Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36788| Título: | Identificador de letras manuscritas usando redes neurais convolucionais |
| Título(s) alternativo(s): | Handwritten letter identifier using convolutional neural networks |
| Autor(es): | Santos, Rafaela Louise dos |
| Orientador(es): | Paetzold, Gustavo Henrique |
| Palavras-chave: | Classificação Escrita - Identificação Reconhecimento óptico de caracteres Aprendizado profundo (aprendizado de máquina) Classification Writing - Identification Optical character recognition Deep learning (Machine learning) |
| Data do documento: | 17-Fev-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Toledo |
| Citação: | SANTOS, Rafaela Louise dos. Identificador de letras manuscritas usando redes neurais convolucionais. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) - Universidade Tecnológica Federal do Paraná, Toledo, 2025. |
| Resumo: | O reconhecimento óptico de caracteres (OCR) tem sido amplamente utilizado na digitalização de documentos, facilitando a conversão de textos impressos em formatos digitais. No entanto, o reconhecimento de letras manuscritas ainda representa um desafio significativo devido à grande variação nos estilos de escrita. Este trabalho busca desenvolver um algoritmo de identificação de caracteres manuscritos utilizando técnicas de visão computacional, aprendizado de máquina e redes neurais convolucionais. O objetivo principal é criar um modelo capaz de reconhecer diferentes estilos de escrita, treinado com um conjunto amplo de dados para alcançar um desempenho satisfatório em diversos cenários. A metodologia empregada incluiu a coleta e o pré-processamento de dados, a definição da arquitetura da rede neural, a aplicação de técnicas de regularização e a avaliação do modelo tanto em dados internos quanto em um ambiente externo. Para validar a robustez do modelo, foi coletado um conjunto de dados completamente novo em colaboração com a comunidade UTFPR, permitindo testar sua eficácia em diferentes cenários. O modelo foi avaliado tanto em dados externos já consolidados quanto nos novos dados coletados, garantindo uma análise abrangente de seu desempenho. Os resultados obtidos demonstraram que a abordagem aplicada é promissora, atingindo taxas de Precision (90%), Recall (91%), F1-Score (90%) e Acurácia (91%). Entre as vantagens do método desenvolvido, destaca-se a capacidade de adaptação a diferentes estilos de escrita, enquanto as principais limitações envolvem a necessidade de um grande volume de dados para treinamento eficaz. Conclui-se que o objetivo do trabalho foi alcançado, contribuindo para a área de reconhecimento de padrões e abrindo caminho para melhorias futuras, como a incorporação de novas técnicas de processamento de texto manuscrito para aumentar a precisão do modelo. |
| Abstract: | Optical character recognition (OCR) has been widely used in document scanning, facilitating the conversion of printed texts into digital formats. However, handwritten letter recognition still represents a significant challenge due to the wide variation in writing styles. This work aims to develop a handwritten character identification algorithm using computer vision, machine learning and convolutional neural networks techniques. The main objective is to create a model capable of recognizing different writing styles, trained with a large set of data to achieve satisfactory performance in different scenarios. The methodology employed included data collection and preprocessing, definition of the neural network architecture, application of regularization techniques and evaluation of the model both on internal data and in an external environment. To validate the robustness of the model, a completely new data set was collected in collaboration with the UTFPR community, allowing its effectiveness to be tested in different scenarios. The model was evaluated on both previously consolidated external data and on newly collected data, ensuring a comprehensive analysis of its performance. The results obtained demonstrated that the applied approach is promising, achieving Precision (90%), Recall (91%), F1-Score (90%) and Accuracy (91%) rates. Among the advantages of the developed method, the ability to adapt to different writing styles stands out, while the main limitations involve the need for a large volume of data for effective training. It is concluded that the objective of the work was achieved, contributing to the area of pattern recognition and paving the way for future improvements, such as the incorporation of new handwritten text processing techniques to increase the accuracy of the model. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36788 |
| Aparece nas coleções: | TD - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| identificadorletrasmanuscritasconvolucionais.pdf | 2,31 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
