RECONHECIMENTO DE CARACTERES MANUSCRITOS APLICANDO REDES NEURAIS.
Transcript of 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
REDES NEURAISREDES NEURAIS
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
REDES NEURAISREDES NEURAIS
Figura 1 – Modelo de neurônio naturalFonte - INSTITUTO SANTA ÚRLUSA (2006)
REDE NEURAL ARTIFICIAL
REDES NEURAISREDES NEURAIS
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
RECONHECIMENTO DE CARACTERES MANUSCRITOSRECONHECIMENTO DE CARACTERES MANUSCRITOS
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)
RECONHECIMENTO DE CARACTERES MANUSCRITOSRECONHECIMENTO DE CARACTERES MANUSCRITOS
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 CARACTERES MANUSCRITOSRECONHECIMENTO DE CARACTERES MANUSCRITOS
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
ESTUDO DE CASOESTUDO DE CASO
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
ESTUDO DE CASOESTUDO DE CASO
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