EVRİŞİMLİ SİNİR AĞLARI KULLANARAK OPTİK KARAKTER TANIMA
Teknoloji insan hayatının önemli bir parçası olmuştur. İnsanlar her an her yerde akıllı cihazlar ve bilgisayarlar aracılığı ile gerek gündelik gerekse iş hayatlarına ait tüm süreçleri hızlı ve doğru olarak gerçekleştirebilmektedir. Bu durum zamanın daha verimli kullanılmasını sağlamaktadır. İş hayatında tüm yazışmalar, belgeler bilgisayarlar üzerinden yapılmaktadır. Bu nedenle metin tanıma ve karakter tanıma teknolojisinin kullanılması maliyetten ve zamandan tasarruf sağlanmaktadır. Bu çalışmada resim içerisindeki metin ifadelerin sayısallaştırma yöntemi ile tespit edilmesi amaçlanmaktadır. Bu doğrultuda taranan bir dökümanın gri tona çevrilmesi, sayfa üzerindeki gürültünün temizlenmesi, doküman üzerinde satırların tespiti, tespit edilen satırların kelimelerine ayrılması, ayrılan kelimelerden harflerin elde edilmesi ve evrişimsel sinir ağı algoritmaları ile elde edilen harfin tespitinin yapılması adımları bir örnek üzerinden incelenecektir.
Anahtar Kelimeler:
Evrişimsel sinir ağları, Optik karakter tanıma (OKT), Sayısallaştırma
OPTICAL CHARACTER RECOGNITION USING CONVENTIONAL NEURAL NETWORKS
Technology has been an important part of human life. People can carry out all processes of their daily and business lives quickly and accurately via smart devices and computers anywhere at any time. This ensures that time is used more efficiently. All correspondence and documents in business life are done on computers. For this reason, the use of text recognition and character recognition technology saves cost and time. In this study, it is aimed to determine the text expressions in the picture by digitization method. In this direction, the steps of converting a scanned document to grayscale, removing the noise on the page, detecting the lines on the document, separating the detected lines into words, obtaining letters from the separated words and detecting the letter obtained by convolutional neural network algorithms will be examined through an example.
___
- Abiodun, O. I., Jantan, A., Omolara, A. E., Dada, K. V., Mohamed, N. A., & Arshad, H. (2018). State-of-the-art in artificial neural network applications: A survey. Heliyon, 4(11), e00938.
- Abraham, A. (2005). Artificial neural networks. Handbook of measuring system design.
- Aggarwal, C. C. (2018). Neural networks and deep learning. Springer, 10(978), 3.
- Alpaslan. F., Eğrioğlu. E., Aladağ. Ç., İlter, D. ve Dalar, A. (2013). Tek Çarpımsal Sinir Hücreli Yapay Sinir Ağı Modelinin Eğitimi İçin ABC ve BP Yöntemlerinin Karşılaştırılması. Eskişehir Technical University Journal of Science and Technology A - Applied Sciences and Engineering. 14(3). 315-328.
- Arı A. ve Berberler, M. E. (2017). Yapay sinir ağları ile tahmin ve sınıflandırma problemlerinin çözümü için arayüz tasarımı. Acta Infologica, 1(2), 55-73.
- Atalı, G., Özkan, S. S., & Karayel, D. (2016). Image damage analysis with morphological image processing technique using artificial neural networks. Academic Platform-Journal of Engineering and Science, 4(1)
- Ataseven, B. (2013). Yapay sinir ağlari ile öngörü modellemesi. Öneri Dergisi, 10(39), 101-115.
- Bektaş, B. (2014). RFID ve XBEE Tabanlı Depo Yönetim Sistemi Tasarımı ve Gerçekleştirilmesi. İstanbul: Marmara Üniversitesi. Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi.
- Bektaş, B., Babur, S., Turhal, U., & Köse, E. (2016). Makine öğrenmesi yardımıyla optik karakter tanıma sistemi. 5. Uluslar Arası Matbaa Teknolojileri Sempozyumu, İstanbul.
- Dell’Aversana, Paolo (2019) Artificial neural networks and deep learning. a simple overview. Manager. https://doi.org/10.5121/ijsc.2012.3203 Google Scholar
- Dongare, A. D., Kharde, R. R., & Kachare, A. D. (2012). Introduction to artificial neural network. International Journal of Engineering and Innovative Technology (IJEIT), 2(1), 189-194.
