عناصر مشابهة
تنفيذ التعرف الضوئي على الحروف باستخدام الشبكة العصبية التلافيفية "CNN": دراسة
| العنوان بلغة أخرى: | Implementation of OCR Using Convolutional Neural Network "CNN": A Survey |
|---|---|
| المصدر: | مجلة التربية والعلم |
| الناشر: |
جامعة الموصل - كلية التربية
|
| المؤلف الرئيسي: | |
| مؤلفين آخرين: | |
| المجلد/العدد: | مج31, ع3 |
| محكمة: | نعم |
| الدولة: | العراق |
| التاريخ الميلادي: | 2022 |
| الصفحات: | 27 - 41 |
| ISSN: | 1812-125X |
| رقم MD: | 1318620 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | Arabic |
| قواعد المعلومات: | EduSearch |
| مواضيع: | |
| رابط المحتوى: |
| المستخلص: | في الآونة الأخيرة، جذب التعرف الضوئي على الأحرف والتعلم العميق انتباه العديد من الباحثين، إذ أن المنافسة قائمة للحصول على اعلى دقة، ناهيك عن التحديات الحاصلة في بعض اللغات لتقارب وتشابه الأحرف فيما بينها. عادة ما يأخذ التعرف الضوئي على الأحرف (OCR) صورة الأحرف كمدخلات وبالاعتماد على هذه الإدخالات يقوم بتوليد الحروف المتطابق كإخراج. الدور المهم الذي يقوم به OCR هو تحويل الأنماط المطبوعة إلى ملفات نصية رقمية. عادة ما يتم استخدام أحدث الطرق الموجودة في الشبكات العصبية العميقة للتعامل مع مشاكل التعرف على الأنماط والتصنيف، وتعد الشبكة العصبية التلافيفية (CNN) نموذجا مؤثرا سخيا بنتائج ساطعة في التعرف الضوئي على الأحرف (OCR) ومن التطبيقات التي تستخدمه في مجالاتها، على سبيل المثال، الروبوتات، ومراقبة حركة المرور، ورقمنه المقالات، وما إلى ذلك. تم تصميم CNN لتتعلم الميزات بشكل تكيفي وتلقائي باستخدام أنواع عديدة من الطبقات. في هذه الدراسة، نتعرف على مزايا ال CNN واستخداماته الحديثة في التعرف الضوئي على الحروف ولماذا يكون من المهم استخدامها في هذا المجال. Recently, character recognition and deep learning have caught the attention of many researchers. Optical Character Recognition (OCR) usually takes an image of the character as input and generates the identical character as output. The important role that OCR does is to transform printed materials into digital text files. Convolutional Neural Network (CNN) is an influential model that is generous with bright results in optical character recognition (OCR). The state-of-the-art performance which exists in deep neural networks is usually used to handle frequently recognition and classification problems. Many applications are using it, for instance, robotics, traffic monitoring, articles digitization, etc. CNN is designed to adaptively and automatically learn features by using many kinds of layers (convolution layers, pooling layers, and fully connected layers). In this paper we will go through the advantages and recent usage of CNN in OCR and why it’s important to use it in handwritten and printed text recognition and what subjects we can use this technique for. Researchers are progressively using CNN for the machine-printed characters and recognition of handwritten, that is because CNN architectures are suitable for recognition tasks by inputting some images. |
|---|
