Классификация с использованием нейронных сетей изображений символов церковнославянского языка XI–XVII веков
Журнал: Компьютерная оптика @computer-optics
Рубрика: Численные методы и анализ данных
Статья в выпуске: 4 т.50, 2026 года.
Бесплатный доступ
В работе рассматривается задача распознавания символов церковнославянского языка в рукописях XI-XVII веков с использованием методов машинного обучения. В рамках исследования была создана база данных, содержащая 20 180 изображений 48 различных букв, полученных из 647 разворотов богослужебных книг. Для устранения дисбаланса классов использовались методы аугментации данных. Для классификации символов протестированы различные модели нейросетей, среди которых наилучший результат показала EfficientNet-B4 с метрикой F1-weighted 0,976911. С учётом вычислительной эффективности и времени обработки был рассчитан интегральный критерий качества, согласно которому наиболее подходящей моделью для работы признана EfficientNet-B1. Данная модель обеспечивает скорость обработки 43 буквы в секунду, что соответствует 20 секундам на один разворот текста. Результаты исследования демонстрируют возможность эффективного автоматизированного распознавания церковнославянских текстов, что значительно ускоряет их анализ и обработку. В дальнейшем планируется расширение базы данных и улучшение методов предобработки изображений для повышения точности распознавания.
Короткий адрес: https://sciup.org/140316475
IDS: 140316475 | DOI: 10.18287/COJ1751
Classification of Church Slavonic Letter Images from the 11th–17th Centuries Using Neural Networks
This paper addresses a problem of recognizing Church Slavonic letters in texts from the 11th-15th centuries using machine learning methods. As part of the study, a database was created containing 20,180 images of 48 different letters, obtained from 647 spreads of liturgical books. To address class imbalance, data augmentation methods were applied. Various neural network models were tested for letter classification, with EfficientNet-B4 achieving the best results, with F1-weighted scores of 0.976911. However, considering computational efficiency and processing time, an integral quality criterion was calculated, identifying EfficientNet-B1 as the optimal model for practical use. This model processes 43 characters per second, corresponding to 20 seconds per text spread. The study results demonstrate the feasibility of efficient automated recognition of Church Slavonic texts, significantly accelerating their analysis and processing. Future work will focus on expanding the database and improving image preprocessing methods to enhance recognition accuracy.
