التعرف على الأرقام للغة العربية المكتوبة بخط اليد من خلال الشبكات العصبية التلافيفية والأنماط الثنائية المحلية والرسم البياني للتدرجات الموجهة
محتوى المقالة الرئيسي
الملخص
التعرف على النص المكتوب بخط اليد هو موضوع دراسة له تطبيقات عديدة. أحد هذه التطبيقات هو تمييز الكتابة اليدوية في المستندات الرسمية، المخطوطات التاريخية، الشيكات المصرفية وما الى ذلك، وهي مشكلة يمكن اعتبارها بشكل نسبي مشكلة أمنية. كان لموضوع التعرف على خط اليد حيز كبير من الدراسة والتحليل في السنوات الأخيرة. يستخدم الأشخاص النص العربي في العديد من البلدان، بما في ذلك جميع البلدان التي تعتمد اللغة العربية كلغة أساسية بالإضافة إلى اللغات الفارسية والأردية والباشتو فإنها تستخدم الرموز العربية من حروف وارقام. ونظرًا للتنوع اللامتناهي في الكتابة اليدوية للأشخاص فان أنظمة التعرف عليها تواجه العديد من التحديات. تهدف هذه الورقة إلى فحص فعالية بعض التقنيات في معالجة مشكلة التعرف على الأرقام المكتوبة بخط اليد العربية (AHNR). على وجه التحديد الطرق قيد الدراسة هي الشبكات العصبية التلافيفية (CNNs)، والتي أثبتت فائدتها في مجالات متنوعة وتقدم حلولًا فعالة. النمط الثنائي المحلي (LBP) كتقنية لاستخراج الميزات وهو مشغل تركيبي فريد وفعال يجد تطبيقًا واسع النطاق في مجال أجهزة الكمبيوتر مثل التعرف على القياسات الحيوية واكتشاف الأهداف. وأيضا الرسم البياني للتدرجات الموجهة (HOG) كتقنية لاستخراج الميزات والتي تستخدم في رؤية الكمبيوتر ومعالجة الصور لغرض اكتشاف الأشياء حيث يركز واصف HOG على هيكل أو شكل كائن وهو أفضل من أي واصف حافة لأنه يستخدم المقدار وكذلك زاوية التدرج لحساب الميزات. علاوة على ذلك، سيتم استخدام خوارزمية K-Nearest Neighbor (KNN) كمصنف بالتزامن مع LBP وHOG. بمقارنة أداء الطرق الثلاثة حقق نموذج الشبكة العصبية التلافيفية (CNN) ما يقرب من 99 % من دقة التعرف، وهو مقارب لنهج HOG ولكن من حيث الفعالية الحسابية، كان نموذج CNN أسرع بمقدار o.61 ثانية من نهج HOG.
Received 03/06/2023
Revised 08/09/2023
Accepted 10/09/2023
Published Online First 20/03/2024
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Ali AA, Mallaiah S. Intelligent handwritten recognition using hybrid CNN architectures based-SVM classifier with dropout. J King Saud Univ Comput Inf Sci. 2022 Jun; 1; 34(6): 3294-300. https://dx.doi.org/10.1016/j.jksuci.2021.01.012
Younis KS. Arabic hand-written character recognition based on deep convolutional neural networks. Jordanian J Comput Inf Technol. 2017 Dec; 1; 3(3). https://dx.doi.org/10.5455/jjcit.71-1498142206.pp186-200
Ettaouil EH. Generalization Ability Augmentation and Regularization of Deep Convolutional Neural Networks Using l1/2 Pooling. Int J Tech Phys Probl Eng. 2021 September; 13(48): 1-6.
El-Sawy A, Loey M, El-Bakry H. Arabic handwritten characters recognition using convolutional neural network. WSEAS Trans Comput Res. 2017 Jan; 5(1): 11-9.
