Off-line Handwritten Thai Name Reco

Off-line Handwritten Thai Name Recognition for
Student Identification in an Automated Assessment
System
Hemmaphan Suwanwiwat, Vu Nguyen, and
Michael Blumenstein
School of Information and Communication Technology,
Griffith University, Australia
Umapada Pal
Computer Vision and Pattern Recognition Unit
Indian Statistical Institute
India
Abstract—In the field of pattern recognition, off-line
handwriting recognition is one of the most intensive areas of
study. This paper proposes an automatic off-line Thai language
student name identification system which was built as a part of a
completed off-line automated assessment system. There is limited
work undertaken in developing off-line automatic assessment
systems using handwriting recognition. To the authors’
knowledge, none of the work on the proposed system has been
performed on the Thai language. In addition the proposed system
recognises each Thai name by using an approach for whole word
recognition, which is different from the work found in the
literature as most perform character-based recognition. In this
proposed system, the Gaussian Grid Feature (GGF) and the
Modified Direction Feature (MDF) extraction techniques are
investigated on upper and lower contours, loops from full word
contour images of each name sample, and artificial neural
networks and support vector machine are used as classifiers. The
encouraging recognition rates for both feature extraction
techniques were achieved when applied on loop, upper and lower
contour images (99.27% accuracy rate was achieved using MDF
on artificial neural networks and 99.27% using GGF with a
support vector machine classifier).
Keywords—off-line handwriting recognition; automated
assessment system; student identification system; modified
directional feature; Gaussian grid feature
I. INTRODUCTION
Handwriting recognition is divided into 2 types, which are
off-line and on-line handwriting recognition. Off-line
handwriting recognition is one of the most difficult and
challenging tasks in pattern recognition. It performs
recognition of written documents by using a scanner. The hard
copy document is commonly transformed into a binary pattern
[1] which allows the recognition system to process the
binarised handwritten image.
Off-line handwriting recognition is considered more
difficult than its on-line counterpart as it cannot capture the
written information whilst performing the writing as is the case
in on-line handwriting recognition [2]. Nevertheless, many
applications benefit from off-line handwriting recognition
techniques, for example, postal address interpretation,
signature verification, and bank cheque verification. However,
there is only a small amount of research focusing on off-line
assessment systems [3], [4], [5], [6]. To the best of the authors’
knowledge, there is no off-line Thai language automated
assessment system proposed in the literature.
Manual assessment of handwritten examinations is a
complex task; it requires the marker’s attentiveness,
correctness and it is time consuming. An important part of the
examination paper, besides the exam questions and answers
themselves, are student name components, which are the name
and last name, and student number. Commonly for manual
assessment, when the marking of examination papers is
concluded, the marker has to rewrite each student’s mark into a
report marking sheet. One problem of transcribing the mark of
each student is that it could be error prone as the assessor may
mistakenly ascribe the examination mark against the wrong
student name.
This paper proposes a sub-system of an Off-line Automatic
Assessment System (OFLAAS) called Student Identification
System (SIS) similar to previous work the authors have
proposed earlier [6]. However, in the present work, the
experiments were performed on the Thai language to recognise
student name components. To the authors’ knowledge, there
has not been much work done on Thai whole word recognition,
and especially not on writer identification as per the work that
is proposed here. This is due to the nature of the Thai language
(please refer to sub-section II-B). Features used in the
proposed system are different from the previous work as in the
present work, the features were extracted from upper, lower,
and loop images rather than full contour images.
Also in this proposed system, Artificial Neural Networks
(ANNs) and Support Vector Machines (SVMs) were used as
classifiers to compare the recognition rates on both techniques,
rather than only those applied to ANNs as in the previous
work. It must be noted that the system proposed here has no
intention to verify student identities, only to identify them. The
SIS with the ability to verify students may be proposed in
future work.
It should be noted that the student number has not been
used in this research as a student identification and verification
system could be developed on student name components in the
future. That is, the future system would be able to verify if the
person who sat an examination is the same person who owns
the name recognised using the student handwritten name and
the last name. Also as normally students do not sign
examination papers, this research proposes the use of name
components in developing the SIS but not the student signature
or number.
For the proposed system, once the marking process (main
process of OFLAAS) is completed, the report on each student’s
mark is automatically produced. Having such a system would
reduce the chance of mismatching between the student’s names
and their marks. Another advantage of having the proposed
system is that the list of the students who are absent from the
examination can be produced automatically.
