1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 123 — комп’ютерна інженерія
Ezzel az azonosítóval hivatkozhat erre a dokumentumra forrásmegjelölésben vagy hiperhivatkozás esetén: http://elartu.tntu.edu.ua/handle/lib/43322
Összes dokumentumadat
DC mezőÉrtékNyelv
dc.contributor.advisorСтадник, Наталія Богданівна-
dc.contributor.advisorStadnyk, Natalia-
dc.contributor.authorЧарковський, Дмитро Русланович-
dc.contributor.authorCharkovskyi, Dmytro-
dc.date.accessioned2024-01-03T09:44:49Z-
dc.date.available2024-01-03T09:44:49Z-
dc.date.issued2023-12-22-
dc.date.submitted2023-06-29-
dc.identifier.citationЧарковський Д. Р. Математичне та програмне забезпечення розпізнавання написів на зображеннях на основі нейромережевого алгоритму в комп’ютеризованих системах : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „123 — комп’ютерна інженерія“ / Д. Р. Чарковський. — Тернопіль: ТНТУ, 2023. — 74 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/43322-
dc.description.abstractКваліфікаційна робота присвячена дослідженню нейромережевого розпізнавання написів на зображеннях. У процесі дослідження було проведено аналіз існуючих моделей виявлення текстових областей на зображеннях реальних сцен, виходячи з якого було зроблено вибір моделі для подальшої реалізації. В результаті було запропоновано нейромережевий алгоритм розпізнавання написів на зображення реальних сцен. Реалізація алгоритму передбачає побудову згорткової нейронної мережі U-Net. Для навчання мережі використовується база зображення KAIST, що знаходиться у відкритому доступі. Результатом роботи алгоритму для кожного зображення є маска даного зображення, де відзначені текстові області. Було проведено порівняння з роботами, які проводили тестування на аналогічній базі зображень, під час якого запропонований алгоритм показав найкращі результати. В результаті кінцевого навчання нейромережевого алгоритму вдалося досягти високої точності: 91,1% для навчальної вибірки, 90,0% для валідаційної та 88,0% для тестової.uk_UA
dc.description.abstractThe thesis deals with the study of neural network recognition of inscriptions on images. In the process of research, an analysis of existing models for detecting text areas on images of real scenes was carried out, based on which a model was selected for further implementation. As a result, a neural network algorithm for recognizing inscriptions on images of real scenes was proposed. The implementation of the algorithm involves the construction of a U-Net convolutional neural network. The publicly available KAIST image database is used to train the network. The result of the algorithm for each image is a mask of this image, where the text areas are marked. A comparison was made with works that conducted testing on a similar image database, during which the proposed algorithm showed the best results. As a result of the final training of the neural network algorithm, it was possible to achieve high accuracy: 91.1% for the training sample, 90.0% for the validation sample, and 88.0% for the test sample.uk_UA
dc.description.tableofcontentsВСТУП 9 РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ДОСЛІДЖЕННЯ 12 1.1 Методи зв'язаних компонентів 12 1.2 Текстурні методи 14 1.3 Методи глибокого навчання 18 1.4 Порівняння методів детектування текстових областей на зображеннях 21 1.5. Висновки до розділу 23 РОЗДІЛ 2. ТЕОРЕТИЧНА ЧАСТИНА 24 2.1. Використовувані інструменти 24 2.2. Модулі програми для навчання згорткової нейронної мережі 26 2.3. Архітектура програмного забезпечення 27 2.4. Опис структури мережі 28 2.5. Параметри оцінки під час навчання мережі 30 2.6. Фільтри для обробки зображень 31 2.7. Перетворення Фур'є 33 2.8. Частотні фільтри, що згладжують 34 2.9. Висновки до розділу 35 РОЗДІЛ 3. ПРАКТИЧНА ЧАСТИНА. 36 3.1. Підбір розмірів вхідних зображень 36 3.2. Підбір кількості шарів 39 3.3. Підбір типів згорткових шарів 40 3.4. Передобробка вхідних зображень 41 3.5. Частотний аналіз з використанням перетворення Фур'є 46 3.6. Розбиття та стиснення зображень перед подачею на вхід мережі 50 3.7. Порівняння з іншими роботами 55 3.8. Висновки до розділу 58 РОЗДІЛ 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 59 4.1. Охорона праці 59 4.2. Комп’ютерне забезпечення процесу оцінки радіаційної та хімічної обстановки 62 4.3. Висновки до розділу 64 ВИСНОВКИ 65 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 66 ДОДАТОК А. Тези конференції ДОДАТОК Б. Фрагмент коду навчання мережіuk_UA
