Yeni Bir Dilimleme Yöntemi Kullanılarak El Yazısı Rakamlarının Tanınması ve Performans Değerlendirmesi

Sultan Murat Yılmaz; Serap Çakar

Makale detayları

Yeni Bir Dilimleme Yöntemi Kullanılarak El Yazısı Rakamlarının Tanınması ve Performans Değerlendirmesi

Yazarlar:

Sultan Murat Yılmaz | Serap Çakar

Yayıncı:

Sivas Cumhuriyet University

Ana Başlıklar:

Mühendislik

Dergi:

Sivas Cumhuriyet Üniversitesi Mühendislik Fakültesi Dergisi Vol.1 Issue 1, pp.38-47

Belge Tipi:

Makale

Yayın Tarihi:

10/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001296853

pISSN:

3023-7203

Anahtar kelimeler:

Özet:

 Makine öğrenmesi ve bilgisayar görmesi uygulamaları son zamanlar oldukça trend olmaya ve biyometrik tanıma, hastalık teşhisi ve karakter analizi gibi uygulamalar başta olmak üzere birçok uygulama ve alanda kullanılmaya başlanmıştır. Bu çalışma kapsamında okullarda yapılan yazılı veya test sınav notlarının daha kolay okunup sistem üzerine entegre edilmesi için bir uygulama geliştirilmiş ve uygulamada kullanılan sınıflandırıcıların performansları değerlendirilmiştir. Sınav kağıtları üzerine elle yazılan başarı notlarının görüntü işleme yöntemleri kullanılarak tanımlanması yapılmıştır. Başarı notlarının tanınması aşamasında görüntü üzerinde ön işleme, dilimleme ve sınıflandırma işlemleri yapılarak kullanılan veri seti üzerinde sınıflandırma işlemleri gerçekleştirilmiştir. Sistemi eğitmek ve test etmek için akademik çalışmalarda sıklıkla tercih edilen MNIST veri seti kullanılmıştır. Bu veri setinde 0-9 arasındaki rakamların 250 farklı kişiden alınan 60.000 el yazısı örneği bulunmaktadır. Görüntü işleme aşamasında karakterlerin dilimleme işlemleri için yeni bir teknik kullanılarak tüm durumlar için uygun karakter ayrımı gerçekleştirilmiştir. Uygun dilimleme işlemi gerçekleştirildikten sonra verileri sınıflandırmak için Yapay Sinir Ağları YSA, Evrişimsel Sinir Ağları CNN ve K-En Yakın Komşu K-NN algoritmaları kullanılmış ve performans değerleri sırasıyla 98, 98.4, 86 olarak elde edilmiştir.

 Makine öğrenmesi ve bilgisayar görmesi uygulamaları son zamanlar oldukça trend olmaya ve biyometrik tanıma, hastalık teşhisi ve karakter analizi gibi uygulamalar başta olmak üzere birçok uygulama ve alanda kullanılmaya başlanmıştır. Bu çalışma kapsamında okullarda yapılan yazılı veya test sınav notlarının daha kolay okunup sistem üzerine entegre edilmesi için bir uygulama geliştirilmiş ve uygulamada kullanılan sınıflandırıcıların performansları değerlendirilmiştir. Sınav kağıtları üzerine elle yazılan başarı notlarının görüntü işleme yöntemleri kullanılarak tanımlanması yapılmıştır. Başarı notlarının tanınması aşamasında görüntü üzerinde ön işleme, dilimleme ve sınıflandırma işlemleri yapılarak kullanılan veri seti üzerinde sınıflandırma işlemleri gerçekleştirilmiştir. Sistemi eğitmek ve test etmek için akademik çalışmalarda sıklıkla tercih edilen MNIST veri seti kullanılmıştır. Bu veri setinde 0-9 arasındaki rakamların 250 farklı kişiden alınan 60.000 el yazısı örneği bulunmaktadır. Görüntü işleme aşamasında karakterlerin dilimleme işlemleri için yeni bir teknik kullanılarak tüm durumlar için uygun karakter ayrımı gerçekleştirilmiştir. Uygun dilimleme işlemi gerçekleştirildikten sonra verileri sınıflandırmak için Yapay Sinir Ağları YSA, Evrişimsel Sinir Ağları CNN ve K-En Yakın Komşu K-NN algoritmaları kullanılmış ve performans değerleri sırasıyla 98, 98.4, 86 olarak elde edilmiştir.