As stated above, the proposed system intends to identify
students from their handwritten name and last names but not
verifying if the written names have been forged. This research
investigates and compares the performance of the Modified
Direction Feature (MDF) and Gaussian Grid Feature (GGF)
extraction technique. Since the proposed system is used to
recognise Thai words, which have different characteristics
compared to English, different input images rather than using
only boundary images, were employed with ANNs and SVMs
to obtain the highest recognition rates possible.
As there is no suitable database of Thai name components
available, a new database was created to be used for
experimentation of the proposed system. The database used in
the present research consists of 2,060 handwritten name
components from a total number of 103 writers.
The remainder of this paper is organised into three sections.
Section II describes the methodology employed in this
research. Section III details the results obtained and puts
forward a discussion and analysis. Finally, conclusions are
drawn in Section IV and future work is also described.
II. METHODOLOGY
This section discusses the methodology and techniques
used in conducting the research. The topics in this section
include the proposed system (block diagrams), data collection,
Fig. 1a Block diagram illustrating a complete Off-Line Automatic Assessment
System (OFLAAS). Fig. 1b. A block diagram illustrating the proposed
Student Identification System (SIS)
nature of Thai language, proposed methodology, and the
experimental setup.
Significant research has been undertaken in the area of offline
character and handwriting recognition. Nevertheless, to the
authors’ knowledge, there has only been a limited amount of
work in the literature reporting the development and
investigation off-line automatic assessment systems. Also there
has not been any research undertaken for student identification
using Thai handwritten name components written on
examination papers.
The proposed methodology includes data collection, image
processing, effects of different input images to each feature
extraction technique, and the investigation of the MDF and
GGF techniques in conjunction with classifiers employing
different parameters in order to achieve the optimum results.
Classifiers used in conducting the proposed SIS are ANNs and
SVMs. Fig. 1a. illustrates a block diagram of a complete
OFLAAS which consists of a main component including a
short answer question automatic marking module and a SIS,
which is a sub-system of OFLAAS. The OFLAAS is used to
mark each student's examination paper, and is also used to
identify students from their name components. Once both
processes are completed, the full report containing a list of
students who attended the examination along with the marks
they achieved is produced.
The process of SIS begins with the data collection of the
students' name components. The scanning process is used to
transform raw data into digitised patterns. Binarisation and
preprocessing, including line and word segmentation, noise
removal, filling and skew correction are then applied to the
images.
The feature extraction techniques which were selected in
the proposed system are the MDF and GGF. The MDF and
GGF extraction techniques were chosen due to their ability to
successfully extract those important features from images,
which have enabled accurate recognition rates to be attained in
a number of applications [6], [7], [8]. After the feature vectors
