Ссылка для цитирования : Татарникова Т. М., Шихотов А. А. Методы предобработки оцифрованных рукописных документов // Изв. вузов. Приборостроение. 2025. Т. 68, № 6. С. 494–499. DOI: 10.17586/0021-3454-2 025-68-6-494-499.

Аннотация. Решается задача автоматизации анализа рукописных документов. Показано, что при решении подобных задач используются искусственные нейронные сети, способные к распознаванию образов после обучения на исходном наборе данных. При этом качество распознавания новых образов большей частью зависит от этапа предобработки оцифрованных рукописных документов. Рассмотрена частная задача предобработки — удаление линий клетки с изображения листа тетради. Проанализированы четыре метода фильтрации изображения с использованием библиотеки OpenCV языка Python. Выполнено обучение нейронной сети сверточной архитектуры распознаванию рукописных символов. Продемонстрирована работа обученной нейронной сети на документах, предобработанных разными алгоритмами.

Ключевые слова: распознавание образов, рукописный документ, нейронные сети, шум, предобработка, качество распознавания

Список литературы:

1. Кривошеев А. В. Сопряжение мультиагентных и нейросетевых технологий в программной системе распозна- вания образов для роботизированного документооборота // Вестн. Рязанского государственного радиотехни- ческого университета. 2024. № 87. С. 54–61. DOI: 10.21667/1995-4565-2024-87-54-61.
2. Ferrer M. A., Diaz M., Carmona-Duarte C., Morales A. A behavioral handwriting model for static and dynamic signature synthesis // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39, N 6. P. 1041–1053.
3. Калько А. И. Система идентификации рукописных текстов как объект защиты и обработки массового объема документов // 9-я Междунар. науч.-практ. Конф. „BIG DATA and Advanced Analytics. BIG DATA и анализ вы- сокого уровня“. Минск, Республика Беларусь, 17–18 мая 2023 года. С. 276–284.
4. Кучуганов А. В., Лапинская Г. В. Распознавание рукописных текстов. Ижевск: Мир, 2006. 514 с.
5. Шапиро Л., Стокман Дж. Компьютерное зрение. M.: БИНОМ. Лаборатория знаний, 2015. 763 с.
6. Бреусова Е. И. К проблеме распознавания рукописного текста // Вестн. Челябинского государственного педа- гогического университета. 2017. № 1. С. 88–92.
7. Ахунджанов У. Ю., Старовойтов В. В. Предварительная обработка изображений рукописных подписей для последующего распознавани // Системный анализ. 2022. № 2. С. 4–9. DOI: 10.21122/2309-4923-2022-2-4-9.
8. OpenCV library. O’Reilly Media Inc, 2008. 6 p.
9. Горитов А. Н. Предварительная обработка изображений в системах технического зрения // Доклады ТУСУР. 2018. Т. 21, № 4-1. С. 53–58.
10. Семенов А. Н. Обнаружение радиолокационных целей с помощью преобразования Хафа // Наука и Образование: научное издание МГТУ им. Н.Э. Баумана. 2014. № 12. С. 619–632. DOI: 10.7463/1214.0738733.
11.  Wu B., Wan A., Yue X. and Keutzer K. SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud // 2018 IEEE International Conference on Robotics and Automation (ICRA). Brisbane, QLD, Australia, 2018. P. 1887–1893. DOI: 10.1109/ICRA.2018.8462926.
12. Скрыпников А. В., Денисенко В. В., Хитров Е. Г., Евтеева К. С., Савченко И. И. Распознавание рукописного текста с использованием нейронных сетей // Современные наукоемкие технологии. 2021. № 6-1. С. 91–95. DOI: https://doi.org/10.17513/snt.38703.
13. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward // PloS one. 2018. Vol. 13. P. 1–20.
14. Taherdoost H., Sahibuddin S., Jalaliyoon N. Exploratory Factor Analysis; Concepts and Theory // Advances in applied and pure mathematics. 2022. Vol. 27. P. 375–382.
15. He K., Zhang X., Ren S. and Sun J. Deep residual learning for image recognition // 2016 IEEE Conf. on Computer Vision and Pattern Recognition (CVPR). 27–30 June 2016. P. 770–778. DOI: 10.1109/CVPR33180.2016.
16. Татарникова Т. М., Бимбетов Ф., Богданов П. Ю. Выявление аномалий сетевого трафика методом глубокого обучения // Изв. СПбГЭТУ ЛЭТИ. 2021. № 4. С. 36–41.
17. Suprun A., Tatarnikova T., Sikarev I., Shmeleva A. Detection of malicious program for the android platform by deep training // Lecture Notes in Networks and Systems. 2022. Vol. 387. P. 31–38. DOI: 10.1007/978-3-030-93872-7_3.