توضیحات
در این مجموعه ی آموزشی به بررسی انواع روش های تشخیص حروف پرداخته و همچنین برخی از این روش ها را پیاده سازی خواهیم کرد.
جلسه اول را با اشاره ای به تاریخچه و اصطلاحات پایه ای ocr شروع خواهیم کرد.
سپس در جلسه بعدی به بررسی انواع روش های تشخیص متن پرداخته و با ارائه روش هایی جهت استخراج ویژگی برای دسته بندی حروف این جلسه را به پایان خواهیم رساند.
در جلسه سوم به بررسی اولین روش پیاده سازی شده در این مجموعه آموزشی می پردازیم که به آن روش template matching اطلاق می شود. و دلیل استفاده از این روش ساده گی پیاده سازی و قابل فهم بودن آن می باشد تا با دید گرفتن از هدف اصلی آموزش بتوانیم روش های دیگر را پیاده سازی کنیم. همان طور که خواهید دید ما برای افزایش سرعت اجرای برنامه در این روش، مختصری از تکنیک های آماری و ساختاری نیز استفاده خواهیم نمود.
در جلسه چهارم به آشنایی با مبانی یکی از مهمترین بخش های هوش مصنوعی، یعنی شبکه های عصبی خواهیم پرداخت که یکی از بهترین روش های موجود در پیاده سازی ocr می باشد.
شبکه عصبی روش خام تلاش انسانها جهت شبیه سازی الکترونیکی مغز است. که البته تا حدودی توانسته اند به این مقصود برسند.
به دلیل اهمیت شبکه عصبی ، ما آشنایی با مبانی آن را در جلسه ای جداگانه می آوریم، و در این جلسه بعد از آوردن مقدمه و تاریخچه ای از شبکه های عصبی، دلایل و مزیت های شبکه های عصبی تشریح شده، سپس اجزای یک شبکه و معماری آن مورد بررسی قرار خواهیم داد. در ادامه به بحت یادگیری شبکه های عصبی خواهیم پرداخت و با بیان کاربردهای وسیع شبکه های عصبی در زمینه های مختلف این جلسه را به پایان می رسانیم.
و در نهایت در جلسه آخر به مبانی پیاده سازی شبکه های عصبی با متلب می پردازیم و انواع توابعی که برای ایجاد شبکه در متلب وجود دارد را آورده و از این بین به پیاده سازی شبکه خود با سه عدد از این توابع رضایت میدهیم. در همین جلسه به نحوه ی آموزش شبکه و تست آن نیز خواهیم پرداخت. و به پیاده سازی شبکه برای تشخیص حروف با سه شبکه های عصبی MLP، RBE و PNN می پردازیم.
در ادامه ی این فصل با آزمایشات مختلف عملکرد هر یک از شبکه های فوق را مورد بررسی قرار میدهیم و با ایجاد جدول درستی و جدول سردرگمی هر یک از شبکه ها را مورد ارزیابی قرار میدهیم و در نهایت با ایجاد جدول مقایسه، به مقایسه این سه شبکه پرداخته شده است.
امیدواریم آموزش در پیش گرفته مورد توجه دوستان قرار بگیرد.
جلسه اول را با اشاره ای به تاریخچه و اصطلاحات پایه ای ocr شروع می کنیم.
در این جلسه می خوانید:
1٫1 مقدمه
2٫1 تاریخچه
3٫1 اصطلاحات پایه ای
1٫3٫2 OMR
ICR 2٫3٫1
OCR 3٫3٫1
قالب فایل:PDF
تعداد صفحات:9
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
chapter1.rar [398.92 کیلوبایت] ( تعداد دانلود: 1323)
——————————————————————
تشخیص دستخط یکی از مقوله های مورد توجه بشر در علم کامپیوتر است. تاکنون روش های متعددی برای تشخیص دست خط در زبانهای مختلف مطرح گردیده که در آنها از تکنیک های متنوع بسیاری همانند شبکه های عصبی، روشهای آماری، روشهای ساختاری و غیره جهت تشخیص استفاده شده است. این تکنیک ها جهت استفاده نیازمند پیش پردازش هایی هستند تا داده های مورد نیاز خود را برای پردازش اصلی بدست آورند.
در این مقاله روش هایی را برای استخراج ویژگیهای حروف جهت دسته بندی آنها بیان می کنیم. از این دسته بندیها می توان در تشخیص حروف دستنویس فارسی استفاده کرد. برای این منظور ابتدا به بیان ویژگی های مورد استفاده می پردازیم. سپس تکنیک هایی را جهت استخراج این ویژگیها ارائه می دهیم. و در ادامه با ترکیب این ویژگیها با یکدیگر، حروف را دسته بندی می کنیم. این دسته بندیها میتوانند در آینده در کنار تکنیکهای دیگر جهت تسریع فرآیند تشخیص حروف دستنویس به کار گرفته شوند.
