ΛΌГOΣ.ONLINE (2020)
Технічні науки та інформаційні технології

ДОСЛІДЖЕННЯ ТА РОЗРОБКА СИСТЕМИ РОЗПІЗНАВАННЯ ТЕКСТУ

Олексій Денисенко
ФОП Денисенко
Про автора
Дата публікації липень 22, 2020
Ключові слова
  • машинне навчання, глибоке навчання, згорткові нейронні мережі, автоматичне розпізнавання номерів, обробка зображень, бінаризація, сегментація.
Як цитувати
Денисенко, О. (2020). ДОСЛІДЖЕННЯ ТА РОЗРОБКА СИСТЕМИ РОЗПІЗНАВАННЯ ТЕКСТУ. ΛΌГOΣ. ОНЛАЙН. https://doi.org/10.36074/2663-4139.11.04

Анотація

DOI 10.36074/2663-4139.11.04

У статті розглядається технологія створення систем розпізнавання символів (за допомогою згорткових нейронних мереж) на зображенні. В наші дні існує багато підходів до вирішення цієї проблеми, і більшість з них неефективні для зображень, символи яких розташовані на складному тлі та вразливі до перешкод шуму, спорідненості та проекції. Запропонована методика складається з наступних етапів: попередня обробка зображення, сегментація тексту та розпізнавання за допомогою згорткових нейронних мереж. Під час досліджень було проведено ряд експериментів, а саме: експеримент з вибору найбільш підходящого методу бінаризації цифрових зображень, експеримент з вибору найбільш ефективної конвелюальної нейромережевої топології форми розпізнавання тексту. В результаті проведених експериментів методика, що застосовується для розпізнавання номерів автомобілів, демонструє високу надійність та точність, в тому числі в умовах низької освітленості, тому розроблений метод розпізнавання може бути рекомендований для комерційного використання. Додаткового було запропоновано кілька підходів щодо вдосконалення цієї методики.

 
Переглядів: 8

Завантаження

Дані завантаження ще не доступні.

Посилання

  1. Yang, Y. & Yan, Н. (2010). An adaptive logical method for binarization of degraded document images. Pattern Recognition, (33), 787-807.
  2. Gonzalez, R. & Woods, R. (2018). Digital Image Processing (4th edition). London: Pearson Education.
  3. Sauvola, J. & Pietikainen, M. (2000). Adaptive document image binarization. Pattern Recognition, 2(33), 225-236.
  4. Kim, K.K., Kim, K, Kim, J. & Kim, H.J. (2000). Learning-based approach for license plate recognition. Proceedings of the IEEE Signal Processing Society Workshop, (2), 614-623.
  5. Du, S., Ibrahim, M., Shehata, M. & Badawy, W. (2013). Automatic license plate recognition (alpr): A state-of-the-art review. IEEE Trans. Circuits and Syst. for Video Technol, 2(23), 311-325.
  6. Kresch, R. & Malah, D. (1998) Skeleton-based morphological coding of binary images. IEEE Transactions on Image Processing, 7(10), 1387-1394.
  7. Recognition of license plates: “Auto-Inspector” - Test Leader. Retrieved from https://www.adron-perm.ru/test_leader/.
  8. Sermanet, P., Eigen, D., Zhang, X., Mathieu, M., Fergus, R., & LeCun, Y. (2013). Overfeat: Integrated recognition, localization and detection using convolutional networks. arXiv preprint arXiv:1312.6229.
  9. Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence, 39(12), 2481-2495. DOI: https://doi.org/10.1109/TPAMI.2016.2644615.
  10. Денисенко, А.А. (2020). Исследование и разработка системы распознавания текста на изображении. Международный журнал прикладных и фундаментальных исследований, (5), 87-91. DOI: https://doi.org/10.17513/mjpfi.13075.