Optical Character Recognition System

شرح

تشخیص کاراکتر نوری (OCR) ترجمه بیت مپ های اسکن شده نوری از کاراکترهای متن چاپ شده یا نوشته شده به کدهای کاراکتر مانند ASCII است. این یک روش کارآمد برای تبدیل مطالب سخت کپی به فایل‌های داده‌ای است که می‌توان آن‌ها را ویرایش کرد و در غیر این صورت در رایانه دستکاری کرد. این فناوری است که مدت هاست توسط کتابخانه ها و سازمان های دولتی برای در دسترس قرار دادن اسناد طولانی به سرعت به صورت الکترونیکی استفاده می شود. پیشرفت در فناوری OCR باعث استفاده روزافزون از آن توسط شرکت ها شده است. برای بسیاری از وظایف ورودی سند، OCR مقرون به صرفه ترین و سریع ترین روش موجود است. و هر سال، این فناوری هکتارها فضای ذخیره سازی را آزاد می کند که یک بار به کابینت ها و جعبه های پر از اسناد کاغذی داده می شود. قبل از اینکه بتوان از OCR استفاده کرد، ماده منبع باید با استفاده از یک اسکنر نوری (و گاهی یک برد مدار تخصصی در رایانه شخصی) اسکن شود تا در صفحه به صورت بیت مپ (الگویی از نقاط) خوانده شود. نرم افزار تشخیص تصاویر نیز مورد نیاز است.

بسته نرم‌افزاری ما پیشنهاد می‌کند تا طبقه‌بندی نویسه‌های دست‌نویس و ارقام مجزای مجموعه داده شخصیت‌های قلم UJI را با استفاده از شبکه‌های عصبی حل کنیم. داده ها شامل نمونه هایی از 26 کاراکتر و 10 رقم است که توسط 11 نویسنده بر روی رایانه لوحی نوشته شده است. کاراکترها (در قالب استاندارد UNIPEN) با حروف بزرگ و کوچک نوشته می شوند و در هر نویسنده یک مجموعه کامل از دو کاراکتر وجود دارد. بنابراین خروجی باید در یکی از 35 کلاس باشد. هدف نهایی ساختن یک مدل مستقل از نویسنده برای هر شخصیت است.

انتخاب ویژگی‌های ارزشمند در تشخیص کاراکتر بسیار مهم است، بنابراین یک مجموعه جدید و معنی‌دار از ویژگی‌ها، مختصات یکنواخت دیفرانسیل عادی شده (UDNC)، معرفی‌شده توسط C. Agell، اتخاذ شده است. این ویژگی‌ها برای بهبود نرخ تشخیص با استفاده از الگوریتم‌های طبقه‌بندی ساده نشان داده شده‌اند، بنابراین از آنها برای آموزش یک شبکه عصبی و آزمایش عملکرد آن در مجموعه داده‌های کاراکترهای قلم UJI استفاده می‌شود.

اصطلاحات فهرست: Matlab، منبع، کد، ocr، تشخیص کاراکتر نوری، متن اسکن شده، متن نوشته شده، ascii، کاراکتر ایزوله.