РОЗПІЗНАВАННЯ РУКОПИСНИХ ЦИФР ЗАСОБАМИ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ
DOI:
https://doi.org/10.31319/2519-8106.1(50)2024.304790Ключові слова:
розпізнавання образів, розпізнавання рукописних цифр, згорткова нейронна мережаАнотація
У статті здійснено постановку завдання розпізнавання образів на прикладі розпізнавання рукописних цифр. Для розв’язання поставленого завдання обґрунтовано доцільність застосування згорткової нейронної мережі. Представлено архітектуру застосованої згорткової нейронної мережі і описано параметри її навчання і тестування. Для проведення навчання нейронної мережі застосовано корпус рукописних цифр MNIST.
Наведено результати створення програмного забезпечення, що було розроблено в рамках інтегрованого середовища розробки програмного забезпечення Visual Studio.net засобами мови програмування C#. Результатом роботи розробленого застосунку є відповідь користувачу щодо результатів розпізнавання рукописних цифр, поданих до застосунку у вигляді графічних зображень. Проаналізовано причини помилок розпізнавання, зроблено припущення щодо оптимізації архітектури розробленої нейронної мережі. Запропоновано підхід до побудови топології згорткової нейронної мережі, яка є ефективною для розпізнавання рукописних цифр, здійснено налаштування нейронної мережі для підвищення якості розпізнавання. Обґрунтованість ефективності запропонованих рішень полягає в результатах порівнянні отриманих даних із даними інших авторів. Точність розпізнавання для розробленої згорткової мережі 96,83 %.
Посилання
Serey, J., Alfaro, M., Fuertes, G., Vargas, M., Duran, C., Ternero, R., Rivera, R., Sabattin, J. (2023). Pattern recognition and deep learning technologies, enables of industry 4.0 and their role in engineering research. Symmetry, 15(2), 535—539. doi: 10.3390/sym15020535.
Boesch, G. (2024). What is a pattern recognition? A gentle introduction. Retrieved from https://viso.ai/deep-learning/pattern-recognition/.
Bhamare, D., Suryawanshi, P. (2018). Review on Reliable Pattern Recognition with Machine Learning Techniques. Fuzzy Information and Engineering, 10(3), 362—377. doi: 10.1080/16168658.2019.1611030
Sushmitha, V., Hussain, S. (2022). A survey on handwritten digit recognition. International Journal of Innovative Research in Computer and Communication Engineering, 10, 1—5.
Gong, Y., Zhang, P. (2021). Research on MNIST Handwritten Numbers Recognition based on CNN. Journal of Physics, 2138, 1—7. doi:10.1088/1742-6596/2138/1/012002.
Karakaya, R., Kazan, S. (2021). Handwritten digit recognition using machine learning. Sakarya University Journal of science, 25(1), 65—71. doi: 10.16984/saufenbilder.801684.
Dixit, R., Kushwah, R., Pashine, S. (2020). Handwritten digit recognition using machine and deep learning algorithms. International Journal of Computer Applications, 176(42), 27—35.
Ahmed, S.S., Mehmood, Z., Awan, I.A., Yousaf, R.M. (2023). A Novel Technique for Handwritten Digit Recognition Using Deep Learning. Journal of sensors, 2023, 1—15. doi: 10.1155/2023/2753941.
Azawi, N. (2023). Handwritten digits recognition using transfer learning. Computers and electrical engineering, 106, 1—10.
Chen, M.R, Chen, B.P., Zeng, G.Q., Lu, K.D., Chu, P. (2019). An adaptive fractional-order BP neural network based on extremal optimization for handwritten digits recognition. Neurocomputing, 391, 260—272. doi: 10.1016/j.neucom.2018.10.090.
Kaymov, Z., Tumakov, D., Mosin, S. (2020). Hierarchical concolutional neural network for handwritten digits recognitio. Procedia Computer Science, 171, 1927—1934.
Swetha, K., Hithaishi, Y., Tejaswini, N.L., Pathasaradhi, P., Rao, P.V. (2021). Handwritten digit recognition using OpenCv and CNN. International journal of creative research thoughts, 9, 211—220.