- Erdoğan, A. A., & Tümer, A. E. (2021). Deep Learning Method for Handwriting Recognition. MANAS Journal of Engineering, 9(1), 85-92.)
- Karpathy, A. 2015. “Neural Networks Part 1: Setting Up the Architecture.” Notes for CS231n Convolutional Neural Networks for Visual Recognition, Stanford University. http://cs231n.github.io/neural-networks-1/
- Kır, B., Öz, C., & Gülbağ, A. (2001). Yapay Sinir Ağlarında Negative Correlation Learning Metodu Kullanarak Optik Karakter Tanıma. Elektrik-Elektronik Bilgisayar Sempozyumu (FEEB 2011), Elazığ, 105-109.
- Krenker, A., Bešter, J., & Kos, A. (2011). Introduction to the artificial neural networks. Artificial Neural Networks: Methodological Advances and Biomedical Applications. InTech, 1-18.
- Koyun, A., & Afşin, E. (2017). Derin öğrenme ile iki boyutlu optik karakter tanıma. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 10(1), 11-14.
- Maind, S. B., & Wankar, P. (2014). Research paper on basic of artificial neural network. International Journal on Recent and Innovation Trends in Computing and Communication, 2(1), 96-100.
- Musayev, E. (2004). Bilgisayar destekli karakter tanıma sistemi tasarımı. İstanbul Üniversitesi Fen Bilimleri Enstitüsü.
- Mithe, R., Indalkar, S., & Divekar, N. (2013). Optical character recognition. International journal of recent technology and engineering (IJRTE), 2(1), 72-75.
- Ovatman, T. (2005). A Real-Time Optical Character Recognition System. İstanbul: İstanbul Technical University, Institute of Science and Technology Master Thesis.
- Shah, P., Karamchandani, S., Nadkar, T., Gulechha, N., Koli, K., & Lad, K. (2009, November). OCR-based chassis-number recognition using artificial neural networks. In 2009 IEEE International Conference on Vehicular Electronics and Safety (ICVES) (pp. 31-34). IEEE.
- Somuncu, E., & ATASOY, N. A. (2022). Evrişimli tekrarlayan sinir ağı ile metin görüntüleri üzerinde karakter tanıma uygulaması gerçekleştirilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(1), 17-28.
- Srihari, S. N., Shekhawat, A., & Lam, S. W. (2003). Optical character recognition (OCR). In Encyclopedia of Computer Science (pp. 1326-1333).
- Steinherz, T., Rivlin, E., & Intrator, N. (1999). Offline cursive script word recognition–a survey. International Journal on Document Analysis and Recognition, 2(2-3), 90-110.
- Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D.,& Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
- Şekerci, M., & Kandemir, R. (2009). Birleşik ve Eğik Türkçe El Yazısı Tanımada K-Nn Sınıflama Yöntemi Ve Sözlük Kullanımı. Trakya Üniversitesi Fen Bilimleri Dergisi, 10(1), 97-102.
- Şengür, A., ve Türkoğlu, İ. (2004). Değişmez momentlerle Türkçe karakter tanıma. Fırat Üniversitesi Doğu Araştırmaları Dergisi, 2(2), 114-117.
- Tilki, S. (2020). İngilizcede çember dolgu oranı yöntemi ile optik karakter tanıma (Master's thesis, İstanbul Sabahattin Zaim Üniversitesi
- Uzun, E. & Çağıltay, K. (2012). Çevrimiçi El Yazısı Tanıma Sistemi Olan Graffiti’nin Kullanılabilirlik Açısından Değerlendirilmesi. SDU International Journal Of Technological Science, 4(1), 46-57.
- Verma, B., Blumenstein, M., & Kulkarni, S. (1998). Recent achievements in off-line handwriting recognition systems. In Proceedings of the International Conference on Computational Intelligence and Multimedia Applications (pp. 27-33).
- Yıldırım, Elif. Yapay Sinir Ağı(Artificial Neural Network) Nedir? Available from: https://www.veribilimiokulu.com/blog/yapay-sinir-agiartificial-neural-network-nedir/ [Accessed 06th Februray 2021].
- Yayın Aralığı: Yılda 2 Sayı
- Başlangıç: 2018
- Yayıncı: Berrin ONARAN