Software para Auxílio à Pré-alfabetização Infantil Baseado em
Reconhecimento Inteligente de Caracteres Manuscritos
Autores: Peterson Adriano Belan; Edilaine
Petinari Nery; Sidnei Alves de Araújo.
Centro Universitário Nove de Julho, SP.
Artigo apresentado originalmente no XVI Simpósio Brasileiro de Informática na Educação – SBIE - UFJF
– 2005.
Apresentadora do artigo para a disciplina de Redes Neurais Artificiais do Curso de Mestrado em Engenharia
Eletrônica - UERJ: Juliana Cindra.
Outubro 2014
Sumário
● Objetivo do trabalho do artigo;
● Proposta do artigo;
● Modelo de RNA utilizado para o problema proposto;
● Multi Layer Perceptron (MLP);
● Algoritmo Backpropagation;
● Desenvolvimento do artigo para o problema proposto
● RNA proposta;
● Resultado geral obtido com os testes;
● Observações sobre os resultados obtidos.
Objetivo do Trabalho do Artigo
● Apresentar o desenvolvimento de software para o ensino infantil;
● Software de auxílio no período pré-alfabetização;
● Apresentação de palavras incompletas;
● Preenchimento das lacunas com letras manuscritas;
● Utilização de caneta óptica;
● Realizar o reconhecimento das letras;
● Fornecer um feedback;
● Estimular o uso do computador como complemento no aprendizado infantil.
Proposta do Artigo
● Reconhecimento de caracteres manuscritos;
● Utilização de RNA supervisionada;
● Treinamento com conjunto de letras de crianças entre cinco e sete anos;
● Módulo neural compondo o núcleo do software;
● Utilização do software após a fase de treinamento;
● Interface multimídia devidamente caracterizada para interação com o público infantil.
Modelo de RNA utilizado para o problema proposto
● Modelo utilizado: − Multi Layer Perceptron (MLP).
● Algoritmo de Treinamento da RNA: − Algoritmo de retro-propagação de erro,
Backpropagation.
Multi Layer Perceptron (MLP)
● Possui uma ou mais camadas ocultas;
● Possibilita o mapeamento eficiente de padrões de entradas similares para saídas diferentes.
Algoritimo Backpropagation
● Backpropagation - define a forma com que a rede é treinada;● Parte da saída até a entrada corrigindo os pesos sinápticos em todas as camadas da
MLP;
● Algoritmo utilizado para treinamento de MLP baseado no aprendizado supervisionado por correção e erro;
● O treinamento de uma RNA baseado em Backpropagation, normalmente utiliza grande esforço computacional. Necessário muitas iterações para obtenção de resposta desejada.
● Função de calculo do erro, e função de ativação precisam ser diferenciáveis;
● Pode-se encontrar os pesos que minimizam o erro a través da derivada da função do erro;
● Um método comum para encontrar os pesos que minimizam o erro, é a descida do gradiente.
Desenvolvimento do Artigo para o Problema Proposto
● Reconhecimento Inteligente de Caracteres (ICR);
● Utilização de RNA do tipo MLP como técnica para a tarefa de reconhecimento de caracteres manuscritos;
● MLP treinada com Backpropagation;
● RNA como núcleo do software proposto;
● Linguagem C++ para o algoritmo Backpropagation;
● Linguagem Visual Basic (VB) para a interface gráfica de comunicação com o usuário.
Desenvolvimento do Artigo para o Problema Proposto
● O sistema está dividido em 3 módulos básicos: − Interface;− Treinamento;− Reconhecimento de Caracteres.
Interface do Sistema
Desenvolvimento do Artigo para o Problema Proposto
● Quantidade de amostras coletadas:
− 780 amostras de 30 crianças distintas;
● Conjunto de treinamento:
− Composto por 650 letras;
● Conjunto de testes:
− Composto pelas 130 letras restantes;
● Utilização de quantidades iguais de cada letra do alfabeto no treinamento e testes.
● Realização de um pré-processamento para captura e escalonamento das imagens antes da composição do conjunto de treinamento.
RNA Proposta● RNA proposta no artigo:
− 4 camadas, sendo 2 ocultas;− 400 neurônios de entrada;
● Um para cada pixel da imagem pré-processada do caractere (20X20 px).
− 26 neurônios na primeira camada oculta;− 78 neurônios na segunda camada oculta;− 26 neurônios na camada de saída;
● Cada um para representar uma letra do alfabeto.
RNA Proposta
Resultado Geral Obtido com os Testes
Observações sobre os Resultados Obtidos
● Percentual de erro obtido na média: 6,15%;
● Percentual de erro das letras que apresentaram erro: 20%;
● Houve dificuldades no reconhecimento de alguns caracteres;
oExemplo: b e h, m e n.
● Uma das principais dificuldades da rede neural foi a extração das características intrínsecas dos caracteres;
● Dificuldade devido algumas letras possuírem partes muito semelhantes, o que confundiu a rede;
● De acordo com os autores o software mostrou bom desempenho apesar do percentual de erro obtido.
Perguntas?
● http://ceie-sbc.educacao.ws/pub/index.php/sbie/article/view/394
Artigo
Autores
● Peterson Adriano Belan; o [email protected]
● Edilaine Petinari Nery;o [email protected]
● Sidnei Alves de Araújo.
Top Related