reconhecimento de caracteres manuscritos aplicando redes neurais

RECONHECIMENTO DE CARACTERES RECONHECIMENTO DE CARACTERES MANUSCRITOSMANUSCRITOS

APLICANDO REDES NEURAISAPLICANDO REDES NEURAIS

REDES NEURAIS ARTIFICIAIS RECONHECIMENTO DE CARACTERES

APRESENTAÇÃOAPRESENTAÇÃO

“Engloba três grandes etapas: representação dos dados de entrada e sua mensuração, extração das características e finalmente identificação e classificação do objeto em estudo” (CASTRO E PRADO, 1999, p.3).

RECONHECIMENTO DE PADRÕES (RP)

São concebidas para trabalharem de forma semelhante ao processo de um sistema nervoso, utilizando neurônios artificiais interconectados que efetuam a soma das entradas gerando uma saída (SETÚBAL, SILVA e SCHNEIDER, 2003, p.2).

Consiste na identificação de caracteres alfanuméricos através de diversos métodos de RP (SILVA, 2006).

OBJETIVOSOBJETIVOS

Estudar um sistema que trabalhe no pré-processamento das imagens, capturando textos que possam servir como base no sensoriamento da rede neural, efetuando a identificação do texto escrito.

GERAL

ESPECÍFICOS

realizar estudos sobre os modelos e arquitetura das RNA;

estudar processamento de imagens;

realizar o treinamento da RNA;

identificar os caracteres escritos.

AGENDAAGENDA

INTRODUÇÃO

REDES NEURAIS

RECONHECIMENTO DE CARACTERES MANUSCRITOS

ESTUDO DE CASO

CONSIDERAÇÕES FINAIS E RECOMENDAÇÕES

“Sistemas computacionais, de implementação em hardware e software, que imitam as ‘habilidades computacionais’ do sistema nervoso biológico, utilizando para isso um grande numero de simples neurônios artificiais interconectados” (LOESCH e SARI apud FERNADES, 2003, p.57).

São máquinas concebidas para atuarem de forma similar ao processo de um sistema nervoso. Seus elementos e processamentos são feitos através de neurônios artificiais, interconectados, que calculam a soma das entradas e geram uma saída por meio da aplicação dessa soma a uma função de transferência (SETÚBAL, SILVA e SCHNEIDER, 2003, p.2).

REDES NEURAISREDES NEURAIS

CONCEITOS


HISTÓRICO

Tabela 1 – Histórico das RNA’s

Figura 2 – Primeiro modelo de neurônio artificialFonte - AZEVEDO, BRASIL e OLIVEIRA (2000, p.4)Figura 3 – Modelo genérico de neurônio artificialFonte - VISGRAF (2006)

REDE NEURAL NATURAL versus REDE ARTIFICIAL


Figura 1 – Modelo de neurônio naturalFonte - INSTITUTO SANTA ÚRLUSA (2006)

REDE NEURAL ARTIFICIAL


Figura 4 – Modelo perceptron de neurônioFonte – Adaptado de MEDEIROS (2003, p.3)

Figura 5 – Rede perceptron multicamadaFonte – VISIOGRAF (2006)

Figura 6 – Função de ativaçãoFonte – AZEVEDO, BRASIL e OLIVEIRA (2000, p.74)

Figura 7 – Função de entrada do perceptronFonte – AZEVEDO, BRASIL e OLIVEIRA (2000, p.73)

CONCEITOS HISTÓRICO

RECONHECIMENTO DE CARACTERES MANUSCRITOSRECONHECIMENTO DE CARACTERES MANUSCRITOS

“Consiste em, a partir de características extraídas de um conjunto de caracteres, separá-los em 10 classes, no caso dos algarismos, ou 26 classes, no caso das letras do alfabeto” (SILVA, 2006).

