ВВЕДЕНИЕ 4
1 КРАТКИЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ 7
1.1 ОПИСАНИЕ ЗАДАЧИ РАСПОЗНАВАНИЯ МАШИНОПИСНОГО ТЕКСТА 7
1.2 ОБЗОР И АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ
РАСПОЗНАВАНИЯ МАШИНОПИСНОГО ТЕКСТА 9
1.3 МЕТОДЫ СЕГМЕНТАЦИИ ТЕКСТА 11
1.4 МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЯ 14
1.5 МЕТОДЫ РАСПОЗНАВАНИЯ СИМВОЛОВ 16
1.6 ВЫВОДЫ ПО ПЕРВОМУ РАЗДЕЛУ 21
2 РАЗРАБОТКА СИСТЕМЫ РАСПОЗНАВАНИЯ
МАШИНОПИСНОГО ТЕКСТА 22
2.1 РАЗРАБОТКА ТРЕБОВАНИЙ К СИСТЕМЕ РАСПОЗНАВАНИЯ МАШИНОПИСНОГО ТЕКСТА 22
2.1.1 Постановка задачи 22
2.1.2 Требования к системе 23
2.1.3 Проектирование системы 23
2.2 АЛГОРИТМ РАБОТЫ ПРОГРАММЫ 26
2.3 ПРИЕМ И ПРЕДОБРАБОТКА ИЗОБРАЖЕНИЯ 30
2.5 СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЯ 30
2.6 РАСПОЗНАВАНИЕ СИМВОЛОВ 32
2.7 ОПИСАНИЕ ГРАФИЧЕСКОГО ИНТЕРФЕЙСА 33
2.8 ТЕСТИРОВАНИЕ ПРОГРАММНОГО ПРОДУКТА 34
2.9 ВЫВОДЫ ПО ТРЕТЬЕЙ ГЛАВЕ 36
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 38
ПРИЛОЖЕНИЕ ЛИСТИНГ 40
Системы оптического распознавания текста создаются и в настоящее время. Это происходит потому, что сейчас нет однозначных математических систем, с помощью которых можно было бы точно решить эту проблему. Все методы распознавания текста основаны на эвристике, то есть имеют некую долю вероятности неточности. Поэтому данная задача остается актуальной, востребованной в различных областях практической деятельности человека и в нынешнее время.
В настоящий момент существуют как онлайн, так и оффлайн системы оптического распознавания текста. Каждый из них имеет свои плюсы и минусы. Например, онлайн методы могут за один раз обрабатывать множество документов, в отличие от оффлайн методов, однако они требуют постоянного подключения к интернету что, во-первых, требует затрат на подключение к нему, а во-вторых, возникают риски незаконной передачи к злоумышленникам, в отличие от оффлайн методов.
Объем мирового рынка применения OCR был оценен в 5,27 млрд долларов США в 2018 году и ожидают, что за период 2019-2025 гг. совокупный среднегодовой темп роста составит 13,7% согласно отчету исследовательской компании GrandViewResearch (и 14,8% – согласно отчету TransparencyMarketResearch) [1].
Эта работа покажет оффлайн метод распознавания машинописного текста. Для работы необходимо изображение текстового документа.
Объект исследования системы автоматического распознавания текста на изображении.
Целью данной работы является повышение точности автоматического распознавания машинописного текста путем разработки приложения на основе нейронной сети.
Для достижения этой цели необходимо решить следующие задачи:
1) Изучение существующих алгоритмов сегментации и распознавания машинописного текста.
2) Разработка и программная реализация алгоритма сегментации машинописного текста.
3) Разработка и программная реализация алгоритма распознавания машинописного текста.
4) Разработка графического интерфейса пользователя, включающего возможность сохранения распознанного документа в текстовом формате. Тестирование итоговой программы распознавания машинописного текста.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка и программная реализация алгоритма распознавания машинописных текстов #9104868
Артикул: 9104868
- Предмет: Программирование
- Уникальность: 68% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2021 году
- Количество страниц: 56
- Формат файла: docx
- Последняя покупка: 27.05.2023
1 999p.
2 500p.
Только 27 и 28 апреля!
1) Качнов С.А. Применение искусственного интеллекта при распознавании текста/ С.А. Качнов. Ростов-на-Дону, 2019 г. 78с. Текст: непосредственный.
2) Полюхин Д.А. Методы и этапы распознавания рукописного текста / Д.А. Полюхин, И.И. Сальников. Пенза, 2019 г. 71с. Текст: непосредственный.
3) Cенюкова О.В. Выделение областей интереса / О.В. Сенюкова. Текст: электронный// cyberleninka.ru : [Сайт]. URL: https://cyberleninka.ru/article/n/vydelenie-oblastey-interesa-na-osnove klassifikatsii- izoliniy (дата обращения 25.04.2020).
4) Аллаберганов А.А. Методика получения текстовой информации на изображении и ее анализ/ А.А. Аллаберганов, М.Ю. Катаев. Томск, 2019 г. 400с. Текст: непосредственный.
5) Shperber G. A gentle introduction to OCR/ G. Shperber. Текст: электронный// towardsdatascience.com [Сайт]. URL: https://towardsdatascience.com/a-gentle- introduction-to-ocr-ee1469a201aa (дата обращения 25.04.2020).
6) Двоеглазов И.К. К вопросу распознавания рукописного текста/ И.К. Двоеглазов. Воронеж, 2015г. 182с. Текст: непосредственный.
7) Ревякин А.М., Скурнович А.В. Подходы к разработке системы распознавания для решения задачи определения контента цифровых изображений/ А.М. Ревякин, А.В. Скурнович. Орел, 2016г. 2 с. Текст: непосредственный.