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subject123 комп’ютерна інженеріяuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectзгорткова нейронна мережаuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectтекстові областіuk_UA
dc.subjectобробка зображеньuk_UA
dc.subjectneural networksuk_UA
dc.subjectconvolutional neural networkuk_UA
dc.subjectmachine learninguk_UA
dc.subjectimage processing-
dc.subjecttext areas-
dc.titleМатематичне та програмне забезпечення розпізнавання написів на зображеннях на основі нейромережевого алгоритму в комп’ютеризованих системахuk_UA
dc.title.alternativeMathematics and software for image recognition of inscriptions based on neural network algorithm in computerized systemsuk_UA
dc.typeMaster Thesis-
dc.rights.holder© Чарковський Дмитро Русланович, 2023uk_UA
dc.rights.holder© Charkovskyi Dmytro, 2023uk_UA
dc.contributor.committeeMemberЦуприк, Галина Богданівна-
dc.contributor.committeeMemberTsupryk, Halyna-
dc.coverage.placenameТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.format.pages74-
dc.subject.udc004.89:004.93uk_UA
dc.relation.references1. Text line segmentation in historical document images using an adaptive U– Net architecture / O. Mechi, M. Mehri, R. Ingold, and N. Essoukri Ben Amara // 2019 International Conference on Document Analysis and Recognition (ICDAR). 2019. Р.369- 374.uk_UA
dc.relation.references2. A new U-Net based license plate enhancement model in night and day images / P. N. Chowdhury, P. Shivakumara, R. Raghavendra, U. Pal, T. Lu and M. Blumenstein // The 5th Asian Conference on Pattern Recognition. 2019. P.749-763.uk_UA
dc.relation.references3. Дуже просто про геокодування. URL: http://www.50northspatial.org/ua/ introduction-to-geocoding/ (дата звертання 07.12.2023).uk_UA
dc.relation.references4. Басюк Т.М. та ін. Машинне навчання: Навчальний посібник Львів: Видавництво «Новий Світ - 2000», 2021. 315 с.uk_UA
dc.relation.references5. Кононова К. Ю. Машинне навчання: методи та моделі. Харків: ХНУ імені В. Н. Каразіна, 2020. 301 с.uk_UA
dc.relation.references6. Robust wide-baseline stereo from maximally stable extremal regions / J. Matas, O. Chum, M. Urban, and T. Pajdla // Image and Vision Computing. 2004. Vol. 22, №10. P.761-767.uk_UA
dc.relation.references7. Neumann L. Real-time scene text localization and recognition / L. Neumann, J. Matas // 2012 IEEE Conference on Computer Vision and Pattern Recognition. 2012. P.3538-3545.uk_UA
dc.relation.references8. Epshtein B. Detecting text in natural scenes with stroke width transform / B. Epshtein, E. Ofek, Y. Wexler // 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2010. P.2963-2970.uk_UA
dc.relation.references9. Ahmed N. Discrete Cosine Transform / N. Ahmed, T. Natarajan, K. R. Rao // IEEE Transactions on Computers. 1974. Vol. C-23, №1. P.90-93.uk_UA
dc.relation.references10. Zhong Y. Automatic caption localization in compressed video / Y. Zhong, H. Zhang and A. K. Jain // Pattern Analysis and Machine Intelligence, IEEE Transactions on. 2000. Vol. 22, №4. P.385-392.uk_UA
dc.relation.references11. Dalal N. Histograms of Oriented Gradients for Human Detection / N. Dalal, B. Triggs // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05) 2005. Vol. 1. P.886-893.uk_UA
dc.relation.references12. Czarnek N. Physically Motivated Feature Development for Machine Learning Applications // Department of Electrical and Computer Engineering Duke University. 2017.uk_UA
dc.relation.references13. Viola P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola, M. Jones // Proceedings of the 2001 IEEE Computer Society 88 Conference on Computer Vision and Pattern Recognition. 2001. Vol. 1. P.511- 518.uk_UA
dc.relation.references14. Ghorbel A. Generalized Haar-like filters for document analysis: application to word spotting and text extraction from comics // Document and Text Processing. Université de La Rochelle. 2016.uk_UA
dc.relation.references15. Chen X. Detecting and reading text in natural scenes / X. Chen and A. L. Yuille // Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2004. Vol. 2. P.366-373.uk_UA
dc.relation.references16. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. Vol. 61. P.85-117.uk_UA
