آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,350 |
| تعداد مقالات | 16,527 |
| تعداد مشاهده مقاله | 53,597,626 |
| تعداد دریافت فایل اصل مقاله | 16,064,627 |
نویسه خوانی نوری (OCR) در خط‌های شکسته با استفاده از شبکه‌های تشخیص شیء | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 14 آذر 1403 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.62945.4877 | ||
| نویسندگان | ||
| مجتبی گندم کار* 1؛ سحر خرمی پور2 | ||
| 1دانشگاه صنعتی جندی‌شاپور دزفول، دزفول، ایران. | ||
| 2دانشگاه صنعتی جندی‌شاپور دزفول، دزفول، ایران | ||
| چکیده | ||
| نویسه خوانی نوری (OCR) در خط‌های شکسته، که در آن حروف یک کلمه به هم چسبیده هستند و در جهت‌های افقی و عمودی با هم همپوشانی دارند، با چالش‌های زیادی در هنگام جداسازی نویسه‌های تشخیص داده نشده و تشخیص نویسه‌های جدا نشده روبه‌رو می‌شود. در این مقاله، ما استفاده از مدل‌های تشخیص شیء را برای تشخیص نویسه‌ها در خط‌های شکسته پیشنهاد می‌کنیم. سادگی اجرا و کارایی این روش در شناخت قلم‌های سبک دست‌نویس بررسی خواهد شد. در این پژوهش از شبکه یولو برای جداسازی و طبقه‌بندی نویسه‌های کلمات دلخواه سه حرفی در خط فارسی به عنوان مطالعه موردی استفاده شده است. در ابتدا مجموعه داده مناسب برای شبکه یولو را از قلم‌های فارسی با سبک دست‌نویس مانند مانلی و ایران‌نستعلیلق تولید کردیم. با استفاده از شبکه یولو به دقت بالای 98.5٪ در تشخیص نویسه‌های قلم مانلی و 97.6٪ برای ترکیب کلمات در قلم‌های مانلی و ایران‌نستعلیق دست یافتیم. سپس، آستانه دقت مدل پیشنهادی را با اضافه کردن نویز، تاری و چولگی به نمونه‌ها به چالش کشیدیم. علاوه بر این، ما از یک مدل پرسپترون چند لایه (MLP) برای پیش‌بینی کلمات از نویسه‌های شناسایی شده و مکان‌یابی شده توسط یولو با دقت بیش از 97.7٪ استفاده کردیم. این رویکرد ما را قادر می‌سازد تا بدون استفاده از لغت‌نامه فارسی، کلمات کامل با قلم‌های پیچیده به سبک دست‌نویس را به طور دقیق تشخیص دهیم. | ||
| کلیدواژه‌ها | ||
| نویسه‌خوانی نوری (OCR)؛ تشخیص شیء؛ شبکه یولو؛ شبکه عصبی پرسپترون چند لایه (MLP)؛ خط فارسی؛ قلم‌های سبک دست‌نویس | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 161 |
||