzono funkcje testowe o złożonym kształcie czasu. Następnie funkcje testowe interpolowano za pomocą jąder interpolacyjnych z niektórymi analizowanymi parametrami jądra. Błędy interpolacji są pokazywane za pomocą MSE. Na koniec, stosując analizę porównawczą, przeprowadzono weryfikację wyboru optymalnego parametru jądra αopt.

3

Classification of e-waste types using machine learning and digital image processing

Ivković Ratko, Petrović Mile, Spalević Petar, Milivojević Zoran

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 9

282--286

EN

This paper explores the application of deep learning and computer vision techniques for automated classification and detection of electronic waste (e-waste). A system based on convolutional neural networks (CNN) and faster R-CNN is developed for analyzing e-waste images and extracting information about equipment type and dimensions. The experiment is conducted on a dataset of 500 real-world images of three key e-waste categories – refrigerators, kitchen stoves and TVs. Results demonstrate high classification accuracy of 92% using CNN and 91% detection accuracy with R-CNN. The obtained data enables more precise waste collection planning. The main conclusion is that deep learning holds great potential for improving e-waste management systems.

PL

Artykuł ten bada zastosowanie technik głębokiego uczenia i widzenia komputerowego do automatycznej klasyfikacji i detekcji elektronicznych odpadów (e-odpadów). Opracowany zostaje system oparty na splotowych sieciach neuronowych (CNN) i szybszym R-CNN do analizy obrazów e-odpadów oraz wydobycia informacji o typie i wymiarach sprzętu. Eksperyment przeprowadzony jest na zbiorze danych 500 realnych obrazów trzech kluczowych kategorii e-odpadów – lodówek, kuchenek kuchennych i telewizorów. Wyniki wykazują wysoką dokładność klasyfikacji na poziomie 92% przy użyciu CNN oraz dokładność detekcji na poziomie 91% przy użyciu R-CNN. Uzyskane dane umożliwiają bardziej precyzyjne planowanie zbierania odpadów. Głównym wnioskiem jest, że głębokie uczenie ma duży potencjał do poprawy systemów zarządzania e odpadami.