اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدنظام الكشف التلقائي عن أرقام لوحات السيارات باللغة العربية
1079
1 0
0.0
(
0
)
نشر من قبل
جامعة بيرزيت ورقة بحثية
تاريخ النشر
2013
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تأليف
خضر محمد( باحث )
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
في هذا البحث ، تم اقتراح طريقة جديدة منخفضة التكلفة للتعرف على لوحات ترخيص المركبات (LPR) والتي يمكن استخدامها بسهولة في لوحات أخرى. تم استخدام تقنية تجزئة LP جديدة مع ثلاث مجموعات من نواقل الميزات مع مطابقة القالب لتشكيل الوحدتين الرئيسيتين: وحدة توطين لوحة الترخيص ووحدة LPR. تم اختبار هذه الطريقة على أكثر من 238 صورة مركبة مأخوذة من مشاهد مختلفة بخطوط وخلفيات مختلفة من دولتين عربيتين. كانت دقة التجزئة للنظام المنفذ 97.5٪ مع دقة التعرف على 99٪ للصور المشوهة إلى حد ما. يوضح النموذج المقدم أنه على الرغم من التأثير السلبي للظلال والشقوق والأوساخ وفصل الشخصيات ، أظهر النظام معدل نجاح إجمالي بنسبة 92٪ في توطين الألواح و 95٪ لتجزئة اللوحات و 92٪ للتعرف على البلد والمدينة و 99 ٪ لتجزئة الرقم والتمييز. أدى الجمع بين جميع المعدلات إلى دقة نظام كلية بلغت 93٪. مقارنة بالعديد من أنظمة LPR المتطورة ، يستخدم هذا النظام المطور حديثًا 3 مجموعات تدريب صغيرة تقلل من أوقات تشغيل الحل المقترح إلى أقل من 5 ثوانٍ باستخدام MATLAB R2008A الذي يعمل على Compaq 8510W مع ذاكرة وصول عشوائي (RAM) 4 جيجا. النتائج قابلة للمقارنة ، وفي بعض الحالات تكون أفضل مع ظروف مقيدة مثل مكان الانحراف وحجم اللوحة والإضاءة والخلفية.
No English abstract
مراجعة الذكاء الصنعي:
ملخص البحث
تقدم هذه الورقة البحثية نظامًا جديدًا للتعرف على لوحات السيارات العربية بتكلفة منخفضة وسهولة التمديد لتشمل لوحات أخرى. يعتمد النظام على تقنية جديدة لتجزئة اللوحات باستخدام ثلاث مجموعات من متجهات الميزات مع مطابقة القوالب لتشكيل وحدتين رئيسيتين: وحدة تحديد موقع اللوحة ووحدة التعرف على اللوحة. تم اختبار هذه الطريقة على أكثر من 238 صورة لسيارات مأخوذة من مشاهد مختلفة بخطوط وخلفيات متنوعة من دولتين عربيتين. أظهرت النتائج دقة تجزئة بنسبة 97.5% ودقة تعرف بنسبة 99% للصور المشوهة بشكل معتدل. على الرغم من التأثير السلبي للظلال والتشققات والأوساخ والفواصل بين الأحرف، أظهر النظام معدل نجاح إجمالي بنسبة 92% لتحديد موقع اللوحة، و95% لتجزئة اللوحات، و92% للتعرف على الدولة والمدينة، و99% لتجزئة الأرقام والتعرف عليها. عند دمج جميع المعدلات، وصلت دقة النظام الإجمالية إلى 93%. مقارنة بالعديد من أنظمة التعرف على اللوحات الأخرى، يستخدم هذا النظام ثلاث مجموعات تدريب صغيرة مما يقلل من وقت التشغيل إلى أقل من 5 ثوانٍ باستخدام MATLAB R2008A على جهاز Compaq 8510W مع ذاكرة وصول عشوائي 4G. النتائج قابلة للمقارنة، وفي بعض الحالات أفضل، في ظل ظروف مقيدة مثل ميل اللوحة، حجم اللوحة، الإضاءة والخلفية.
