การดัดแปลงขั้นตอนการสกัดคุณลักษณะเพื่อใช้งานกับวิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาคสำหรับการแก้ไขปัญหาการเขียนตัวเลขด้วยลายมือ

Modified feature extraction to apply PSO for solving handwritten digits

Name: จีรพัชร์ สำลีพันธุ์

keyword: การรู้จำตัวเลขที่เขียนด้วยลายมือ

ThaSH: การประมวลผลภาพ -- เทคนิคดิจิทัล

; การหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค

ThaSH: การรู้จำภาพ

; การสกัดคุณลักษณะ

ThaSH: การรู้จำอักขระ (คอมพิวเตอร์)

; Particle swarm optimization.

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

ThaSH: ระบบการจัดเก็บและค้นคืนสารสนเทศ -- ลายมือเขียน

Abstract: การรู้จำตัวเลขที่เขียนด้วยลายมือ (Handwritten Digit Recognition ; HDR) เป็นเทคโนโลยี ที่ใช้กันอย่างแพร่หลาย และถูกนำเสนอในหัวข้อการวิจัยมากมาย อย่างไรก็ตาม เทคโนโลยีนี้มี ข้อจำกัดหลายประการ เนื่องจากลายมือมีเอกลักษณ์เฉพาะตัว รวมไปถึงลักษณะลายมือที่สำคัญหลายประการ ผลการทดลองของวิธีที่นำเสนอก่อนหน้านี้ให้ผลลัพธ์ที่ไม่ตรงตามต้องการ เมื่อใช้กับชุดข้อมูลจำนวนจำกัดสำหรับแบบจำลองการฝึกอบรม (Training model) และการประมวสผลล่วงหน้า (Pre-processing) ที่ไม่มีประสิทธิภาพ ดังนั้น การวิจัยนี้ อธิบายถึงวิธีการใหม่ในการเพิ่มอัตราการรู้จำ (Recognition rate) ผ่านการประมวลผลล่วงหน้าที่มีการวางแผนมาอย่างดี และการสกัดคุณลักษณะ (Feature extraction) ที่ได้รับการปรับปรุงสำหรับการใช้ วิธีหาค่าเหมาะสมที่สุดแบบกลุ่มอนุภาค (Particle Swarm Optimization ; PSO) เมื่อเปรียบเทียบกับวิธีอื่นๆ ซึ่งวิธีการที่นำเสนอให้ผลลัพธ์ยอดเยี่ยม โดยดำเนินการทดสอบกับฐานข้อมูลตัวเลขที่เขียนด้วยลายมือของแต่ละบุคคล (Individual Handwriting ; INDV Datasets) ฐานข้อมูลจากสถาบันมาตรฐานและเทคโนโลยีแห่งชาติที่ได้รับการปรับปรุง (Modified National Institute of Standards and Technology ; MNIST) ดั้งเดิม และ ฐานข้อมูลตัวเลขที่พิมพ์ด้วยคอมพิวเตอร์ (Handtyped digits โดยให้ผลลัพธ์ด้านอัตราการรู้จำ (Recognition rate) สูงในต้านการทดสอบ รวมไปถึง ใช้เวลาในการทำงาน (Runtimes) รวดเร็ว และอยู่ในขอบเขตของโครงงานที่ผู้วิจัยกำหนดไว้ เพื่อแก้ไขข้อจำกัดที่เกิดขึ้นกับวิธีการทำงานที่มีอยู่ในปัจจุบัน และเพิ่มประสิทธิภาพของงานที่นำเสนอให้ดียิ่งขึ้น

Abstract: Handwritten Digit Recognition (HDR) is a widely used technology demonstrated in various research topics. However, there are many limitations because everyone's handwriting differs, including important handwriting characteristics. The experimental results of the previously proposed methods were unsatisfactory when using limited amounts of the datasets for the training model and inefficient pre-processing. Therefore, we describe a new method for increasing the recognition rate through well-planned pre-processing and enhanced feature extraction for applying Particle Swarm Optimization (PSO). Compared to other techniques, the proposed method performed well when tested against individual handwriting (INDV Datasets), the original MNIST database, and Handtyped datasets. Our results are a high recognition rate in testing, including short runtime, and within the scope of the proposed work that has been set to solve the limitations that arise with the method. Current work and increase the efficiency of the work presented even further.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: เฉียบวุฒิ รัตนวิไลสกุล

Role: ที่ปรึกษาวิทยานิพนธ์

Email : chaibwootr@kmutnb.ac.th

Created: 2566

Modified: 2567-04-24

Issued: 2567-04-24

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการคอมพิวเตอร์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17640684.pdf	16.34 MB	3	2024-12-26 12:50:44

ใช้เวลา

0.020064 วินาที