ОГЛАВЛЕНИЕ 2
ВВЕДЕНИЕ 3
ГЛАВА 1. ИСПОЛЬЗУЕМЫЕ ИНСТРУМЕНТЫ 5
ГЛАВА 2. РАЗРАБОТКА ПРОГРАММЫ 6
2.1 Бинаризация изображения. 6
2.2 Сегментация изображения 7
2.3 Создание архитектуры нейронной сети 9
2.4 Обучение методом обратного распространения ошибки 12
2.5 Распознавание каждого сегмента 13
2.6 Формирование результата 14
2.7 Варианты дальнейшего развития. 15
ЗАКЛЮЧЕНИЕ 17
ИСПОЛЬЗУЕМАЯ ЛИТЕРАТУРА 18
ИСХОДНЫЙ КОД 19
handleimage.py 19
net.py
Купить

В современном мире информационные технологии помогают нам по всех областях жизнедеятельности. В частности, можно выделить один огромный раздел - цифровая обработка изображений. В связи с широким применением эта область распадается на огромный спектр задач: обработка снимков со спутника, выделение различных характеристик, классификация изображений, обработка изображений в медицине, машинное зрение, идентификация личности.
Одна из таких задач - распознавание текста с изображения. Разработано несколько программ, способных с высокой точностью распознать напечатанный текст, наиболее известные из них - это ABBYY FineReader, OmniPage, Readiris. Но одно дело - текст, напечатанный на принтере, а другое - рукописные символы. Обычный алгоритм уже не подходит, так как в написанном тексте появляется несколько факторов - подчерк, чернила, сила нажатия на бумагу.
Больших успехов в распознавании рукописных символов добились нейронные сети. Отдельного внимания заслуживает сверточная нейронная сеть, предложенная Яном Лекуном. Предложенная им архитектура сети на текущий момент является лидером классификации изображений.
Еще на третьем курсе я сделал простую однослойную нейронную сеть для распознавания рукописных цифр. Но простая архитектура и маленькая обучающая выборка дала не самые лучшие результаты - сеть распознавала только около половины символов.
Цель моего диплома - это распознавание математических выражений с фотографии. Для выполнения этого задания необходимо выполнить следующий ряд подзадач:
1. Первично обработать входящее изображение.
2. Сегментировать изображение на отдельные символы.
3. Обучить нейронную сеть на распознавание символов, знаков +, - и т.д.
4. Распознать каждый сегмент и сформировать выходную строку.
Каждая подзадача имеет несколько способов реализации. Необходимо проанализировать качество выполнения каждого этапа в зависимости от способа реализации, потому что низкое качество работы одного этапа скажется на результате всей программы.
Актуальность этой работы вытекает из актуальности применения искусственных нейронных сетей в повседневной жизни. Сверточные нейронные сети учат ставить диагнозы по фотографии, распознавать знаки, сегментировать фотографии по классам. Если смотреть на цель моей работы глобально, то ее можно перефразировать как «Изучить возможности сверточных нейронных сетей на примере распознавания математических выражений».

Купить