dc.relation.references17. Bengio, Y. Deep Learning / Y. Bengio, Y. LeCun, G. Hinton // Nature. 2015. Vol. 521. P. 436–444.uk_UA
dc.relation.references18. Goodfellow I. J. Multi-digit number recognition from street view imagery using deep convolutional neural networks / I. J. Goodfellow, Y. Bulatov, J. Ibarz, S. Arnoud, V.Shet // Proceedings of the International Conference on Learning Representations (ICLR). 2014.uk_UA
dc.relation.references19. Zhang, Z. Multi-oriented text detection with fully convolutional networks. / Z. Zhang, C. Zhang, W. Shen, C. Yao, W. Liu, X. Bai // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. P.4159-4167.uk_UA
dc.relation.references20. Ronneberger O. U-net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention. 2015. Vol. 9351. P.234-241.uk_UA
dc.relation.references21. Bezmaternykh P.V. U-Net-bin: hacking the document image binarization contest / P.V. Bezmaternykh, D.A. Ilin, D.P. Nikolaev // Computer Optics. 2019. Vol. 43 №5. P.825-832.uk_UA
dc.relation.references22. Нейроподібні методи, алгоритми та структури обробки зображень у реальному часі: монографія / Ю. М. Рашкевич, Р. О. Ткаченко, І. Г. Цмоць, Д. Д. Пелешко ; НУ Львівська політехніка. Львів: Вид-во Львів. політехніки, 2014. 256 с. : іл.uk_UA
dc.relation.references23. Чарковський Д.Р., Стадник Н.Б. Методи детектування текстових областей на зображеннях. Інформаційні моделі, системи та технології: Праці XІ наук.-техн. конф. (Тернопіль, 13-14 грудня 2023 р.), Тернопіль, 2023. С. 192.uk_UA
dc.relation.references24. Machine Learning with Python. URL: https://www.freecodecamp.org/learn/ machine-learning-with-python/ (дата звертання 12.12.2023).uk_UA
dc.relation.references25. Васильєв О. Програмування мовою Python. К. : Навчальна книга Богдан, 2019. 418 с.uk_UA
dc.relation.references26. Keras: The Python Deep Learning librarу URL: https://keras.io/ (дата звертання 24.11.23).uk_UA
dc.relation.references27. NumPy. URL: http://www.numpy.org/ (дата звертання 24.11.23).uk_UA
dc.relation.references28. Bai B. A Seed-Based Segmentation Method for Scene Text Extraction / B. Bai, F. Yin and C. L. Liu // 11th IAPR International Workshop on Document Analysis Systems. 2014. P.262-266.uk_UA
dc.relation.references29. Agrawal A. Enhanced characterness for text detection in the wild / A. Agrawal, P. Mukherjee, S. Srivastava, B. Lall // Proceedings of 2nd International Conference on Computer Vision & Image Processing. 2018. P. 359-369.uk_UA
dc.relation.references30. Gomez L. A fast hierarchical method for multi-script and arbitrary oriented scene text extraction / L. Gomez, D. Karatzas // International Journal on Document Analysis and Recognition. 2016. Vol. 19, №4. P.335-349.uk_UA
dc.relation.references31. Lee J. Page segmentation using a convolutional neural network with trainable co–occurrence features. / J. Lee, H. Hayashi, W. Ohyama, S. Uchida // 2019 International Conference on Document Analysis and Recognition (ICDAR). 2019. P.1023-1028.uk_UA
dc.relation.references32. Wick C. Fully convolutional neural networks for page segmentation of historical document images / C. Wick, F. Puppe // 13th IAPR International Workshop on Document Analysis Systems (DAS). 208. P. 287-292.uk_UA
dc.relation.references33. Толок А.О. Крюковська О.А. Безпека життєдіяльності: Навч. посібник. 2011. 215 с.uk_UA
dc.relation.references34. Зеркалов Д.В. Охорона праці в галузі: Загальні вимоги. Навчальний посібник. К.: Основа. 2011. 551 с.-
dc.identifier.citationenCharkovskyi D. Mathematics and software for image recognition of inscriptions based on neural network algorithm in computerized systems : Master Thesis „123 — Computer Engineering“ / Dmytro Charkovskyi - Ternopil, TNTU, 2023 – 74 p.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.contributor.affiliationTernopil Ivan Puluj National Technical Universityuk_UA
dc.coverage.countryUAuk_UA
Ebben a gyűjteményben:123 — комп’ютерна інженерія

Fájlok a dokumentumban:
Fájl Leírás MéretFormátum 
Author_Notes_Dmytro_Charkovskyi.docx10,49 kBMicrosoft Word XMLMegtekintés/Megnyitás
Dmytro_Charkovskyi.pdf2,35 MBAdobe PDFMegtekintés/Megnyitás
Áttekintő adatok a dokumentumról


Minden dokumentum, ami a DSpace rendszerben szerepel, szerzői jogokkal védett. Minden jog fenntartva!

Admin Tools