برگرفته از مقاله ای با مضمون”روشهایی جهت دسته بندی حروف برای تشخیص دست خط فارسی با استفاده از استخراج ویژگی ها” از مریم خادمی1، آیدا فراهانی2، علیرضا نیکوکار 3
1 استادیار دانشگاه آزاد اسلامی – واحد تهران جنوب
2 دانشجوی کارشناسی ارشد مکاترونیک – دانشگاه خواجه نصیرالدین طوسی
3 دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه آزاد اسلامی – تهران علوم و تحقیقات
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
chapter2.rar [361.04
—————————-
موضوع جلسه سوم: تشخیص حروف کتابی به روش template matching
مقدمه
همان طور که گفته شد در روش Template Matching تعدادی template از کاراکترها یا کلمات از قبل حاضر شده است . عکس های قطعه قطعه شده با این template ها مقایسه می شود و با توجه به شباهت برنده انتخاب می شود .
مراحل کار
همان طور که می دانید زبان فارسی شامل 32 حرف اصلی می باشد که به قرار زیر می باشند.
الف، ب، پ، ت، ث، ج، چ، ح، خ، د، ذ، ر، ز، ژ، س، ش، ص، ض، ط، ظ، ع، غ، ف، ق، ک، گ، ل، م، ن، و، ه، ی
از آنجایی که قرار است این حروف از روی تصویر دیجیتال شده آنها تشخیص داده شود ابتدا تصاویری از آنها تهیه می کنیم. برای این کار ما حروف را در محیط Microsoft office word با فرمت B nazanin به طور جداگانه تایپ کرده و از هر یک با نرم افزار snagit81 (این نرم افزار در قسمت نرم افزارهای سایت موجود می باشد) تصویر تهیه و با فرمت jpg در ابعاد 320در320 در پوشه ای واحد ذخیره نمودیم.
تصاویر حروف با دو فونت bnazanin و arial با فرمت.jpg ، در ابعاد 320*320 به همراه این فایل آموزشی پیوست می باشد.
الگوریتم برنامه به این صورت می باشد که تصویر را دریافت و با تمام تصاویر موجود در پوشه مورد نظر مقایسه می کند. سپس تصویری که بیشترین شباهت را به تصویر ورودی داشت به عنوان برنده انتخاب می شود.
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
1٫2 ملاحضات لازم جهت پیاده سازی این الگوریتم
تمامی تصاویر باید بعد از ورود به نرم افزار به باینری تبدیل شوند.
تصاویر باید بدون نویز باشند.
اندازه ی دو تصاویری که با هم مقایسه می شوند باید برابر باشند، و در صورتی که برابر نبودند باید با دستورات مربوطه به یک سایز تغییر پیدا کنند.
تشریح الگوریتم برنامه
ما ابتدا از اولین ویژگی که در فصل دوم به آن اشاره شد استفاده کردیم همان طور که در این فصل گفته شد بیشتر حروف فارسی دارای بیش از یک بخش هستند که شامل نقطه، سرکج و … می باشند. این ویژگی کمک شایانی به تفکیک حروف از یکدیگر می کند، مخصوصاً برای آن دسته از حروف با بدنه اصلی مشابه که دارای بخش(های) اضافی متفاوت در شکل طبیعیشان هستند
بداین منظور ما حروف را به چهار بخش زیر تقسیم بندی کرده و تصاویر هر یک را در دسته مربوطه ذخیره نمودیم.
ادامه مقاله در فایل PDF
سورس متلب بعلاوه تصاویر و دیتابیس نیز ضمیمه ی فایل می باشد، کافیست فایل ها را در قسمت مشخص شده کپی کنید و سپس برنامه را مطابق دستورالعمل مقاله اجرا و نتیجه را مشاهده کنید.
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
azsoft.ir
09367292276
azsoftir@gmail.com
azsoft.ir
chapter3.rar [2.01 مگابایت] ( تعداد دانلود: 2157)
———————–
مقدمه ای بر شبکه های عصبی
مقدمه
جستجو برای هوش مصنوعی) ماشین ( یا سیستم هایی با رفتار انسانی چالشی فرا روی محققان شاخه های مختلف بوده است . بحث هایی بر روی تعریف یک سیستم هوشمند وجود دارد اما تنها سیستمی که به عنوان هوشمند مورد توجه قرار می گیرد ، مغز انسان است و اینجاست که یک ایده ی مهندسی معکوس مطرح می شود . چرا بایستی چیزهایی را که هم اکنون وجود دارند، اختراع کنیم . در میانه های قرن بیستم ، ایده ای برای شبیه سازی مغز انسان از طریق طراحی پایین به بالای سیستم با شروع از نرون1های به هم متصل و رسیدن به شبکه هایی که اعمال اصلی سیستم عصبی انسان را شبیه سازی می کنند ، مطرح شد.
با گذر زمان ، شبکه های عصبی2 خودشان را به عنوان مدل محاسباتی مورد استفاده مطرح کردند. شبکه های عصبی معمولا در انجام وظایف کامپیوتر های عام ) عملیات با اعداد ، اعمال منطقی و (… نادقیق هستند ، اما در زمینه هایی که کامپیوتر ها در آنجا به مشکل بر می خورند ، کارآیی بیشتری دارند مانند زمینه هایی که الگوریتم مشخصی وجود ندارد مانند پیش بینی ، تشخیص چهره و … .
یک شبکه عصبی مصنوعی چیست؟
یک شبکه عصبی مصنوعی (ANN3) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده (neurons) که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها، نظیر انسانها، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.
اگر چه مکانیسم های دقیق کارکرد مغز انسان (یا حتی جانوران) به طور کامل شناخته شده نیست، اما با این وجود جنبه های شناخته شده ای نیز وجود دارند
تلگرام
ایتا