قراءة نقدية
دراسة نقدية: على الرغم من أن النظام المقترح يقدم نتائج ممتازة في التعرف على لوحات السيارات العربية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، يعتمد النظام بشكل كبير على جودة الصور المدخلة، مما يعني أن الصور ذات الجودة المنخفضة أو الإضاءة السيئة يمكن أن تؤثر بشكل كبير على دقة التعرف. ثانيًا، النظام قد لا يكون مرنًا بما يكفي للتعامل مع لوحات السيارات من دول أخرى بدون تعديل كبير في مجموعات التدريب. ثالثًا، استخدام MATLAB قد يكون غير عملي لبعض التطبيقات التجارية التي تتطلب أداءً عاليًا في الوقت الحقيقي. يمكن تحسين النظام باستخدام لغات برمجة أسرع مثل C++ أو Java، أو حتى تنفيذ النظام على أجهزة FPGA للحصول على أداء أسرع بكثير. أخيرًا، يمكن تحسين النظام ليشمل المزيد من أنواع اللوحات الخاصة والحكومية التي لم يتم اختبارها بشكل كافٍ في هذه الدراسة.
أسئلة حول البحث
-
ما هي دقة التعرف على اللوحات في النظام المقترح؟
دقة التعرف على اللوحات في النظام المقترح تصل إلى 99% للصور المشوهة بشكل معتدل.
-
ما هي التحديات الرئيسية التي يواجهها النظام في التعرف على اللوحات العربية؟
التحديات الرئيسية تشمل التباين في اتجاه اللوحات، حجم اللوحة ونسبة العرض إلى الارتفاع للأحرف، الإضاءة، والفواصل بين الأحرف.
-
كيف يمكن تحسين أداء النظام ليكون أكثر فعالية في التطبيقات التجارية؟
يمكن تحسين أداء النظام باستخدام لغات برمجة أسرع مثل C++ أو Java، أو تنفيذ النظام على أجهزة FPGA للحصول على أداء أسرع بكثير.
-
ما هي الخطوات الرئيسية في عملية التعرف على اللوحات في النظام المقترح؟
الخطوات الرئيسية تشمل تحديد موقع اللوحة في الصورة، تجزئة اللوحة إلى أجزاء (الدولة، المدينة، الرقم)، واستخراج الميزات والتعرف على الأحرف باستخدام مطابقة القوالب.
المراجع المستخدمة
Guangming Li, Zhenqi He, and Huilin Zhang Proc, 2010, The vehicle license plate location based on mathematical morphology and geometric characteristics. SPIE 7820, 78200Y
قيم البحث
اقرأ أيضاً
تجذب تصنيف المعنويات والكشف عن السخرية الكثير من الاهتمام من قبل مجتمع البحوث NLP. ومع ذلك، فإن حل هاتين المشكلتين باللغة العربية وعلى أساس بيانات الشبكة الاجتماعية (I.E.، Twitter) لا يزال مصلحة أقل. في هذه الورقة نقدم حلولا مخصصة لتصنيف المعنويات وم
هام الكشف عن السخرية التي تم تقديمها كجزء من مهمة مشتركة من قبل أبو فرحة وآخرون. (2021). نقوم بضبط نماذج المحولات الحالية المحولات الحالية لاحتياجاتنا. بالإضافة إلى ذلك، نستخدم مجموعة متنوعة من تقنيات التعلم الآلي مثل أخذ العينات الأولية والتكبير والتعبئة والتغليف واستخدام ميزات META لتحسين أداء النماذج. نحن نحقق درجة F1 من 0.75 على مشكلة تصنيف المعنويات حيث يتم حساب درجة F1 على الفصول الإيجابية والسلبية (لا يتم أخذ الفصل المحايد في الاعتبار). نحن نحقق درجة F1 من 0.66 فوق مشكلة الكشف عن السخرية حيث يتم حساب درجة F1 عبر الفئة الساخرة فقط. في كلتا الحالتين، يتم تقييم النتائج المذكورة أعلاه على Arsarcasm-V2 - مجموعة بيانات ممتدة من Arsarcasm (Farha و Magdy، 2020) تم تقديمها كجزء من المهمة المشتركة. هذا يعكس تحسنا لتحقيق أحدث النتائج في كلتا المهام.
