Лабораторная работа «Нейросетевое распознавание печатных символов»

2. Исследование возможностей распознавания печатных символов

с помощью нейронных сетей.
Работа включает три этапа:

1. 
   Подготовка эталонных (обучающих) образов печатных символов в виде набора графических файлов.
   
2. 
   Создание и обучение нейронной сети (НС) в среде MATLAB.
   
3. 
   Распознавание печатных символов с помощью обученной НС.
   

Каждый образ формируется в виде графического файла в битовом формате. Тип файла (расширение) определяется используемыми в среде MATLAB типами графических файлов. Рекомендуется использовать расширение tif.

Для создания графических файлов образов удобно использовать среду “Adobe Photoshop”. В этом случае при создании каждого файла необходимо проделать следующую последовательность операций:

1. 
   создать новый файл, задав его параметры:
   

- ширина: N1 пикселей;

- высота: N2 пикселей;

- цветовой режим: битовый формат.

2. 
   используя инструменты типа «Кисть», «Ластик» и др. создать требуемый образ символа.
   
3. 
   с помощью команды «Сохранить как» сохранить созданный образ в виде файла типа tif в заданной преподавателем папке.
   

На рис. 1 приведены примеры графических символов цифр при N1=10, N2=12 пикс.

- формирование числовых массивов эталонных образов, используемых в качестве обучающих;

- подготовка данных, необходимых для создания НС;

- создание НС, задание параметров обучения НС и обучение НС.

X = reshape (A,[N,1]) - процедура преобразования двумерного массива A[N1,N2] в

одномерный вектор-столбец X[N,1], где N=N1*N2.
Процедура умножения массива на 1 приводит к смене типа элементов массива с logical (для элементов битового формата) на double.

Для удовлетворительной работы НС недостаточно формирования лишь одного обучающего образа для каждого класса (типа символа) образов. Это связано с тем, что распознаваемые образы (на этапе работы НС в режиме распознавания) всегда отличаются от обучающих по ряду причин:

- различие шрифтов и стилей печатных символов;

- погрешности сканирования и неточности совмещения символа и окна сканирования;

- низкое качество печати, дефекты бумаги и т.д.
В силу указанных причин для надежного распознавания образов НС следует обучать на достаточно представительном множестве образов, входящих в один и тот же класс.

В программе sr_newff формирование дополнительных обучающих образов производится путем незначительного искажения эталонных образов, считываемых из графических файлов. Искажение образа-эталона каждого класса реализуется путем добавления к нему равномерного (по площади изображения) шума типа «Соль и перец», представляющего собой случайное искажение отдельных пикселей изображения. Степень искажения характеризуется числом p=[0;1], определяющим долю искаженных пикселей.

Такой подход при формировании образов позволяет, во-первых, быстро получать большое число обучающих образов, и, во-вторых, регулировать (путем изменения значения p) степень разброса множества образов в пределах одного класса.
Подготовка данных, необходимых для создания НС, включает в себя:

1. 
   формирование двумерного массива обучающих образов XR[N,K], каждый столбец которого представляет собой набор N признаков одного образа, а число столбцов K равно числу обучающих образов;
   
2. 
   формирование двумерного массива желаемых откликов YR[NY,K], где NY – число выходов НС (т.е., число нейронов выходного слоя); K – число обучающих образов. Отклик YR[:,k] (в общем случае – вектор-столбец) соответствует k-му обучающему образу – вектору XR[:,k];
   
3. 
   формирование двумерного массива R[N,2], определяющего минимальное R(n,1) и максимальное R(n,2) значение n-го признака, n=1,…,N.
   

Создание НС. В общем случае НС net создается с помощью команды:

P1,…,PL – параметры НС.

Ai - число нейронов i-го слоя, начиная с первого скрытого слоя, i=1,…,L;

Fi - функция активации нейронов i-го слоя, по умолчанию ‘tansig’;

BTF - функция обучения сети, по умолчанию ‘trainlm’;

PF - критерий остановки, по умолчанию ‘mse’ (минимум ско).
Дополнительные параметры, используемые при создании сети:
net.performFcn=’msereg’ - обучение НС производится с помощью метода регуляризации;

net.performParam.ratio=0.1 - значение параметра регуляризации;

net.trainParam.show=5 - число эпох, через которое производится вывод параметров

процедуры обучения;

net.trainParam.epochs=500 - максимальное число эпох при обучении НС;

net.trainParam.goal=0.02 - значение целевой функции, по достижении которого

процесс обучения НС прекращается.
Процесс обучения НС запускается командой:
net = train (net, XR, YR) .
Для решения задач распознавания печатных символов рекомендуется использовать трехслойную НС (один скрытый слой) с числом нейронов:

N=120 - во входном слое;

A1=20 - в скрытом (промежуточном) слое;

A2=1 - в выходном слое.

N - число пикселей изображения образа;

NT - число тестируемых образов, полученных путем искажения эталона;

P - доля искаженных пикселей [0; 1].

Рис. 2.а. Неверные распознавания символа «0», искаженного 20% шума «Соль и Перец».

Рис.2.б. Правильные распознавания символа «0», искаженного 20% шума «Соль и Перец».

Рис. 2.в. Неверные распознавания символа «4», искаженного 20% шума «Соль и Перец».

Рис.2.г. Правильные распознавания символа «4», искаженного 20% шума «Соль и Перец».

Рис.2.д. Результаты распознавания символа «8», искаженного 10% шума «Соль и Перец».

Результаты распознавания символов, представленные на рис. 2 а-г, демонстрируют хорошее распознавание с помощью НС даже при сильном искажении (параметр p>0,1). Для объективной оценки качества работы НС необходимо вычисление вероятностных характеристик распознавания. При правильном выборе параметров обучения сети и использовании не менее 100 обучающих образов можно получить вероятность правильного распознавания символов порядка 0,6…0,9 (в зависимости от вида распознаваемого символа) при параметре искажения p=0,1…0,2.
Порядок выполнения работы.

1. 
   Подготовить графические файлы эталонных образов для символов, заданных преподавателем.
   
2. 
   В среде MATLAB создать и обучить НС, предназначенную для распознавания печатных символов.
   
3. 
   Исследовать зависимость качества работы НС от:
   

- числа нейронов в скрытом слое.