Olarik Surinta

ประสิทธิภาพการรู้จำลายมือเขียนภาษาไทยด้วยโครงข่ายประสาทเทียมถูกต้องคิดเป็นร้อยละ 87

คำสำคัญ: การรู้จำรูปแบบ, การรู้จำตัวอักษร, โครงข่ายประสาทเทียม, การตัดแยกตัวอักษร, คุณลักษณะพิเศษของตัวอักษรลายมือเขียนภาษาไทย

Abstract

The purpose of this research is to present the Thai handwritten character recognition by artificial neural networks. 100 collections of Thai handwritten characters were collected from 10 writers. The data are then analyzed using pre-processing feature extraction and recognition by back-propagation neural network. However, the feature extraction method is aimed to identify the intensity of black pixel, end of character, head of character, chain code, cross horizontal and vertical line, mark direction, and horizontal and vertical scanning. From the feature extraction, it was found that there are 235 features. Seven feature extraction methods provide the efficacy of Thai handwritten recognition. In addition, back-propagation neural network provide the Thai handwritten recognition accuracy of 87%

keywords: Pattern Recognition, Character Recognition, Artificial Neural Network, Character Segmentation, Feature Extraction of Thai Handwritten

Presentation

Diagram
http://surinta.blogspot.com/2009/10/thai-handwritten-character-recognition_02.html

Video from youtube
http://surinta.blogspot.com/2009/10/thai-handwritten-character-recognition_22.html

ธีรศักดิ์ อุดม
ประทีป ทองจันทร์
โอฬาริก สุรินต๊ะ
รพีพร ช่ำชอง

คัมภีร์ใบลานเป็นหลักฐานทางประวัิติศาสตร์ที่เก็บรวบรวมภูมิปัญญา และเรื่องราวของคนในอดีต เช่นประวัติศาสตร์ กฎหมาย หลักธรรมคำสั่งสอนทางพระพุทธศาสนา เป็นต้น ซึ่งคัมภีร์มีความสำคัญ และควรค่าแก่การอนุรักษ์ ผู้วิจัยจึงได้ศึกษาวิธีการเพื่อที่จะอนุรักษ์คัมภีร์ใบลาน งานวิจัยฉบับนี้ได้เสนอวิธีการตัดตัวอักษรจากคัมภีร์ใบลาน ซึ่งเป็นตัวอักษรไทยน้อย การตัดตัวอักษรจากคัมภีร์ใบลานทำได้โดยกำจัดพื้นหลังของภาพใบลาน โดยวิธีการของออทสุ (Otsu's Algorithm) เพื่อแยกคุณลักษณะในส่วนของพื้นหลัง และส่วนของตัวอักษรออกจากกัน เพื่อที่จะนำส่วนของตัวอักษรมาแยกออกเป็นบรรทัด โดยวิธีการโปรเจคชั่น (Projection Profile) ตามแนวนอนและแนวตั้ง จากนั้นนำตัวอักษรที่อยู่แต่ละบรรทัดมาตัดตัวอักษร โดยดึงส่วนของพิกเซลที่เป็นจุดดำที่ติดกันออกมา (Connected Component) เพื่อให้ได้ตัวอักษรตามต้องการ ซึ่งได้นำภาพใบลานทั้งหมด 5 ผูก จำนวน 227 ภาพ มาทดสอบประสิทธิภาพ พบว่าความถูกต้องในการตัดบรรทัด 78.5% และความถูกต้องในการตัดตัวอักษร 71.81%

คำสำคัญ: การกำจัดพื้นหลัง, การแบ่งบรรทัด, การตัดตัวอักษร, การประมวลผลภาพ, คัมภีร์ใบลาน
Keywords: Background Elimination, Line Segmentation, Character Segmentation, Image Processing, Palm Leaf Manuscript