Распознавание цифровых последовательностей с использованием свёрточных нейронных сетей
Автор: Винокуров И.В.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект и машинное обучение
Статья в выпуске: 3 (58) т.14, 2023 года.
Бесплатный доступ
В статье показана актуальность задачи преобразования в текстовой формат элементов изображений, содержащих последовательности машинописных цифр. На примере распознавания табличной информации из отсканированных документов ППК «Роскадастр» предложено возможное решение этой задачи с использованием свёрточных нейронных сетей (CNN). Описаны принципы формирования наборов данных и моделей CNN для распознавания последовательностей из двух, трёх и четырёх цифр. Приведены результаты экспериментального исследования этих моделей и показана их эффективность. Описана интеграция моделей CNN в разрабатываемую в настоящее время информационную систему (ИС), предназначенную для автоматизированного перевода отсканированных документов в их текстовые аналоги.
Распознавание цифр, свёрточные нейронные сети, cnn, keras, python
Короткий адрес: https://sciup.org/143180582
IDR: 143180582 | DOI: 10.25209/2079-3316-2023-14-3-3-36
Список литературы Распознавание цифровых последовательностей с использованием свёрточных нейронных сетей
- Винокуров И. В. Распознавание табличной информации с использованием свёрточных нейронных сетей // Программные системы: теория и приложения.– 2023.– Т. 14.– №1(56).– С. 3–30. https://doi.org/10.2520[9Р/И20Н7Ц9-]3316-2023-14-1hU-tR3t-pL3s0://psta.psiras.ru/read/psta2023_1_3-30.pdf
- Винокуров И. В. Использование свёрточной нейронной сети для распознавания элементов текста на отсканированных изображениях плохого качества // Программные системы: теория и приложения.– 2022.– Т. 13.– №3(54).– С. 29–43. https://doi.org/110.252[0Р9И/2Н0Ц79]-3316-2022-13hU-3tRt-2pL9:/-4/3psta.psiras.ru/read/psta2022_3_29-43.pdf
- Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по обработке данных.– СПб.: Изд-во «ООО Альфа-книга».– 2017.– ISBN 978-5-907515-03-1.– 480 с.
- M. Diem, S. Fiel, F. Kleber, R. Sablatnig, J. M. Saavedra, D. Contreras, J. M. Barrios, L. S. Oliveira ICFHR 2014 competition on handwritten digit string recognition in challenging datasets (HDSRC 2014) // 2014 14th International Conference on Frontiers in Handwriting Recognition (Hersonissos, Greece, 01–04 September 2014).– Pp. 779–784. https://doi.org/10.1109/ICFHR.2014.136
- N. Otsu A threshold selection method from gray-level histograms // IEEE Trans. Syst. Man Cybern.– vol. 9.– 1979.– Pp. 62–66. https://doi.org/10.1109/TSMC.1979.4310076
- J. C. B. Rabelo, C. Zanchettin, C. A. B. Mello and B. L. D. Bezerra A multi-layer perceptron approach to threshold documents with complex background, 2011 IEEE International Conference on Systems, Man, and Cybernetics (Anchorage, AK, USA, 09–12 October 2011).– Pp. 2523–2530. https://doi.org/10.1109/ICSMC.2011.6084056
- J. Sauvola, M. Pietik¨ainen Adaptive document image binarization // Pattern Recognition.– 2000.– Vol. 33.– No. 2.– Pp. 225–236. https://doi.org/10.1016/S0031-3203(99)00055-2
- C. Cortes, V. Vapnik Support-vector networks // Mach. Learn.– 1995.– Vol. 20.– No. 3.– Pp. 273–297. https://doi.org/10.1007/BF00994018
- T. Kohonen Self-organized formation of topologically correct feature maps // Biol. Cybern.– 1982.– Vol. 43.– No. 1.– Pp. 59–69. https://doi.org/10.1007/BF00337288
- N. Dalal, B. Triggs Histograms of oriented gradients for human detection // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR’05 (San Diego, CA, USA, 20–25 June 2005).– ISBN 0-7695-2372-2.– Pp. 886–893. https://doi.org/10.1109/CVPR.2005.177
- J. J. Hopfield Neural networks and physical systems with emergent collective computational abilities // Proc. Nat. Acad. Sci. USA.– 1982.– Vol. 79.– No. 8.– Pp. 2554–2558. https://doi.org/10.1073/pnas.79.8.2554
- A. Graves Offline handwriting recognition with multidimensional recurrent neural networks // Guide to OCR for Arabic Scripts, eds. M¨argner V., El Abed H., London: Springer.– ISBN 978-1-4471-4072-6.– Pp. 297–313. https://doi.org/10.1007/978-1-4471-4072-6_12
