Yapay sinir ağı kullanarak el yazısı rakam tanıma=(recognition of handwritten numerarls by using neural network).

Abstract

Optik karakter tanıma, yazılmış dökümanların bilgisayar ortamına aktarılması-nı amaçlar. Bu aşamadan sonra, hazırlanan veriler farklı uygulamalar için kullanılabi-lir. Büro ya da posta dökümanlarının hızlı sınıflandırılması ve bilgisayar arşivlerinin oluşturulmasını bu uygulamalara örnek olarak verebiliriz. Makine baskısı karakter şekilleri yazım fontlarına göre sınırlı değişimler gösterir. Fakat, bu değişimler, el yazısı karakterler için büyük boyutlarda oluşmaktadır. Bu yüzden el yazısı karakter tanıma, optik tanıma uygulamalarında önemli bir problem olarak yer tutmaktadır. Karakter şekillerinden çıkarılan öznitelik verilerinin seçimi, elyazısı karakter tanımada önemli bir yer tutar. Öznitelik seçiminde, aynı karakter sınıfında yer alan şekiller için küçük farklar, fakat ayrı sınıflar için büyük farklar üreten öznitelikle-rin seçilmesi amaçlanır. Ayrıca, aynı sınıf içerisinde yer alan öznitelik verilerindeki deği-şimlerden çok etkilenmeyen uygun bir sınıflayıcıya ihtiyaç duyulur. Bu çalışmada elyazısı rakam tanımaya ilişkin bir uygulama tanıtılmaktadır. Uygulama ayrık yazılmış rakam örnekleri üzerinde gerçekleştirilmiştir. El yazısı ra-kamların tanınması amacıyla üretilen öznitelik seti iki alt bölümden oluş-maktadır. Bunlar, rakam şeklinin sınır eğrisi ve iskelet yapısından çıkartılmakta-dır. Bu şekilde elde edilen yeni öznitelikler rakamları yansıtmada dayanıklı bir yapı gösterir. Elyazısı rakamların sınıflandırılması için Çok Katmanlı Perceptron yapay sinir ağı kullanıl-mıştır. Tanıma sistemi için yaklaşık 3000 farklı elyazısı rakam örneği toplanmıştır. Örnekler el yazısı dökümanlardan bir dijital tarayıcı aracılığı ile elde edilmiştir. Farklı biçimleri temsil eden 1400 adet örnek, ağ eğitiminde kullanılmak üzere seçilmiştir. Eğitim aşamasında geri yayılım algoritması ve sürekli formdaki giriş değerleri kulla-nılmıştır. Eğitim aşamasının tamamlanmasından sonra, eğitimde kullanılmayan diğer 1600 örnek kullanılarak ağın tanıma verimi test edilmiştir. Orta boyutlardaki örnek sayısı üzerinden elde edilen sistem verimi, yöntemin başarılı sonuçlar ürettiğini gös-termektedir. İşlemler, üretilen simulasyon programları aracılığı ile bilgisayar ortamın-da gerçekleştirlmiştir. Optic Character Recognition (OCR) aims that printed documents are transferred to inside of computer software. After this process, prepared data may be used for different applications. We can give same examples about this applications such as fast classification of the office or postal documents, generating of the computer archieves etc. Shapes of the machine printed characters show limited variations which depend on character fonts. But, this variation comes into existence in big dimensions on the handwritten character shapes. Because of that, handwritten character recognition takes place as an important problem in OCR applications. Selection of feature data which are extracted from character shapes, plays important role on recognition of the handwritten character. For selecting features, the aim is to have small difference for shapes of the same character class, but big difference for different class. In addition, a suitable classifier is required which is influenced much from shifting values of the feature data in the same class. In this study, an application which is related to the recognition of the handwritten numerals has been introduced. Feature set which are generated to recognition handwritten numerals, consists of two sub feature sets. They have been extracted from contour and skeleton structure of the numeral shape. In this way, extracted new features show a robust structure in representing numerals. An Artificial Neural Network (ANN) has been designed to classify handwritten numerals. Designed network model is Multilayer Perceptron. Approximately 3000 samples have been collected from different handwritten numerals for recognition system. Selected 1400 samples that represent variations of different shape, were used for network training. In the training phase, backpropagation algorithm has been used. After training stage is completed, recognition performance of network was tested by using other 1600 samples that have not been used in training. Measured system performance which comes from samples with middle dimensions, shows that the method generates succesful results. All process have been applicated by using computer simulation programs.