تکنیک شبکه ی عصبی پرسپترون چند لایه (MLP) برای شناخت کاراکترهای Gurmukhi از روی دستخط به صورت آفلاین

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تکنیک شبکه ی عصبی پرسپترون چند لایه (MLP) برای شناخت کاراکترهای Gurmukhi از روی دستخط به صورت آفلاین

عنوان لاتین

Multi-Layer Perceptron (MLP) Neural Network Technique for Offline Handwritten Gurmukhi Character Recognition

محققان بینایی ماشین، با هدف دیجیتالی کردن مدارک و کاهش هزینه ی داده های ورودی بدون خطا، در حال حاضر بر روی شناسایی دست نوشته ها یا متون چاپ شده از اسکن تصاویر کار می کنند. مشکل کلاسیک بودن (باستانی بودن) به درستی قادر به تشخیص پیچیدگی زبان نمادها و تشخیص بی نظمی در بین نمایش تصاویر کاراکترها، به دلیل متنوع بودن سبک نوشتار و اندازه ی نمادها و غیره، است. فرآیند تشخیص کاراکتر به این بستگی دارد که چگونه داده های ورودی به سیستم داده می شود. ممکن است داده های ورودی به صورت داده های آنلاین و داده های آفلاین دسته بندی شوند. هر دو فرم از داده های ورودی مسائل مربوط به خود را دارند. در این مقاله ما بر روی شناخت آفلاین کارکتر Gurmukhi از متن تصویر متمرکز می شویم. پیچیدگی های زیادی در رابطه با خط Gurmukhi وجود دارد. در این مقاله، ما یک تکنیک بر اساس مدل شبکه ی عصبی پرسپترون چند لایه (MLP) ارائه می دهیم. در اینجا، ما به طور جداگانه کاراکترهای خط Gurmukhi را به رسمیت می شناسیم. MLP به این دلیل استفاده می شود که از چهار قانون کلی استفاده می کند و به راحتی در تعداد کمتری از تکرار آموزش داده می شود. روش پیشنهادی این مقاله شناسایی نمادهای گرافیکی با استفاده از تشخیص خطوط و کاراکترهای تصاویر است. پس از آن ، این نمادها توسط آموزش شبکه با استفاده از توپولوژی پیش خور (پیش رو) برای یک مجموعه از کاراکترهای Unicode مورد نظر، تجزیه و تحلیل می شود. ما برای تشخیص نمادها با استفاده از شبکه ی عصبی MLP ، به یک نرخ عملکرد از سیستم پیشنهادی حداکثر تا بالای 98.96% دست پیدا می کنیم.

Machine vision researchers are working on the area of recognition of handwritten or printed text from scanned images for the purpose of digitizing documents and for reducing the errorless data entry cost. The classic difficulty of being able to correctly recognize language symbols is the complexity and the irregularity among the pictorial representation of characters due to variation in writing styles, size of symbols etc. Character recognition process depends on, how the input data is given to the system. Input data may be categorized as Online data or Offline data. Both the forms of data input have their own issues. In this paper, we are focusing on the Offline Gurmukhi character recognition from text image. There are lot of complexities associated with Gurmukhi Script. In this paper, we present a technique based on Multi Layer Perceptron (MLP) Neural Network model. Here we consider isolated handwritten Gurmukhi characters for recognition. MLP is used because it uses generalized delta learning rules and easily gets trained in less number of iterations. The proposed method in this paper detect graphical symbols by identifying lines and characters from the image. After that it analyzes the symbols by training the network using feed forward topology for a set of desired unicode characters. We achieve the performance rate of proposed system maximum up to 98.96% for recognition of symbols by using MLP neural network.