| dc.creator |
Afşin, Emin,
1988-
author
171429 |
|
| dc.creator |
Koyun, Arif,
1967-
thesis advisor
21283 |
|
| dc.creator |
Süleyman Demirel Üniversitesi.
Fen Bilimleri Enstitüsü.
Bilgisayar Mühendisliği Anabilim Dalı.
24579
issuing body |
|
| dc.date |
2017. |
|
| dc.identifier |
http://tez.sdu.edu.tr/Tezler/TF03798.pdf |
|
| dc.description |
Bu tezin amacı görüntülerdeki optik karakterleri derin öğrenme ile tanımayı sağlamaktır. Görüntülerdeki karakterleri tanıyabilmek için öncelikle her bir karakteri bağımsız olarak ayırmak gerekir. Daha sonra birbirinden ayrılmış karakterleri tanıma işlemine geçilerek işlem bitirilmiş olur. Bu çalışmada karakterlerin tanınmasındaki başarıyı artırmak için yaklaşık olarak 2.160.000 karakter örneği ile derin öğrenmenin özelleşmiş bir yapısı olan Evrişimsel Sinir Ağı eğitilmiştir. Ayrıca ağı eğitme işlemi CPU'larda çok fazla zaman aldığından bilgisayarın GPU'su işlemi hızlandırmak için kullanılmıştır. Karakterleri bağımsız olarak ayırma işlemi için birbirlerine bağlı komponentler tespit edilerek bulunmaya çalışılmıştır. Bu işlem ile birbirinden bağımsız iki veya üç komponente sahip olan i, İ, ü, Ü, ö, Ö, ğ ve Ğ karakterlerinin tespitinin zor olduğu gözlemlenmiştir. Ayrıca w, i, c, ç, o, ö, u, ü vb harflerin büyük ve küçük olanları birbirine benzerlik gösterdiğinden bu harflerin büyük ve küçük olanlarını tespit etmek için harflerin satırın üstüne yakınlığına göre yakın olanlar büyük harf uzak olanlar ise küçük harf olarak tespit edilmeye çalışılmıştır. Bu çalışma Matlab ortamında yapılmıştır.Bu nedenle Matlab Ortamında gömülü olarak çalışan OCR ile hız karşılaştırması yapılmış olup genel olarak satır sayısı fazla olan belgelerde, yapılan uygulama paralel işleme uygun yapıldığından diğer OCR'den daha hızlı çalışığı tespit edilmiştir. Anahtar Kelimeler: Derin öğrenme, optik karakter tanıma, derin öğrenme ile optik karakter tanıma, yapay sinir ağı, evrişimsel yapay sinir ağı. |
|
| dc.description |
This thesis aims to recognize the optical characters in the aimed images by deep learning. In order to recognize the characters in the images, firstly we have to separate each character separately. After that, the process is finished by going to recognize the characters which are separated from each other. In this study, the Convolutional Neural Network, a specialized structure of deep learning with about 2,160,000 character examples, was trained to improve the recognition of characters. The computer's GPU was used to speed up the processing of the computer since it only took a long time to train the network. It has been observed that it is difficult to determine the characters i, ü, ü, Ü, ö, Ö, ğ and Ğ which have two or three independent components with this process. Also, since the letters w, i, c, ç, o, u, etc. are similar to each other, in order to identify the letters big and small, letters near to the line nearest to the line are not to be capitalized It was studied. This work was done in Matlab environment. Because of this, speed comparison was made with OCR which is embedded in Matlab. In general, documents with more rows were found to work faster than other OCR because the application was done in parallel. Keywords: Deep learning, optical character recognition, optical character recognition with deep learning, artificial neural network |
|
| dc.description |
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, 2017. |
|
| dc.description |
Kaynakça var. |
|
| dc.description |
Bu tezin amacı görüntülerdeki optik karakterleri derin öğrenme ile tanımayı sağlamaktır. Görüntülerdeki karakterleri tanıyabilmek için öncelikle her bir karakteri bağımsız olarak ayırmak gerekir. Daha sonra birbirinden ayrılmış karakterleri tanıma işlemine geçilerek işlem bitirilmiş olur. Bu çalışmada karakterlerin tanınmasındaki başarıyı artırmak için yaklaşık olarak 2.160.000 karakter örneği ile derin öğrenmenin özelleşmiş bir yapısı olan Evrişimsel Sinir Ağı eğitilmiştir. Ayrıca ağı eğitme işlemi CPU'larda çok fazla zaman aldığından bilgisayarın GPU'su işlemi hızlandırmak için kullanılmıştır. Karakterleri bağımsız olarak ayırma işlemi için birbirlerine bağlı komponentler tespit edilerek bulunmaya çalışılmıştır. Bu işlem ile birbirinden bağımsız iki veya üç komponente sahip olan i, İ, ü, Ü, ö, Ö, ğ ve Ğ karakterlerinin tespitinin zor olduğu gözlemlenmiştir. Ayrıca w, i, c, ç, o, ö, u, ü vb harflerin büyük ve küçük olanları birbirine benzerlik gösterdiğinden bu harflerin büyük ve küçük olanlarını tespit etmek için harflerin satırın üstüne yakınlığına göre yakın olanlar büyük harf uzak olanlar ise küçük harf olarak tespit edilmeye çalışılmıştır. Bu çalışma Matlab ortamında yapılmıştır.Bu nedenle Matlab Ortamında gömülü olarak çalışan OCR ile hız karşılaştırması yapılmış olup genel olarak satır sayısı fazla olan belgelerde, yapılan uygulama paralel işleme uygun yapıldığından diğer OCR'den daha hızlı çalışığı tespit edilmiştir. Anahtar Kelimeler: Derin öğrenme, optik karakter tanıma, derin öğrenme ile optik karakter tanıma, yapay sinir ağı, evrişimsel yapay sinir ağı. |
|
| dc.description |
This thesis aims to recognize the optical characters in the aimed images by deep learning. In order to recognize the characters in the images, firstly we have to separate each character separately. After that, the process is finished by going to recognize the characters which are separated from each other. In this study, the Convolutional Neural Network, a specialized structure of deep learning with about 2,160,000 character examples, was trained to improve the recognition of characters. The computer's GPU was used to speed up the processing of the computer since it only took a long time to train the network. It has been observed that it is difficult to determine the characters i, ü, ü, Ü, ö, Ö, ğ and Ğ which have two or three independent components with this process. Also, since the letters w, i, c, ç, o, u, etc. are similar to each other, in order to identify the letters big and small, letters near to the line nearest to the line are not to be capitalized It was studied. This work was done in Matlab environment. Because of this, speed comparison was made with OCR which is embedded in Matlab. In general, documents with more rows were found to work faster than other OCR because the application was done in parallel. Keywords: Deep learning, optical character recognition, optical character recognition with deep learning, artificial neural network |
|
| dc.language |
tur |
|
| dc.publisher |
Isparta : Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, |
|
| dc.subject |
Süleyman Demirel Üniversitesi |
|
| dc.title |
Derin öğrenme ile iki boyutlu optik karakter tanıma = 2D optical character recognition based on deep learning / |
|
| dc.type |
text |
|