Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/49635
Назва: Розробка інформаційної системи для розпізнавання рукописного тексту з використанням нейронних мереж
Інші назви: Development of an Information System for Handwritten Text Recognition Using Neural Networks
Автори: Ясюк, Ангеліна Андріївна
Yasiuk, Anhelina Andriivna
Приналежність: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Бібліографічний опис: Ясюк А. А. Розробка інформаційної системи для розпізнавання рукописного тексту з використанням нейронних мереж : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. Г. І. Липак. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 57 с.
Дата публікації: 29-чер-2025
Дата подання: 15-чер-2025
Дата внесення: 8-лип-2025
Видавництво: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Країна (код): UA
Місце видання, проведення: Тернопіль
Науковий керівник: Липак, Галина Ігорівна
Lypak, Halyna
УДК: 004.08
Теми: 122
глибинне навчання
згорткові нейронні мережі
обробка зображень
розпізнавання рукописного тесту
рукописний текст
штучний інтелект
artificial intelligent
convolutional neural networks
deep learning
hardwritten text
hardwritten text recognition
image processing
Діапазон сторінок: 57
Короткий огляд (реферат): В цій кваліфікаційній роботі досліджується застосування згорткових нейронних мереж для розпізнавання рукописного тексту. Метою даної роботи була розробка моделі глибинного навчання, яка буде класифікувати рукописні символи. У роботі були вивчені сучасні методи обробки тексту з застосуванням нейронних мереж. Реалізована модель відповідає поставленій меті і здатна класифікувати рукописні символи
This thesis explores the application of convolutional neural networks for handwritten text recognition. The aim of this work was to develop a deep learning model that would classify handwritten characters. The thesis examined modern methods of text processing using neural networks. The implemented model meets the set goal and is capable of classifying handwritten characters.
Опис: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 29.06.2025р. на засіданні екзаменаційної комісії №30 у Тернопільському національному технічному університеті імені Івана Пулюя
Зміст: ВСТУП 8 РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ 10 1.1 Поточний стан в галузі розпізнавання тексту 10 1.2 Порівняння архітектур нейронних мереж для розпізнавання рукописного тексту 12 1.2.1 Згорткові нейронні мережі 12 1.2.2 Згорткові рекурентні нейронні мережі 13 1.2.3 Моделі на базі трансформерів 14 1.3 Визначення функціональних вимог до моделі розпізнавання тексту 16 1.4 Висновки до першого розділу 18 РОЗДІЛ 2. ТЕОРЕТИЧНІ ОСНОВИ РОЗПІЗНАВАННЯ РУКОПИСНОГО ТЕКСТУ 19 2.1 Відмінності рукописного і друкованого текстів 19 2.2 Розвиток технологій розпізнавання текстів 21 2.3 Процес навчання моделі 24 2.4 Застосування згорткових нейронних мереж для розпізнавання символів 25 2.5 Висновки до другого розділу 28 РОЗДІЛ 3. ПРАКТИЧНА РЕАЛІЗАЦІЯ СИСТЕМИ РОЗПІЗНАВАННЯ РУКОПИСНИХ СИМВОЛІВ 29 3.1 Інструменти, використані в роботі 29 3.2 Модель для розпізнавання символів 33 3.3 Висновки до третього розділу 45 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 46 4.1 Загальні вимоги безпеки до обладнання та технологічних процесів 46 4.2 Протипожедні заходи в офісних приміщеннях 49 4.3 Висновки до четвертого розділу 51 ВИСНОВКИ 52 ПЕРЕЛІК ДЖЕРЕЛ 53 ДОДАТКИ
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/49635
Власник авторського права: © Ясюк Ангеліна Андріївна, 2025
Перелік літератури: 1. Optical Character Recognition (OCR): Emerging Trends and Future Applications. Jumio. URL: https://www.jumio.com/optical-character-recognition-trends-and-applications/.
2. What is OCR (Optical Character Recognition)? Benefits, Challenges, and Use Cases [Infographic]. Medium. URL: https://weareshaip.medium.com/what-is-ocr-optical-character-recognition-benefits-challenges-and-use-cases-infographic-225dbb067549.
