Reconhecimento óptico de caracteres manuscritos usando redes neurais convolucionais
Carregando...
Arquivos
Data
2018-11-14
Autores
Uzai, Luis Fernando de Oliveira [UNESP]
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Resumo
The human being by nature has a great capacity to recognize visual patterns with varying degrees of complexity - we are able to identify shapes, lines, curves, etc - and thus differentiating letters and digits from each other becomes a simple task this being one of the first things we learned when we started attending school. But the computer, unlike the human being, does not have that capacity. In this way, this work proposes the implementation of a deep learning model, using convolutional neural networks, for the optical recognition of handwritten characters. Recent libraries such as numpy, pandas, matplotlib, Keras, have been used. The data set used for network training was EMNIST, which contains all character classes. With the completion of the project, the results obtained were valid, taking into account the accuracy of the implemented model compared to those in the literature. Also developed was an application for testing the handwritten character classifier, implemented in QT and QML
O ser humano por natureza possui uma grande capacidade de reconhecer padrões visuais com diversos níveis de complexidade - é capaz de identificar formas, linhas, curvas, etc - e com isso, diferenciar as letras e os dígitos uns dos outros torna-se uma tarefa simples sendo esta uma das primeiras coisas que se aprende quando começa a frequentar a escola. Mas, o computador, diferente do ser humano, não possui essa capacidade. Deste modo, este trabalho teve como objetivo a implementação de um modelo de aprendizado profundo, usando redes neurais convolucionais, para o reconhecimento óptico de caracteres manuscritos. Foram utilizadas bibliotecas recentes como numpy, pandas, matplotlib, Keras. O conjunto de dados usado para o treinamento da rede foi o EMNIST, que contém todas as classes de caracteres. Com a finalização do projeto, os resultados obtidos mostraram-se válidos, levando em conta as acurácias do modelo implementado comparadas às existentes na literatura. Também foi desenvolvido um aplicativo para testar o classificador de caracteres manuscritos, implementado em QT e QML
O ser humano por natureza possui uma grande capacidade de reconhecer padrões visuais com diversos níveis de complexidade - é capaz de identificar formas, linhas, curvas, etc - e com isso, diferenciar as letras e os dígitos uns dos outros torna-se uma tarefa simples sendo esta uma das primeiras coisas que se aprende quando começa a frequentar a escola. Mas, o computador, diferente do ser humano, não possui essa capacidade. Deste modo, este trabalho teve como objetivo a implementação de um modelo de aprendizado profundo, usando redes neurais convolucionais, para o reconhecimento óptico de caracteres manuscritos. Foram utilizadas bibliotecas recentes como numpy, pandas, matplotlib, Keras. O conjunto de dados usado para o treinamento da rede foi o EMNIST, que contém todas as classes de caracteres. Com a finalização do projeto, os resultados obtidos mostraram-se válidos, levando em conta as acurácias do modelo implementado comparadas às existentes na literatura. Também foi desenvolvido um aplicativo para testar o classificador de caracteres manuscritos, implementado em QT e QML
Descrição
Palavras-chave
Redes neurais (Computação), Aprendizado do computador, Banco de dados, Neural Networks (Computer science)
Como citar
UZAI, Luis Fernando de Oliveira. Reconhecimento óptico de caracteres manuscritos usando redes neurais convolucionais. 2018. [45] f. Trabalho de conclusão de curso (bacharelado - Ciência de Computação) - Universidade Estadual Paulista Júlio de Mesquita Filho, Faculdade de Ciências, 2018.