 Makine öğrenmesi ve bilgisayar görmesi uygulamaları son zamanlar oldukça trend olmaya ve biyometrik tanıma, hastalık teşhisi ve karakter analizi gibi uygulamalar başta olmak üzere birçok uygulama ve alanda kullanılmaya başlanmıştır. Bu çalışma kapsamında okullarda yapılan yazılı veya test sınav notlarının daha kolay okunup sistem üzerine entegre edilmesi için bir uygulama geliştirilmiş ve uygulamada kullanılan sınıflandırıcıların performansları değerlendirilmiştir. Sınav kağıtları üzerine elle yazılan başarı notlarının görüntü işleme yöntemleri kullanılarak tanımlanması yapılmıştır. Başarı notlarının tanınması aşamasında görüntü üzerinde ön işleme, dilimleme ve sınıflandırma işlemleri yapılarak kullanılan veri seti üzerinde sınıflandırma işlemleri gerçekleştirilmiştir. Sistemi eğitmek ve test etmek için akademik çalışmalarda sıklıkla tercih edilen MNIST veri seti kullanılmıştır. Bu veri setinde 0-9 arasındaki rakamların 250 farklı kişiden alınan 60.000 el yazısı örneği bulunmaktadır. Görüntü işleme aşamasında karakterlerin dilimleme işlemleri için yeni bir teknik kullanılarak tüm durumlar için uygun karakter ayrımı gerçekleştirilmiştir. Uygun dilimleme işlemi gerçekleştirildikten sonra verileri sınıflandırmak için Yapay Sinir Ağları YSA, Evrişimsel Sinir Ağları CNN ve K-En Yakın Komşu K-NN algoritmaları kullanılmış ve performans değerleri sırasıyla 98, 98.4, 86 olarak elde edilmiştir.

 Makine öğrenmesi ve bilgisayar görmesi uygulamaları son zamanlar oldukça trend olmaya ve biyometrik tanıma, hastalık teşhisi ve karakter analizi gibi uygulamalar başta olmak üzere birçok uygulama ve alanda kullanılmaya başlanmıştır. Bu çalışma kapsamında okullarda yapılan yazılı veya test sınav notlarının daha kolay okunup sistem üzerine entegre edilmesi için bir uygulama geliştirilmiş ve uygulamada kullanılan sınıflandırıcıların performansları değerlendirilmiştir. Sınav kağıtları üzerine elle yazılan başarı notlarının görüntü işleme yöntemleri kullanılarak tanımlanması yapılmıştır. Başarı notlarının tanınması aşamasında görüntü üzerinde ön işleme, dilimleme ve sınıflandırma işlemleri yapılarak kullanılan veri seti üzerinde sınıflandırma işlemleri gerçekleştirilmiştir. Sistemi eğitmek ve test etmek için akademik çalışmalarda sıklıkla tercih edilen MNIST veri seti kullanılmıştır. Bu veri setinde 0-9 arasındaki rakamların 250 farklı kişiden alınan 60.000 el yazısı örneği bulunmaktadır. Görüntü işleme aşamasında karakterlerin dilimleme işlemleri için yeni bir teknik kullanılarak tüm durumlar için uygun karakter ayrımı gerçekleştirilmiştir. Uygun dilimleme işlemi gerçekleştirildikten sonra verileri sınıflandırmak için Yapay Sinir Ağları YSA, Evrişimsel Sinir Ağları CNN ve K-En Yakın Komşu K-NN algoritmaları kullanılmış ve performans değerleri sırasıyla 98, 98.4, 86 olarak elde edilmiştir.

Makale detayları

Yeni Bir Dilimleme Yöntemi Kullanılarak El Yazısı Rakamlarının Tanınması ve Performans Değerlendirmesi

Yazarlar:

Sultan Murat Yılmaz | Serap Çakar

Yayıncı:

Sivas Cumhuriyet University

Ana Başlıklar:

Mühendislik

Dergi:

Sivas Cumhuriyet Üniversitesi Mühendislik Fakültesi Dergisi Vol.1 Issue 1, pp.38-47

Belge Tipi:

Makale

Yayın Tarihi:

10/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001296853

pISSN:

3023-7203

el yazısı tanımlama

makine öğrenmesi

sınıflandırma

Sayı

Makale detayları

Yeni Bir Dilimleme Yöntemi Kullanılarak El Yazısı Rakamlarının Tanınması ve Performans Değerlendirmesi

Yazarlar: Sultan Murat Yılmaz | Serap Çakar

Yayıncı: Sivas Cumhuriyet University

Ana Başlıklar: Mühendislik

Dergi: Sivas Cumhuriyet Üniversitesi Mühendislik Fakültesi Dergisi Vol.1 Issue 1, pp.38-47

Belge Tipi: Makale

Yayın Tarihi: 10/2023

Belge Dili: Türkçe

Document ID (Org No.): 2001296853

pISSN: 3023-7203

el yazısı tanımlama

makine öğrenmesi

sınıflandırma

Sayı

Yazarlar:

Sultan Murat Yılmaz | Serap Çakar

Yayıncı:

Sivas Cumhuriyet University

Ana Başlıklar:

Mühendislik

Dergi:

Sivas Cumhuriyet Üniversitesi Mühendislik Fakültesi Dergisi Vol.1 Issue 1, pp.38-47

Belge Tipi:

Makale

Yayın Tarihi:

10/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001296853

pISSN:

3023-7203