CLASSIFICAÇÃO

Figura 8 – Classificação do reconhecimento de caracteresFonte – SILVA e THOMÉ (2003, p.2)

Tabela 2 – Histórico do Reconhecimento de Caracteres

FASES DO SISTEMA DE RECONHECIMENTO


Aquisição

Extração das regiões de interesse

Tratamento da imagem

Extração e codificação de características

Reconhecimento

Validação

Apresentação

Figura 10 – Projeção Hexagonal e Quadrado RotacionadoFonte – SILVA e THOMÉ (2003, p.8)

Figura 9 – Projeções utilizando o quadradoFonte – SILVA e THOMÉ (2003, p.8)


ESTRATÉGIAS PARA RECONHECIMENTO DO CARACTERE MANUSCRITO

Projeção Poligonal Mapa de Bits Características Internas

Quadrado RotacionadoFigura 11 – Varredura das características internasFonte – SILVA e THOMÉ (2003, p.8)

Figura 12 – Matriz binária do caractere 0 escrito de quatro maneiras distintasFonte – CARVALHO, SAMPAIO e MONGIOVI (1999, p.8)


Reconhecimento de Caractere Manuscrito

PLACAS DE AUTOMÓVEIS

CADASTROS EMPRESARIAIS

COBRANÇA DE IMPOSTOS

PESQUISAS DE OPINIÃO PÚBLICA FORMULÁRIOS DE CONCURSOS

CHEQUES BANCÁRIOS

CARTEIRAS ESTUDANTIS

POSTOS FISCAISRECONHECIMENTO DE FIRMAS

Página 1

ÁREAS DE APLICAÇÃO

Subamostragem Binarização Filtragem Mediana Segmentação

ESTUDO DE CASOESTUDO DE CASO

PRÉ-PROCESSAMENTO E TRATAMENTO DAS IMAGENS

Ocelos de Visão

Figura 13 – Segmentação do caractere em quadrículas 32x32

Figura 14 – Filtragem mediana do caractere LFigura 15 – Binarização do caractere SFigura 16 – Subamostragem aplicada ao caractere S

Figura 17 – Ocelos de visão 9x8x8 em caractere S


ARQUITETURA DA REDE NEURAL

1

2

3

4

5

576

.

.

.

.

.

.

1

2

3

36

ENTRADAS SAÍDAS

TREINAMENTO E TESTE

Duas camadas

576 entradas e 36 saídas

Conexões do tipo Feedforward

Algoritmo de aprendizado Backpropagation

1000 épocas de treinamento

1800 amostras no conjunto de treino (0 a 9 e A a Z)

Conjunto de teste diferente do conjunto de treino

Criação de um arquivo de conhecimento após o treinamento


RESULTADOS OBTIDOS

Taxa de erro aproximada de 0,26%

Acerto nominal de 99,74%

Tempo de reconhecimento de 2 formulários igual a 35,36 segundos

Tempo de digitação de 2 formulários igual a 6 minutos

Ganho temporal de aproximadamente 5,3 minutos

Classificação de cerca de 298 dos 310 caracteres

Taxa de acerto geral de 96,12%

CONSIDERAÇÕES FINAISCONSIDERAÇÕES FINAIS

Objetivo alcançado com a realização concreta do reconhecimento do caractere através do protótipo apresentado.

de um estudo elaborado sobre RNA;

da utilização de fundamentos em tratamento de imagens;

de um estudo elaborado em processamento de imagens digitais.

O sucesso do trabalho foi obtido por meio:

O protótipo desenvolvido para o reconhecimento de caracteres manuscritos, foi essencial para a demonstração da real possibilidade de se concretizar o reconhecimento dos caracteres, abrindo caminho a novas aplicações comerciais.

RECOMENDAÇÕES FUTURASRECOMENDAÇÕES FUTURAS

Reconhecimento ótico de assinaturas

Reconhecimento de caracteres manuscritos cursivos

Desenvolvimento da aplicação comercial

Identificação pessoal através de características caligráficas

Estudo da fundamentação matemática das RNA’S

Técnicas avançadas de processamento de imagens digitais

reconhecimento de caracteres manuscritos aplicando redes neurais

Documents