développement d'un systéme de reconnaissance de chiffres manuscrits
No Thumbnail Available
Date
2021-06
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
universty of elouedجامعة الوادي
Abstract
"
حتى اليوم، يلعب التعرف على الأرقام دورًا مهما في العديد من المجالات مثل مصادقة الشيكات المصرفية، وتبادل ملفات الكمبيوتر عن بُعد والتعرف على علامات الطلاب بعد التصحيح وادخالها في ملف Excel إلخ. يتضمن التعرف على الأرقام المكتوبة بخط اليد تحويل صورة نص مطبوع أو مكتوب بخط اليد إلى ملف رقمي ثم معالجتها بواسطة الكمبيوتر. تم إجراء الكثير من الأبحاث في السنوات الأخيرة لتحسين معدل التعرف. ولكن بالرغم من ذلك مازال هناك العديد من العيوب حيث نجد خطوط غير منتظمة ومتداخلة ومتصلة إلخ.
في نظام التعرف على علامات الطلاب، فإن أهم مرحلة هي فصل الأرقام عن بعضها البعض. ومع ذلك، تظل هذه المرحلة التي تسمى ""التجزئة"" حساسة بسبب التداخل و / أو تجاور رقمين متتاليين. في هذا العمل، تم الجمع بين طريقتين للتجزئة بناءً على الرسم البياني للإسقاط وكشف الحواف. استخدمنا طريقة الإسقاط الرأسي من أجل تحديد أعمدة الصورة لفصل الأرقام المتصلة ، ثم نطبق طريقة اكتشاف الحواف لتحديد حواف الكائنات في الصورة وتقسيم كل كائن إلى صورة صغيرة والتعرف عليها. حيث تمر بمراحل أولاً، تم إجراء معالجة مسبقة لتحويل الصورة إلى صورة ثنائية وتغيير الصورة إلى الأحجام القياسية. ثم مرحلة التجزئة باستخدام طريقة الاسقاط الرأسي واكتشاف الحواف في الصورة، وأخيرًا نقوم بتطبيق خوارزميات التعلم للتعرف على الأرقام الموجودة في الصورة.
لقد أجرينا مجموعة من الاختبارات لمجموعة من خوارزميات التعلم على قاعدة بياناتMnist . لاحظنا أن طريقة CNN فعالة في عملية التعرف، حيث بلغت دقته96% وكانت النتائج التي تم الحصول عليها مقنعة ومرضية للغاية. لذا اخترنا طريقة CNN لتحديد فئة العضوية لكل رقم. تم اختبار النهج المقترح على حالتين من النماذج وأظهرت جميع التجارب التي أجريت نتائج مشجعة للغاية. بالنسبة للنموذج الأول، حصلنا على دقة 95.81% . وللنموذج الثاني حصلنا على دقة 93.94% .
""Jusqu’aujourd’hui, la reconnaissance des chiffres joue un rôle important dans plusieurs
domaines tels que l’authentification de chèques bancaires, l’échange à distance des
fichiers informatiques et la reconnaître des notes des élèves et être saisie dans fichier
Excel . . . etc. La reconnaissance des chiffres manscrit consiste à convertir une image de
texte imprimée ou manuscrit en un fichier numérique, puis les traiter par ordinateur.
Nombreuses recherches ont été faites durant les dernières années afin d’améliorer le taux
de reconnaissance. Mais, malgré ça il reste encore beaucoup d’imperfections où on trouve
des lignes irrégulières et qui se chevauchent et connectées . . . etc.
Pour un système de reconnaissance des notes des étudiants, la phase la plus
importante reside dans la séparation des chiffres les uns des autres. Cette phase appelée
""segmentation"" reste cependant delicate à cause du chevauchement et/ou l’accolement
de deux chiffres consecutifs. Dans ce travail, deux méthodes de segmentation ont
été combinées fondées sur l’histogramme de projection et détection des contours.
Nous avons utilisé la méthode de projection verticale afin de définir les colonnes de
l’image pour séparer les chiffres connectés. Ensuite, nous appliquons la méthode de
détection des contours pour définir les bords des objets dans l’image et segmenter
chaque objet en une petite image et apprends à la connaître. En passant par phases.
Tout d’abord un prétraitement à été effectué pour transformer l’image en image binaire
et changer les images à des tailles standard. Ensuite une phase de segmentation en
utilisé une méthode de projection verticale et de détection de contour sur l’image, et
enfin nous appliquons algorithmes d’apprentissage pour reconnaitre les chiffres de l’image.
Nous avons mené un groupe de tests pour un ensemble d’algorithmes d’apprentissage
automatique et d’apprentissage profondeur sur une base de données Mnist. Nous avons
remarqué que la algorithme CNN est efficace dans le processus de reconnaissance,
atteignant la précision 96 % et les résultats obtenus ont été très convaincants et
satistifiants. Et donc nous avons opté la méthode de réseau neuronal convolutif pour
décider la classe d’appartenance pour chaque chiffre. L’approche proposée à été testée
sur deux cas des modèles et toutes les expériences réalisées ont montré des résultats très
encourageants. Pour le premier Modèle nous avons obtenus 95.81 % et pour le second
Modèle nous obtenus 93.94 % .
"
Description
mémoier master informatique
Keywords
الأرقام المكتوبة بخط اليد ، التجزئة ، تعلم الآلة، التعلم العميق، كشف الحواف، الاسقاط الرأسي ،CNN ., chiffres manuscrits, segmentation, l’apprentissage automatique, L’apprentissage profond, détection de contour, projection verticale, CNN