3. Digitized Historical and Cultural Heritage Consolidation Technologies: From a Territorial Resource to a National Portal / Halyna Lypak та ін. 10th International Conference on Advanced Computer Information Technologies. Conference Proceedings, Deggendorf, Germany, 16 верес. 2020 / Ternopil National Economaical University.
4. Дубчак А. О. Напрямки використання штучного інтелекту в сучасних умовах / А. О. Дубчак, Я. В. Литвиненко // Матеріали міжнародної наукової конференції «ван Пулюй: життя в ім’я науки та України» (до 175-ліття від дня народження), 28-30 вересня 2020 року. — Т. : ФОП Паляниця В. А., 2020. — С. 64–65.
5. What are convolutional neural networks?. IBM. URL: https://www.ibm.com/think/topics/convolutional-neural-networks.
6. What is LSTM – Long Short Term Memory? [Електронний ресурс] – Режим доступу до ресурсу: https://www.geeksforgeeks.org/deep-learningintroduction-to-long-short-term-memory/.
7. Text Recognition With CRNN-CTC Network. Wandb. URL: https://wandb.ai/authors/text-recognition-crnn-ctc/reports/Text-Recognition-With-CRNN-CTC-Network--VmlldzoxNTI5NDI.
8. TrOCR. Huggingface. URL: https://huggingface.co/docs/transformers/model_doc/trocr.
9. Building a Handwriting Recognition System with CRNN: A Beginner’s Guide. Medium. URL: https://medium.com/@pavitharan2020/building-a-handwriting-recognition-system-with-crnn-a-beginners-guide-58a51a46dd15.
10. TrOCR — Transformer-based Optical Recognition Model. Medium. URL: https://medium.com/@tejpal.abhyuday/trocr-transformer-based-optical-recognition-model-811f7b3217da.
11. Emnist. Tensorflow. URL: https://www.tensorflow.org/datasets/catalog/emnist.
12. Перенавчання. Google for Developers. URL: https://developers.google.com/machine-learning/crash-course/overfitting/overfitting?hl=uk.
13. Natural Language Processing (NLP) – Overview [Електронний ресурс] – Режим доступу до ресурсу: https://www.geeksforgeeks.org/natural-languageprocessing-overview/.
14. Exploring Natural Language Processing (NLP) in Translation [Електронний ресурс] – Режим доступу до ресурсу: https://www.shaip.com/blog/nlp-in-translation/.
15. Fundamentals of Statistical Natural Language Processing [Електронний ресурс] – Режим доступу до ресурсу: https://www.proxet.com/blog/fundamentalsof-statistical-natural-language-processing
16. Handwriting Text Recognition (HTR). PlanetAI. URL: https://planet-ai.com/handwriting-text-recognition-htr/.
17. Бабак В. П., Марченко М. Є., Фриз. Б. Г. Теорія ймовірностей, випадкові процеси та математична статистика. К.: Техніка, 2004. 288 с.
18. Roscoe Goble Loveth. Transforming OCR Accuracy: The Impact of Deep Learning vs. Bayesian Inference in Handwritten Character Recognition. ResearchGate. 2024.
19. OCR Deep Learning: The Curious Machine Learning Case. Labelyourdata. URL: https://labelyourdata.com/articles/ocr-with-deep-learning.
20. The EMNIST Dataset. NIST. URL: https://www.nist.gov/itl/products-and-services/emnist-dataset.
21. What is Adam Optimizer?. GeeksforGeek. URL: https://www.geeksforgeeks.org/deep-learning/adam-optimizer/.
22. Липак Г., Липак Т., Кунанець Н. Проєктування інформаційної системи на основі машинного навчання для збереження та класифікації артефактів документальної спадщини. Вісник Хмельницького національного університету: технічні науки. Т. 334 № 4 (2024). С. 176-182. https://doi.org/10.31891/2307-5732-2024-339-4-29
23. Fryz M., Scherbak L., Mlynko B., Mykhailovych T. Linear Random Process Model-Based EEG Classification Using Machine Learning Techniques. Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023). Ternopil, Ukraine: CEUR Workshop Proceedings, 2023. Vol. 3468. P. 126–132.
24. Multi-Layer Neural Network [Електронний ресурс] – Режим доступу до ресурсу: http://deeplearning.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/.
25. What is gradient descent? [Електронний ресурс] – Режим доступу до ресурсу: https://www.ibm.com/think/topics/gradient-descent.
