การรู้จำลายมือเขียนภาษาไทยโดยใช้โครงข่ายประสาทเทียม

ชื่อโครงงานปริญญานิพนธ์: การรู้จำลายมือเขียนภาษาไทยด้วยโครงข่ายประสาทเทียม
Thai Handwritten Character Recognition by Artificial Neural Networks
ชื่อผู้ทำปริญญานิพนธ์: 48011210914 นางสาวกาญจนา เรืองธนานุรักษ์
48011210928 นางสาวณัฐธิดา ลีสม
สาขา CS
อาจารย์ที่ปรึกษาปริญญานิพนธ์: อาจารย์โอฬาริก สุรินต๊ะ

บทคัดย่อ
การรู้จำลายมือเขียนภาษาไทยด้วยโครงข่ายประสาทเทียม ได้เก็บรวบรวมข้อมูลตัวอักษรลายมือเขียนภาษาไทยจำนวนทั้งสิ้น 44,000 ตัวอักษร จากผู้เขียนจำนวน 10 คน เพื่อนำมาเข้าสู่กระบวนการทางการวิจัย ประกอบด้วย การประมวลผลภาพเบื้องต้น การหาคุณลักษณะพิเศษของรูปภาพลายมือเขียนภาษาไทย และการรู้จำด้วยโครงข่ายประสาทเทียมแบบแพร่ย้อยกลับ โดยที่กระบวนการหาคุณลักษณะพิเศษเป็นกระบวนการที่สำคัญ เนื่องจากช่วยเพิ่มประสิทธิภาพในการรู้จำ งานวิจัยฉบับนี้ได้นำเสนอคุณลักษณะพิเศษ 7 วิธีคือ การหาความหนาแน่น การหาจุดสิ้นสุดของตัวอักษร การหาตำแหน่งหัวของตัวอักษร การหารหัสลูกโซ่ การหาเส้นสมมุติในแนวนอนและแนวตั้ง การหาทิศทาง และการสแกนในแนวนอนและแนวตั้ง คุณลักษณะพิเศษทั้ง 7 วิธีที่ใช้กับข้อมูลตัวอักษรลายมือเขียนภาษาไทยในงานวิจัยนี้ประกอบด้วย 240 คุณลักษณะ ส่งผลให้ประสิทธิภาพการรู้จำลายมือเขียนภาษาไทยด้วยโครงข่ายประสาทเทียมร้อยละ 99

คำสำคัญ: การรู้จำรูปแบบ, การรู้จำตัวอักษร, โครงข่ายประสาทเทียม, การตัดแยกตัวอักษร, คุณลักษณะพิเศษของตัวอักษรลายมือเขียนภาษาไทย
　

Abstract
The purpose of the research is to present the Thai Handwritten Character Recognition by Artificial Neural Networks. The 44,000 Thai handwritten characters were collected from 10 writers. The data are then analyses by using pre-processing feature extraction and recognition by back-propagation neural network. However, the feature extraction method is aim 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 240 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 99%

Keywords: Pattern Recognition, Character Recognition, Artificial Neural Network, Character Segmentation, Feature Extraction


Slide:
Handwritten
Grey Image
Binary Image
Noise Reduction
Segmentation
Thinning
Feature Extraction
ANN