Hamin, S.M., Miah, M.B., Sarker, A., Rana, M., Jobair, A. (2018). Handwritten Digit Recogni-tion using Machine Learning Algorithms. Global Journal of Computer Science and Technology: Neural & Artificial Intelligence, 18, 17—23.
Patil, P., Kaur, B. (2020). Handwritten digit recognition using various machine learning algo-rithms and models. International Journal of Innovative Research in Computer Science & Tech-nology, 8, 337—340. doi: 10.21276/ijircst.2020.8.4.16.
Ahlawat, S., Choudhary, A., Nayyar, A., Singh, S., Yoon, B. (2020). Improved handwritten digit recognition using convolutional neural networks. Sensors, 20, 1—18. doi:10.3390/s20123344.
Serey J., Alfaro M., Fuertes G., Vargas M., Duran C., Ternero R., Rivera R., Sabattin J. Pattern recognition and deep learning technologies, enables of industry 4.0 and their role in engineering research. Symmetry. 2023. 15(2). 535—539. doi: 10.3390/sym15020535.
Boesch G. What is a pattern recognition? A gentle introduction. URL: https://viso.ai/deep-learning/pattern-recognition/ (дата звернення 01.02.2024).
Bhamare D., Suryawanshi P. Review on Reliable Pattern Recognition with Machine Learning Techniques. Fuzzy Information and Engineering. 2018. 10(3). 362—377. doi: 10.1080/16168658.2019.1611030
Sushmitha V., Hussain S. A survey on handwritten digit recognition. International Journal of Innovative Research in Computer and Communication Engineering. 10. 2022. 1—5.
Gong Y., Zhang P. Research on Mnist Handwritten Numbers Recognition based on CNN. Journal of Physics. 2021. 2138. 1—7. doi:10.1088/1742-6596/2138/1/012002
Karakaya R., Kazan S. Handwritten digit recognition using machine learning. Sakarya University Journal of science. 2021. 25(1). 65—71. doi: 10.16984/saufenbilder.801684.
Dixit R., Kushwah R., Pashine S. Handwritten digit recognition using machine and deep learning algorithms. International Journal of Computer Applications. 2020. 176(42). 2020. 27—35.
Ahmed S.S., Mehmood Z., Awan I.A., Yousaf R.M. A Novel Technique for Handwritten Digit Recognition Using Deep Learning. Journal of sensors. 2023. 1-15. doi:10.1155/2023/2753941.
Azawi N. Handwritten digits recognition using transfer learning. Computers and electrical engineering. 2023. 106. 1—10.
Chen M.R, Chen B.P., Zeng G.Q., Lu K.D., Chu P. An adaptive fractional-order BP neural network based on extremal optimization for handwritten digits recognition. Neurocomputing. 2019. 391. 260—272. doi: 10.1016/j.neucom.2018.10.090.
Kaymov Z., Tumakov D., Mosin S. Hierarchical concolutional neural network for handwritten digits recognitio. Procedia Computer Science. 2020. 171. 1927—1934.
Swetha K., Hithaishi Y., Tejaswini N.L., Pathasaradhi P., Rao P.V. Handwritten digit recognition using OpenCv and CNN. International journal of creative research thougts. 2021. 9. 211—220.
Hamin S.M., Miah M.B., Sarker A., Rana M., Jobair A. Handwritten Digit Recognition using Machine Learning Algorithms. Global Journal of Computer Science and Technology: Neural & Artificial Intelligence. 2018. 18. 17—23.
Patil P., Kaur B. Hndwritten digit recogtion using various machine learning algorithms and models. International Journal of Innovative Research in Computer Science & Technology. 2020. 8. 337—340. doi:10.21276/ijircst.2020.8.4.16.
Ahlawat S., Choudhary A., Nayyar A., Singh S., Yoon B. Improved handwritten digit recognition using convolutional neural networks. Sensors. 2020. 20. 1—18. doi:10.3390/s20123344.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
a. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
b. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
c. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