تقدم هذه الورقة واحدة من أفضل خمس حلول الفوز للمهمة المشتركة بشأن السخرية والكشف عن المعنويات باللغة العربية (الكشف عن السخرية SubTask-1).الهدف من المهمة هو تحديد ما إذا كانت سقسقة الساخرة أم لا.تم تطوير حلنا باستخدام تقنية فرقة مع نموذج أرابت المدرب
مسبقا.نحن نصف الهندسة المعمارية للحل المقدم في المهمة المشتركة.نحن نقدم أيضا التجارب وضبط فرط الحرارة الذي يؤدي إلى هذه النتيجة.بالإضافة إلى ذلك، نناقش النتائج وتحليلها من خلال مقارنة جميع النماذج التي تدربناها أو اختبارها لتحقيق درجة أفضل في تصميم الطاولة.يحتل نموذجنا في المرتبة الخامسة من 27 فريقا مع درجة F1 من 0.5985.تجدر الإشارة إلى أن نموذجنا حقق أعلى درجة من الدقة 0.7830
تمثل قدرة تعلم التعلم من تمثيلات الإعجاب خطوة رئيسية لأنظمة NLP القابلة للتفسير حيث تتيح السيطرة على الميزات اللغوية الكامنة.تعتمد معظم الأساليب التي يتعرض لها DEVENTANGLEMELLEMES على المتغيرات المستمرة، سواء بالنسبة للصور والنص.نقول أنه على الرغم من
أن تكون مناسبا لمجموعات بيانات الصورة، قد لا تكون المتغيرات المستمرة مثالية لميزات نموذجية للبيانات النصية، بسبب حقيقة أن معظم العوامل الإدارية في النص منفصلة منفصلة.نقترح طريقة استنادا عن السيارات التلقائية التي تتميز بها النماذج بمثابة متغيرات منفصلة وتشجع الاستقلال بين المتغيرات لتعلم تمثيلات الإعانات.يتفوق النموذج المقترح على خطوط أساسية مستمرة ومنفصلة حول العديد من المعايير النوعية والكمية لإجراءات DEVENTANGELES وكذلك على تطبيق Text Style Toystream.
الكشف عن السخرية هو واحد من أفضل المهام الصعبة في تصنيف النص، لا سيما بالنسبة للغة العربية غير الرسمية بالغشاء النحوي والدلي العالي.نقترح أنظمتين تسخير المعرفة من مهام متعددة لتحسين أداء المصنف.تقدم هذه الورقة أنظمة المستخدمة في مشاركتنا إلى المهام ا
لفرعية لورشة معالجة اللغات الطبيعية العربية السادسة (WANLP)؛تحليل السخرية وتحليل المعنويات.المنهجيات الخاصة بنا مدفوعة بفرضية أن التغريدات ذات الشعور السلبي والثغرات السلبية مع محتوى السخرية من غير المرجح أن يكون لها محتوى مسيء، وبالتالي، تؤدي إلى ضبط طراز التصنيف باستخدام كوربوس كبيرة من اللغة المسيئة، عملية التعلم للنموذج للكشف بشكل فعالالمعنويات ومحتويات السخرية.توضح النتائج فعالية نهجنا لمهمة الكشف عن السخرية على مهمة تحليل المعنويات.
إن استكشاف جوانب المعنى السورية الضمني أو غير المحدود في السياق مهم لفهم الجملة.في هذه الورقة، نقترح هندسة رواية قائمة على الإحلال في اكتشاف متطلبات المراجعة.الهدف هو تحسين التفاهم، معالجتها بعض الأنواع من المراجعات، خاصة بالنسبة لنوع الضمير المستبدل
.نظرا لأن نظامنا القائم على الأسطلات يمكن أن يتوقع الضمائر محلها جيدا على مستوى الإشارة.ومع ذلك، فإن نظامنا المشترك على مستوى الجملة لا يتحسن في خط الأساس بيرت على مستوى الجملة.نقدم أيضا أنظمة تناقض إضافية، وإظهار النتائج لكل نوع من التحرير.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