- B. L. D. Bezerra, C. Zanchettin, V. B. de Andrade A MDRNN-SVM hybrid model for cursive offline handwriting recognition, Artificial Neural Networks and Machine Learning— ICANN 2012, Lecture Notes in Computer Science.– vol. 7553, Berlin: Springer.– 2012.– ISBN 978-3-642-33265-4.– Pp. 246–254. https://doi.org/10.1007/978-3-642-33266-1_31
- A. Gattal, Y. Chibani Segmentation strategy of handwritten connected digits (SSHCD), Image Analysis and Processing (ICIAP), Lecture Notes in Computer Science.– vol. 6979, Berlin–Heidelberg: Springer.– 2011.– ISBN 978-3-642-24087-4.– Pp. 248–254. https://doi.org/10.1007/978-3-642-24088-1_26
- M. Hejazi, G. Shevlyakov and Y.-S. Ho Modified discrete radon transforms and their application to rotation-invariant image analysis, 2006 IEEE Workshop on Multimedia Signal Processing, Lecture Notes in Computer Science.– vol. 6979, Berlin–Heidelberg: Springer.– 2006.– ISBN 978-3-642-24088-1.– Pp. 429–434. https://doi.org/10.1109/MMSP.2006.285345
- R. Saabni Recognizing handwritten single digits and digit strings using deep architecture of neural networks // 2016 Third International Conference on Artificial Intelligence and Pattern Recognition, AIPR (Lodz, Poland, 19–21 September 2016).– 2016.– Pp. 1–6. https://doi.org/10.1109/ICAIPR.2016.7585206
- K. He, X. Zhang, S. Ren, J. Sun Deep residual learning for image recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition, CVPR (Las Vegas, NV, USA, 27–30 June 2016).– Pp. 770–778. https://doi.org/10.1109/CVPR.2016.90
- H. Zhan, Q.Wang, Y. Lu Handwritten digit string recognition by combination of residual network and RNN-CTC, ICONIP 2017: Neural Information Processing, Lecture Notes in Computer Science.– vol. 10639, Cham: Springer.– 2017.– ISBN 978-3-319-70136-3.– Pp. 583–591. https://doi.org/10.1007/978-3-319-70136-3_62
- Q. Wang, Y. Lu A sequence labeling convolutional network and its application to handwritten string recognition // Twenty-Sixth International Joint Conference on Artificial Intelligence (Melbourne, Australia, 19–25 August 2017).– IJCAI.– 2017.– ISBN 978-0-9992411-0-3.– Pp. 2950–2956. https://doi.org/10.24963/ijcai.2017/411
- H. Zhan, S. Lyu, X. Tu, Y. Lu Residual CRNN and its application to handwritten digit string recognition, ICONIP 2019: Neural Information Processing, Communications in Computer and Information Science.– vol. 1143, Cham: Springer.– 2019.– ISBN 978-3-030-36802-9.– Pp. 49–56. https://doi.org/10.1007/978-3-030-36802-9_6
- Y. Ma, J. Guo, W. Wei An exceedingly fast model for low resolution handwritten digit string recognition // 2019 IEEE 7th International Conference on Computer Science and Network Technology, ICCSNT (Dalian, China, 9–20 October 2019).– Pp. 282–288. https://doi.org/10.1109/ICCSNT47585.2019.8962475
- A. G. Hochuli, A. S. Britto, J. P. Barddal, R. Sabourin, L. E. S. Oliveira An End-to-End approach for recognition of modern and historical handwritten numeral strings // 2020 International Joint Conference on Neural Networks, IJCNN (Glasgow, UK, 19–24 July 2020).– 2020.– Pp. 1–8. https://doi.org/10.1109/IJCNN48605.2020.9207468
- J. Redmon, S. Divvala, R. Girshick, A. Farhadi You only look once: Unified real-time object detection // 2016 IEEE Conference on Computer Vision and Pattern Recognition, CVPR (Las Vegas, NV, USA, 27–30 June 2016).– Pp. 779–788. https://doi.org/10.1109/CVPR.2016.91
- A. G. Hochuli, L. S. Oliveira, A. S. Britto, R. Sabourin Handwritten digit segmentation: Is it still necessary?Pattern Recognition.– 2018.– Vol. 78.– Pp. 1–11. https://doi.org/10.1016/j.patcog.2018.01.004
- J. Guo, Y. Xu Low resolution handwritten digit string recognition based on object detection network // 2020 International Joint Conference on Neural Networks, IJCNN (Glasgow, UK, 19–24 July 2020).– Pp. 1–7. https://doi.org/10.1109/IJCNN48605.2020.9206949
- J. Moolayil Learn Keras for Deep Neural Networks. A Fast-Track Approach to Modern Deep Learning with Python.– Berkeley: Apress.– 2019.– ISBN 978-1-4842-4240-7.– xv+182 pp. https://doi.org/10.1007/978-1-4842-4240-7
- S. Datta Learning OpenCV 3 Application Development.– Packt Publiching.– 2016.– ISBN 9781784391454.– 294 pp.
Статья научная