Al-wajih E, Ghazali R. An enhanced LBP-based technique with various size of sliding window approach for handwritten Arabic digit recognition. Multimed Tools Appl. 2021 Jul; 80: 24399-418. https://doi.org/10.1007/s11042-021-10762-x
Jebril NA, Al-Zoubi HR, Abu Al-Haija Q. Recognition of handwritten Arabic characters using histograms of oriented gradient (HOG). Pattern Recognit. Image Anal. 2018 Apr; 28: 321-45. https://doi.org/10.1134/S1054661818020141
Hussain BA, Hathal MS. Developing Arabic License Plate Recognition System Using Artificial Neural Network and Canny Edge Detection. Baghdad Sci J. 2020 Sep. 1; 17(3): 909-15. https://doi.org/10.21123/bsj.2020.17.3.0909
Gunawan TS, Noor AF, Kartiwi M. Development of english handwritten recognition using deep neural network. Indones J Electr Eng Comput Sci. 2018 May;10(2):562-8. http://doi.org/10.11591/ijeecs.v10.i2.pp562-568
Alnedawe SM, Aljobouri HK. A New Model Design for Combating COVID-19 Pandemic Based on SVM and CNN Approaches. Baghdad Sci J. 2023. https://doi.org/10.21123/bsj.2023.7403
Kadir NH, Hidayah SN, NorasiahMohammad ZI. Comparison of convolutional neural network and bag of features for multi-font digit recognition. Indones J Electr Eng Comput Sci.. 2019 Sep; 15(3): 1322-8. http://doi.org/10.11591/ijeecs.v15.i3.pp1322-1328
Can YS, Kabadayı ME. Automatic cnn-based Arabic numeral spotting and handwritten digit recognition by using deep transfer learning in Ottoman population registers. Appl. Sci. 2020 Aug 6; 10(16): 5430. https://doi.org/10.3390/app10165430
Alkhawaldeh RS. Arabic (Indian) digit handwritten recognition using recurrent transfer deep architecture. Soft Comput. 2021 Feb; 25(4): 3131-41. https://doi.org/10.1007/s00500-020-05368-8
Alqudah A, Alqudah AM, Alquran H, Al-Zoubi HR, Al-Qodah M, Al-Khassaweneh MA. Recognition of handwritten arabic and hindi numerals using convolutional neural networks. Appl. Sci. 2021 Feb 9; 11(4): 1573. https://doi.org/10.3390/app11041573
Gupta D, Bag S. CNN-based multilingual handwritten numeral recognition: A fusion-free approach. Expert Syst Appl. 2021 Mar 1; 165: 113784. https://doi.org/10.1016/j.eswa.2020.113784
Finjan RH, Rasheed AS, Hashim AA, Murtdh M. Arabic handwritten digits recognition based on convolutional neural networks with resnet-34 model. Indones J Electr Eng Comput Sci.. 2021 Jan; 21(1): 174-8. https://doi.org/10.11591/ijeecs.v21.i1.pp174-178
Alabid N. Interpretation of Spatial Relationships by Objects Tracking in a Complex Streaming Video. ECTI-CIT. 2021 May 5; 15(2): 245-57. https://doi.org/10.37936/ecti-cit.2021152.240953
Kusetogullari H, Grahn H, Lavesson N. Handwriting image enhancement using local learning windowing, Gaussian Mixture Model and k-means clustering. IEEE International Symposium on Signal Processing and Information Technology (ISSPIT) 2016 Dec 12 (pp. 305-310). IEEE. https://doi.org/10.1109/ISSPIT.2016.7886054
Hassan AK. Arabic (Indian) Handwritten Digits Recognition Using Multi feature and KNN Classifier. JUBPAS. 2018 Feb 1; 26(4): 10-7. https://doi.org/10.29196/jub.v26i4.679
Alqaralleh BA, Alksasbeh MZ, Abukhalil T, Almahafzah H, Al Rawashdeh T. Recognition of handwritten Arabic (Indian) numerals using skeleton matching. Indones J Electr Eng Comput Sci. 2020 Sep; 19(3): 1461-8. https://doi.org/10.11591/ijeecs.v19.i3.pp1461-1468
Mohammed MJ, Tariq SM, Ayad H. Isolated Arabic handwritten words recognition using EHD and HOG methods. Indones J Electr Eng Comput Sci. 2021 May; 22(2): 193-200. https://doi.org/10.11591/ijeecs.v22.i2.pp801-808
Agarap AF. Deep learning using rectified linear units (relu). arXiv preprint arXiv:1803.08375. 2018 Mar 22. https://doi.org/10.48550/arXiv.1803.08375
Hamida S, Cherradi B, Ouajji H. Handwritten arabic words recognition system based on hog and gabor filter descriptors. In2020 1st International Conference on Innovative Research in Applied Science, Engineering and Technology (IRASET) 2020 Apr 16 (pp. 1-4). IEEE. https://doi.org/10.1109/IRASET48871.2020.9092067