سامانه همایش های دانشگاه آزاد اسلامی واحد نجف آباد

صفحه اصلی / سومین کنفرانس بین المللی مهندسی و علوم کامپیوتر و اولین کنفرانس ملی سامانه های هوشمند، کلان داده و رایانش پیشرفته

طراحی یک سامانه شناسایی نویسه های نوری حروف فارسی مبتنی بر یادگیری عمیق

نویسندگان :

مریم قدیری مدرس¹ همایون مهدوی نسب² پیام سنائی³ حمید رستگاری⁴

1- دانشگاه آزاد اسلامی واحد نجف آباد 2- دانشگاه آزاد اسلامی واحد نجف آباد 3- دانشگاه آزاد اسلامی واحد نجف آباد 4- دانشگاه آزاد اسلامی واحد نجف آباد

کلمات کلیدی :

شناسایی حروف فارسی،یادگیری عمیق،شبکه های عصبی پیچشی،سازوکار توجه

چکیده :

در سال های اخیر، سامانه‌های شناسایی نویسه نوری (OCR)، به عنوان یکی از ابزارهای کلیدی در پردازش متون دیجیتال مطرح شده‌اند. پژوهش حاضر به بررسی طراحی یک سامانه خودکار برای تشخیص نویسه‌های نوری متون فارسی می‌پردازد که نتایج حاصل از ارزیابی چهار مدل شبکه عصبی پیچشی (CNN) کلاسیک، شبکه عصبی پیچشی (CNN) همراه با سازوکار توجه، شبکه دارای اتصالات باقی‌مانده(ResNet-18) و شبکه عصبی تشخیص نوری کاراکتر مبتنی بر ترنسفورمر (TrOCR) برای مسئله‌ی شناسایی نوری حروف فارسی به‌صورت خلاصه و تحلیلی ارائه می‌شود. سازوکارتوجه‌‌(‌Attention Mechanism) در قالب ساختار رمزگذار-رمزگشا (Encoder-Decoder) قادر هستند، به صورت تطبیقی بر بخش‌های کلیدی تصویر تمرکز نمایند و نویسه‌ها را با دقت بالاتری شناسایی کنند. در این بخش، مدل CNN ، پایه عملکرد قابل قبولی ارائه داد و توانست الگوهای ساده بصری را استخراج کند، اما در تفکیک حروف با شباهت ‌شکلی بالا، محدودیت داشت. با افزودن سازوکار توجه (Attention) به معماریCNN، دقت مدل به‌طور محسوسی افزایش یافت، زیرا مکانیزم توجه امکان تمرکز تطبیقی بر بخش‌های مهم تصویر را فراهم نمود و این امر موجب بهبود توان تشخیص در کلاس‌های دشوار شد. مدل ResNet-18 که از ساختار عمیق‌تر و بلوک‌های باقیمانده (Residual Blocks) استفاده می‌کند، ویژگی‌های انتزاعی‌تری استخراج کرد و عملکردی پایدار و قوی‌تر نسبت به CNN کلاسیک ارائه داد. با این حال، در داده‌های محدود و مخصوصاً تصاویر نویزی، وابستگی بیشتری به تنظیمات دقیق و داده‌افزایی داشت. همچنین مدل TrOCR که مبتنی بر معماری ترانسفورمر (Transformer) و ادغام بخش بینایی (Vision Encoder) و بخش زبانی (Text Decoder) است، مورد بررسی قرار گرفت. این مدل با بهره‌گیری از Self-Attention چندسری، قادر به تشخیص روابط طولی و ساختار هندسی حروف فارسی نسبت به سایر مدل‌ها است. اما در تشخیص تصویر حروف با توجه به ایجاد قسمت یا Patch در تصویر، نتایج برای همه حروف مناسب نبود. مدل CNN پایه با وجود سادگیِ معماری، توانست به دقت حدود ۷۸ درصد در مجموعه‌داده حروف فارسی دست یابد. افزودن سازوکار توجه کانالی به معماری CNN موجب بهبود قابل‌توجه کیفیت استخراج ویژگی‌ها شد و دقت مدل را به حدود ۹۰ درصد افزایش داد. استفاده از ساختار عمیق و اتصال‌های میان‌بر در ResNet18 باعث استخراج ویژگی‌های پایدارتر گردید و بهترین عملکرد مبتنی بر CNN را با دقت ۹۵ درصد ارائه کرد. مدل TrOCR به‌دلیل ناسازگاری با طبقه‌بندی تک‌حرف و کمبود داده، تنها دقتی در حدود ۶۰–۷۰٪ به‌دست آورد. در مجموع، نتایج تجربی بیانگر آن است که مدل RESNET18 با توجه به دیتاست مذکور عملکرد بهتری در تشخیص حروف فارسی داشته است. در این مقاله شناسایی حروف فارسی توسط دیتاست پیشنهادی انجام می‌پذیرد.