8) Самойлова Т.А. Струнин И.М. Сегментация изображения методом маркерного водораздела/ Т.А. Самойлова, И.М. Струнин. Смоленск, 2019г. 258с. Текст: непосредственный.
9) Запрягаев С.А., Сорокин А.И. Сегментация рукописных и машинописных текстов методом диаграммы Вороного/ С.А. Запрягаев, А.И. Сорокин. Воронеж, 2010г. Текст: непосредственный.
10) Сегментация текстовых строк Документов на символы с помощью
сверточных и рекуррентных нейронных сетей. Текст : электронный // habr.com: [Сайт]. URL:
https://habr.com/ru/company/smartengines/blog/328000/ (дата обращения 25.04.2020).
11) Сегментация (обработка изображений) / Текст: электронный// wiki2.org: [Сайт] URL: https://wiki2.org/ru/Сегментация_(обработка_изображений) (дата обращения 19.01.2020).
12) Садовников П. Нелокальный алгоритм для сглаживания изображений / П. Садовников Текст: электронный// habr.com: [Сайт] URL: https://habr.com/ru/post/273159/ (дата обращения 25.04.2020).
13) Нейронные сети для начинающих / Текст: электронный// habr.com: [Сайт] URL: https://habr.com/ru/post/312450/ (дата обращения 25.04.2020).
14) Обучение нейросети с учителем, без учителя, с подкреплением- в чем отличие? Какой алгоритм лучше? / Текст: электронный// neurohive.io: [Сайт] URL: https://neurohive.io/ru/osnovy-data-science/obuchenie-s-uchitelem- bez-uchitelja-s-podkrepleniem/ (дата обращения 25.04.2020).
2) Полюхин Д.А. Методы и этапы распознавания рукописного текста / Д.А. Полюхин, И.И. Сальников. Пенза, 2019 г. 71с. Текст: непосредственный.
3) Cенюкова О.В. Выделение областей интереса / О.В. Сенюкова. Текст: электронный// cyberleninka.ru : [Сайт]. URL: https://cyberleninka.ru/article/n/vydelenie-oblastey-interesa-na-osnove klassifikatsii- izoliniy (дата обращения 25.04.2020).
4) Аллаберганов А.А. Методика получения текстовой информации на изображении и ее анализ/ А.А. Аллаберганов, М.Ю. Катаев. Томск, 2019 г. 400с. Текст: непосредственный.
5) Shperber G. A gentle introduction to OCR/ G. Shperber. Текст: электронный// towardsdatascience.com [Сайт]. URL: https://towardsdatascience.com/a-gentle- introduction-to-ocr-ee1469a201aa (дата обращения 25.04.2020).
6) Двоеглазов И.К. К вопросу распознавания рукописного текста/ И.К. Двоеглазов. Воронеж, 2015г. 182с. Текст: непосредственный.
7) Ревякин А.М., Скурнович А.В. Подходы к разработке системы распознавания для решения задачи определения контента цифровых изображений/ А.М. Ревякин, А.В. Скурнович. Орел, 2016г. 2 с. Текст: непосредственный.
8) Самойлова Т.А. Струнин И.М. Сегментация изображения методом маркерного водораздела/ Т.А. Самойлова, И.М. Струнин. Смоленск, 2019г. 258с. Текст: непосредственный.
9) Запрягаев С.А., Сорокин А.И. Сегментация рукописных и машинописных текстов методом диаграммы Вороного/ С.А. Запрягаев, А.И. Сорокин. Воронеж, 2010г. Текст: непосредственный.
10) Сегментация текстовых строк Документов на символы с помощью
сверточных и рекуррентных нейронных сетей. Текст : электронный // habr.com: [Сайт]. URL:
https://habr.com/ru/company/smartengines/blog/328000/ (дата обращения 25.04.2020).
11) Сегментация (обработка изображений) / Текст: электронный// wiki2.org: [Сайт] URL: https://wiki2.org/ru/Сегментация_(обработка_изображений) (дата обращения 19.01.2020).
12) Садовников П. Нелокальный алгоритм для сглаживания изображений / П. Садовников Текст: электронный// habr.com: [Сайт] URL: https://habr.com/ru/post/273159/ (дата обращения 25.04.2020).
13) Нейронные сети для начинающих / Текст: электронный// habr.com: [Сайт] URL: https://habr.com/ru/post/312450/ (дата обращения 25.04.2020).
14) Обучение нейросети с учителем, без учителя, с подкреплением- в чем отличие? Какой алгоритм лучше? / Текст: электронный// neurohive.io: [Сайт] URL: https://neurohive.io/ru/osnovy-data-science/obuchenie-s-uchitelem- bez-uchitelja-s-podkrepleniem/ (дата обращения 25.04.2020).
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка и программная реализация алгоритма распознавания машинописных текстов |
| Артикул: | 9104868 |
| Дата написания: | 24.06.2021 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 68% |
| Количество страниц: | 56 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлена только пояснительная записка и листинг. Самой скомпилированной программы нет.
В работе представлена только пояснительная записка и листинг. Самой скомпилированной программы нет.
Файлы артикула: Разработка и программная реализация алгоритма распознавания машинописных текстов по предмету программирование
Пролистайте "Разработка и программная реализация алгоритма распознавания машинописных текстов" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 27.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 68% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка информационной системы управления складом на платформе 1С:Предприятие 8 для ООО «Ак Барс Металл»
СЛЕДУЮЩАЯ РАБОТА
Разработка мобильной справочной информационной системы по развитию маленьких детей