26. Що таке обробка природної мови (NLP) та як вона може використовуватися у бізнесі [Електронний ресурс] – Режим доступу до ресурсу: https://metinvest.digital/ua/page/1052.
27. Як ми вчимося. Чому мозок навчається краще, ніж машина… Поки що / пер. з англ. Юлія Костюк. – 3-тє вид. – К. :Лабораторія, 2023. – 288 с
28. Luis Serrano. Grokking Machine Learning, 2023. – 512 c.
29. Функції активації: Ступінчаста, лінійна, сигмоїда, ReLU та Tanh. Robotdreams. URL: https://robotdreams.cc/uk/blog/327-funkciji-aktivaciji-stupinchasta-liniyna-sigmojida-relu-ta-tanh.
30. What are Convolution Layers?. GeeksforGeek. URL: https://www.geeksforgeeks.org/machine-learning/what-are-convolution-layers/.
31. A Brief History of Natural Language Processing [Електронний ресурс] – Режим доступу до ресурсу: https://www.dataversity.net/a-brief-history-of-naturallanguage-processing-nlp/.
32. TensorFlow і машинне навчання. Foxminded. URL: https://foxminded.ua/tensorflow-shcho-tse/.
33. Keras 3 API documentation. Keras. URL: https://keras.io/api/.
34. TensorFlow Datasets: a collection of ready-to-use datasets.. Tensorflow. URL: https://www.tensorflow.org/datasets.
35. Matplotlib: Visualization with Python. Matplotlib. URL: https://matplotlib.org/.
36. Jupyter for Data Science [Електронний ресурс] – Режим доступу до ресурсу: https://docs.jupyter.org/en/latest/use/use-cases/data_science.html.
37. Why Deep Learning Need GPU. GeeksforGeek. URL: https://www.geeksforgeeks.org/deep-learning/why-deep-learning-need-gpu/.
38. Ерік Маттес. Пришвидшений курс Python / Ерік Маттес. – Львів: Видавництво Старого Лева, 2021. – 600 с
39. Neural networks and statistical techniques: A review of applications [Електронний ресурс] – Режим доступу до ресурсу: https://www.sciencedirect.com/science/article/abs/pii/S0957417407004952?__cf_chl _tk=nhhMjiamBzsEVB5EwXrkCHoUKIFsLCmLjsR6OU_WZD0-1734599769- 1.0.1.1-OvKUGdsIHDUcx3Qujo9P.nL0wOl5J9yuylTXZkZ1RQQ.
40. Python for Machine Learning [Електронний ресурс] – Режим доступу до ресурсу: https://www.geeksforgeeks.org/python-for-machine-learning/.
41. Кліщ, М., Липак, Г., Кунанець, Н., Пасічник, С., & Липак, Т. Структура інформаційної системи передбачення та інтерпретації зміни стану користувача сервісу. Вісник Національного Університету «Львівська Політехніка». Інформаційні системи та мережі, 17 (2025). С. 226 - 238. https://doi.org/10.23939/sisn2025.17.226
42. Python for Mathematicians [Електронний ресурс] – Режим доступу до ресурсу: https://www.math.purdue.edu/~bradfor3/ProgrammingFundamentals/Python/.
43. Безпечність машин. Загальні принципи проектування. Оцінювання ризиків та зменшення ризиків: ДСТУ EN ISO 12100:2016. – Київ : Мінекономрозвитку України, 2016.
43. Безпечність машин. Загальні принципи проектування. Оцінювання ризиків та зменшення ризиків: ДСТУ EN ISO 12100:2016. – Київ : Мінекономрозвитку України, 2016.
45. Аналітична довідка про пожежі та їх наслідки в Україні за 11 місяців 2024 року. ДСНС. URL: https://dsns.gov.ua/upload/2/2/8/5/6/0/7/analitychna-dovidka-pro-pojeji-112024.pdf.
46. Будівлі та споруди. Пожежна безпека. Загальні вимоги : ДБН В.1.1-7:2016. – [Чинний від 01.06.2017]. – Київ : Мінрегіон України, 2016.
Тип вмісту: Bachelor Thesis
Розташовується у зібраннях:122 — Компʼютерні науки (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
2025_KRB_SN-43_Yasiuk_AА.pdfДипломна робота1,37 MBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора