Please use this identifier to cite or link to this item:
Title: Οπτική αναγνώριση χειρόγραφων προτάσεων κατηγορηματικής λογικής πρώτης τάξης μέσω τεχνητού νευρωνικού δικτύου
Other Titles: Optical recognition of handwritten first order logic formulas using neural networks
Authors: Αμπελακιώτης, Βάιος
Keywords: Οπτική αναγνώριση χαρακτήρων
Νευρωνικά δίκτυα
Τεχνητή νοημοσύνη
Βαθιά μάθηση
Στοχαστική κλίση καθόδου
Keywords (translated): Optical character recognition
Neural networks
Artificial intelligence
Deep learning
Stochastic gradient descent
Resilient propagation
Abstract: Στην παρούσα εργασία αναπτύχθηκε ένα πρόγραμμα οπτικής αναγνώρισης χαρακτήρων (OCR) σε γλώσσα Java, όπου μπορεί να αναγνωρίζει χειρόγραφες προτάσεις κατηγορηματικής λογικής πρώτης τάξης και να παράγει ένα τελικό επεξεργάσιμο αρχείο κειμένου με τους αναγνωρισμένους χαρακτήρες. Η λειτουργία του βασίζεται πάνω στη χρήση Νευρωνικών Δικτύων πρόσθιας τροφοδότησης που αποτελούν το κυριότερο μέρος του πεδίου βαθιάς μάθησης (deepLearning) της Τεχνητής νοημοσύνης. Πιο συγκεκριμένα, αφού ερευνήθηκαν τρείς αλγόριθμοι εκπαίδευσης, δημιουργήθηκε και εκπαιδεύτηκε ένα νευρωνικό δίκτυο με τον αλγόριθμο Stochastic Gradient Descent πάνω σε ένα TrainSet 16750 δειγμάτων διαστάσεων 28x28 ενώ η απόδοσή του ελέγχθηκε με ένα TestSet 7947 δειγμάτων. Η γενική μεθοδολογία που ακολουθήθηκε είναι: η κατασκευή απο την αρχή ενός DataSet απο χειρόγραφα δείγματα 10 ανθρώπων, η προεπεξεργασία τους με χρήση αλγορίθμων Υπολογιστικής Όρασης της βιβλιοθήκης openCV, η μετατροπή τους σε αρχείο csv, η δημιουργία-εκπαίδευση του κατάλληλου νευρωνικού δικτύου με τη βιβλιοθήκη Encog και η αξιολόγησή του. Η τελική απόδοση ακρίβειας που επιτεύχθηκε πάνω στο συγκεκριμένο TestSet ήταν 90.13%.
Abstract (translated): In this thesis we developed an Optical Character Recognition (OCR) Java program that recognizes First Order Predicate Logic handwritten sentences and returns a final editable text file with the result characters. Its’ basic function relies on use of feed forward Neural Networks which consist the main part in deepLearning field of Artificial Intelligence. More specifically, after three training algorithms tested (Backpropagation, Resilient Propagation and Stochastic Gradient Descent), we created and trained a neural network with Stochastic Gradient Descent algorithm, optimized by Adam update rule, on a Trainset of 16750 samples 28×28 dimension each and we tested on a TestSet of 7947 samples. The general methodology followed, consists of: the build from scratch of a new Dataset by ten different people, its’ preprocessing with Computer Vision algorithms from the openCV library, its’ conversion to csv file, the creation-training of the appropriate neural network with Encog library and its’ evaluation. The final TestSet accuracy achieved was 90.13%.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
OCRexe-program.zipΕκτελέσιμο αρχείο exe προγράμματος101.3 MBUnknownView/Open
AmpelakiotisThesis-sourcecode.zipΚώδικας Java εκτελέσιμου αρχείου2.16 MBUnknownView/Open
Nemertes_Ampelakiotis(com).pdf2.42 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.