RECONHECIMENTO DE CARACTERES MANUSCRITOS APLICANDO REDES NEURAIS

APRESENTAÇÃO REDES NEURAIS ARTIFICIAIS RECONHECIMENTO DE CARACTERES RECONHECIMENTO DE PADRÕES (RP) Consiste na identificação de caracteres alfanuméricos através de diversos métodos de RP (SILVA, 2006). “Engloba três grandes etapas: representação dos dados de entrada e sua mensuração, extração das características e finalmente identificação e classificação do objeto em estudo” (CASTRO E PRADO, 1999, p.3). São concebidas para trabalharem de forma semelhante ao processo de um sistema nervoso, utilizando neurônios artificiais interconectados que efetuam a soma das entradas gerando uma saída (SETÚBAL, SILVA e SCHNEIDER, 2003, p.2).

OBJETIVOS GERAL Estudar um sistema que trabalhe no pré-processamento das imagens, capturando textos que possam servir como base no sensoriamento da rede neural, efetuando a identificação do texto escrito. ESPECÍFICOS estudar processamento de imagens; realizar estudos sobre os modelos e arquitetura das RNA; realizar o treinamento da RNA; identificar os caracteres escritos.

AGENDA INTRODUÇÃO REDES NEURAIS RECONHECIMENTO DE CARACTERES MANUSCRITOS ESTUDO DE CASO CONSIDERAÇÕES FINAIS E RECOMENDAÇÕES

REDES NEURAIS CONCEITOS São máquinas concebidas para atuarem de forma similar ao processo de um sistema nervoso. Seus elementos e processamentos são feitos através de neurônios artificiais, interconectados, que calculam a soma das entradas e geram uma saída por meio da aplicação dessa soma a uma função de transferência (SETÚBAL, SILVA e SCHNEIDER, 2003, p.2). “Sistemas computacionais, de implementação em hardware e software, que imitam as ‘habilidades computacionais’ do sistema nervoso biológico, utilizando para isso um grande numero de simples neurônios artificiais interconectados” (LOESCH e SARI apud FERNADES, 2003, p.57).

REDES NEURAIS HISTÓRICO Tabela 1 – Histórico das RNA’s

REDES NEURAIS REDE NEURAL NATURAL versus REDE ARTIFICIAL Figura 1 – Modelo de neurônio natural Fonte - INSTITUTO SANTA ÚRLUSA (2006) Figura 3 – Modelo genérico de neurônio artificial Fonte - VISGRAF (2006) Figura 2 – Primeiro modelo de neurônio artificial Fonte - AZEVEDO, BRASIL e OLIVEIRA (2000, p.4)

REDES NEURAIS REDE NEURAL ARTIFICIAL Figura 4 – Modelo perceptron de neurônio Fonte – Adaptado de MEDEIROS (2003, p.3) Figura 5 – Rede perceptron multicamada Fonte – VISIOGRAF (2006) Figura 6 – Função de ativação Fonte – AZEVEDO, BRASIL e OLIVEIRA (2000, p.74) Figura 7 – Função de entrada do perceptron Fonte – AZEVEDO, BRASIL e OLIVEIRA (2000, p.73)

RECONHECIMENTO DE CARACTERES MANUSCRITOS CONCEITOS HISTÓRICO CLASSIFICAÇÃO “Consiste em, a partir de características extraídas de um conjunto de caracteres, separá-los em 10 classes, no caso dos algarismos, ou 26 classes, no caso das letras do alfabeto” (SILVA, 2006). Figura 8 – Classificação do reconhecimento de caracteres Fonte – SILVA e THOMÉ (2003, p.2) Tabela 2 – Histórico do Reconhecimento de Caracteres

RECONHECIMENTO DE CARACTERES MANUSCRITOS FASES DO SISTEMA DE RECONHECIMENTO Aquisição Extração das regiões de interesse Tratamento da imagem Extração e codificação de características Reconhecimento Validação Apresentação

RECONHECIMENTO DE CARACTERES MANUSCRITOS ESTRATÉGIAS PARA RECONHECIMENTO DO CARACTERE MANUSCRITO Características Internas Mapa de Bits Projeção Poligonal Figura 9 – Projeções utilizando o quadrado Fonte – SILVA e THOMÉ (2003, p.8) Figura 11 – Varredura das características internas Fonte – SILVA e THOMÉ (2003, p.8) Quadrado Rotacionado Figura 10 – Projeção Hexagonal e Quadrado Rotacionado Fonte – SILVA e THOMÉ (2003, p.8) Figura 12 – Matriz binária do caractere 0 escrito de quatro maneiras distintas Fonte – CARVALHO, SAMPAIO e MONGIOVI (1999, p.8)

RECONHECIMENTO DE CARACTERES MANUSCRITOS ÁREAS DE APLICAÇÃO

ESTUDO DE CASO PRÉ-PROCESSAMENTO E TRATAMENTO DAS IMAGENS Filtragem Mediana Subamostragem Ocelos de Visão Binarização Segmentação Figura 15 – Binarização do caractere S Figura 16 – Subamostragem aplicada ao caractere S Figura 14 – Filtragem mediana do caractere L Figura 17 – Ocelos de visão 9x8x8 em caractere S Figura 13 – Segmentação do caractere em quadrículas 32x32

ESTUDO DE CASO TREINAMENTO E TESTE ARQUITETURA DA REDE NEURAL 1000 épocas de treinamento Duas camadas 576 entradas e 36 saídas 1800 amostras no conjunto de treino (0 a 9 e A a Z) Conjunto de teste diferente do conjunto de treino Conexões do tipo Feedforward Criação de um arquivo de conhecimento após o treinamento Algoritmo de aprendizado Backpropagation

ESTUDO DE CASO RESULTADOS OBTIDOS Taxa de erro aproximada de 0,26% Acerto nominal de 99,74% Tempo de reconhecimento de 2 formulários igual a 35,36 segundos Tempo de digitação de 2 formulários igual a 6 minutos Ganho temporal de aproximadamente 5,3 minutos Classificação de cerca de 298 dos 310 caracteres Taxa de acerto geral de 96,12%

CONSIDERAÇÕES FINAIS Objetivo alcançado com a realização concreta do reconhecimento do caractere através do protótipo apresentado. O protótipo desenvolvido para o reconhecimento de caracteres manuscritos, foi essencial para a demonstração da real possibilidade de se concretizar o reconhecimento dos caracteres, abrindo caminho a novas aplicações comerciais. O sucesso do trabalho foi obtido por meio: de um estudo elaborado sobre RNA; da utilização de fundamentos em tratamento de imagens; de um estudo elaborado em processamento de imagens digitais.

RECOMENDAÇÕES FUTURAS Reconhecimento ótico de assinaturas Reconhecimento de caracteres manuscritos cursivos Desenvolvimento da aplicação comercial Identificação pessoal através de características caligráficas Estudo da fundamentação matemática das RNA’S Técnicas avançadas de processamento de imagens digitais