PENGECAMAN AKSARA TULISAN TANGAN MENGGUNAKAN PEMBELAJARAN MENDALAM

Abstract

Pengecaman aksara, merupakan komponen utama Pengecaman Aksara Optik (OCR) yang melibatkan kenalpastian dan penukaran teks daripada imej kepada format yang boleh dibaca komputer. Walau bagaimana pun, sukar untuk mengenal pasti aksara daripada rentetan tulisan tangan pada dokumen kertas, terutamanya dokumen lama, selain imej dokumen tidak cukup jelas untuk menunjukkan tulisan itu. Oleh itu, kajian ini dibuat untuk melatih algoritma pembelajaran mendalam bagi mengecam aksara rentetan tulisan tangan menggunakan set data sendiri. Set data Tugasan ini terdiri dari tentetan tulisan tangan yang diambil dari penghantaran tugasan pelajar-pelajar tahun tiga di Universiti Kebangsaan Malaysia. Selain itu, model pengecaman akan dilatih dengan set data awam: EMNIST dan First Name. Kedua-dua set data ini mempunyai aksara-aksara tidak bersambung, Cuma EMNIST mengandungi aksara individu manakala First Name mengandungi rentetan aksara tidak bersambung. Model pengecaman aksara akan dibangun dan dilatih menggunakan algoritma Rangkaian Neural Konvolusi (CNN). Eksperimen pertama adalah untuk membuktikan hipotesis mengenai prestasi model pengecaman aksara dengan latihan dan ujian menggunakan aksara tidak bersambung. Ini telah dijalankan di mana model dilatih dan diuji dengan set data EMNIST dan First Name Model yang terhasil memberikan ketepatan pengecaman yang sempurna. Eksperimen kedua pula adalah untuk menguji prestasi model yang sama, bagi mengecam aksara-aksara bersambung yang ada pada set data Tugasan. Ketepatan asal model ini pada aksara bersambung adalah sangat rendah, tetapi hasil latihan semula yang lebih kukuh dan suntikan teknik pengoptimuman, ketepatan model pengecaman ini meningkat dari 4% kepada 43%.