are generated by employing each technique, the features are
then applied to the ANNs and SVMs for training, and testing
for the recognition/identification process. The SIS recognition
accuracy rate was evaluated once the results were obtained. A
proposed SIS block diagram can be found in Fig. 1b.
A. Data Collection
There is no publicly available dataset of Thai language
handwritten name components from examination papers; as a
result, a data collection process was performed to create a
custom dataset. The dataset collected for the proposed system
is the first database of its type in the Thai language.
In the research proposed here, the recognition of words was
based on one writer per name components. Although in some
cases, the

ผลลัพธ์ (ไทย) 1:

การรับรู้ในชื่อลายไทยออฟไลน์รหัสนักศึกษาในการประเมินโดยอัตโนมัติระบบHemmaphan Suwanwiwat เหงียนวู และMichael Blumensteinโรงเรียนสารสนเทศและเทคโนโลยีการสื่อสารมหาวิทยาลัยมหานคร Griffith ออสเตรเลียUmapada พาลคอมพิวเตอร์วิทัศน์และรูปแบบการรับรู้หน่วยสถาบันสถิติอินเดียอินเดียนามธรรมซึ่งในด้านการรู้จำรูปแบบ ออฟไลน์การรู้จำลายมือจะมากด้านหนึ่งศึกษา เอกสารนี้นำเสนอเป็นภาษาไทยอัตโนมัติออฟไลน์ระบบรหัสนักศึกษาชื่อซึ่งเป็นส่วนหนึ่งของการระบบประเมินออฟไลน์อัตโนมัติให้เสร็จสมบูรณ์ มีจำกัดงานที่ดำเนินการในการพัฒนาประเมินออฟไลน์โดยอัตโนมัติระบบที่ใช้การรู้จำลายมือ การของผู้เขียนความรู้ ไม่มีการทำงานในระบบนำเสนอได้ดำเนินการในภาษาไทย นอกจากระบบนำเสนอตระหนักว่าแต่ละชื่อไทย โดยใช้วิธีการสำหรับทั้งคำการรับรู้ ซึ่งแตกต่างจากการทำงานที่พบในการวรรณกรรมเป็นส่วนใหญ่ทำการรู้จำอักขระตาม ในที่นี้นำเสนอระบบ คุณลักษณะตาราง Gaussian (GGF) และเทคนิคการแยกทิศทางคุณลักษณะ (MDF) แก้ไขตรวจสอบบนบน และล่างรูปทรง ลูปจากคำเต็มจากภาพตัว อย่างแต่ละชื่อ และประดิษฐ์ประสาทเครือข่ายและสนับสนุนเครื่องเวกเตอร์จะใช้เป็นคำนามภาษา ที่ส่งเสริมให้รู้และสกัดคุณลักษณะทั้งราคาพิเศษเทคนิคความสำเร็จเมื่อใช้กับลูป บน และล่างเส้นภาพ (99.27% อัตราความสำเร็จใช้ MDFเครือข่ายประสาทเทียมและ 99.27% ใช้ GGF กับการสนับสนุนแบบเวกเตอร์เครื่อง classifier)คำสำคัญคือการรู้จำลายมือ ปิดรายการ แบบอัตโนมัติประเมินระบบ นักศึกษารหัสระบบ การปรับเปลี่ยนลักษณะทิศทาง คุณลักษณะตาราง gaussianI. บทนำแบ่งออกเป็น 2 ประเภท ซึ่งเป็นการรู้จำลายมือการรู้จำลายมือออฟไลน์ และง่ายดาย ออฟไลน์เป็นการรู้จำลายมือหนึ่งยากที่สุด และงานที่ท้าทายในการรู้จำแบบ จะดำเนินการการรับรู้เอกสารเป็นลายลักษณ์อักษรโดยใช้สแกนเนอร์ ฮาร์ดดิสก์โดยทั่วไปมีเปลี่ยนสำเนาเอกสารเป็นรูปแบบไบนารี[1] ซึ่งช่วยให้ระบบการประมวลผลรูป binarised ลายมือออฟไลน์จำลายมือถือเพิ่มเติมเรื่องยากกว่ากันง่ายดายของมันไม่สามารถจับตัวเขียนข้อมูลขณะทำการเขียนเป็นกรณีในการรู้จำลายมือง่ายดาย [2] อย่างไรก็ตาม หลายโปรแกรมประยุกต์ที่ได้รับประโยชน์จากการรู้จำลายมือออฟไลน์เทคนิค เช่น ที่อยู่ไปรษณีย์ตีตรวจสอบลายเซ็น และการตรวจสอบเช็คของธนาคาร อย่างไรก็ตามมีเพียงเล็กน้อยวิจัยเน้นออฟไลน์ประเมินระบบ [3], [4], [5], [6] กับของผู้เขียนความรู้ มีภาษาไทยไม่ออฟไลน์โดยอัตโนมัติระบบประเมินการนำเสนอในวรรณคดีการประเมินด้วยตนเองตรวจสอบด้วยลายมือเป็นการงานซับซ้อน ต้องนำมาเลี้ยงตัวทำเครื่องหมายความถูกต้องและเป็นเวลานาน ส่วนสำคัญของการกระดาษสอบ ห้องสอบถามและคำตอบตัวเอง เป็นนักเรียนชื่อส่วนประกอบ ซึ่งเป็นชื่อและนามสกุล และจำนวนนักเรียน โดยทั่วไปสำหรับคู่มือประเมิน เมื่อทำเครื่องหมายตรวจสอบเอกสารสรุป เครื่องหมายที่มีการเขียนของนักเรียนทำเครื่องหมายเป็นการรายงานแผ่นงานการทำเครื่องหมาย ปัญหาหนึ่งของเครื่องหมายวรรณยุกต์นักศึกษาจะว่า มันอาจเป็นข้อผิดพลาด prone assessor ที่อาจแสดง ascribe หมายตรวจสอบกับการไม่ถูกต้องชื่อนักเรียนกระดาษนี้เสนอระบบย่อยของการออฟไลน์โดยอัตโนมัติประเมินระบบ (OFLAAS) เรียกว่ารหัสนักศึกษามีผู้สร้างระบบ (SIS) คล้ายกับการทำงานก่อนหน้านี้นำเสนอก่อนหน้านี้ [6] อย่างไรก็ตาม ในงานนำเสนอ การดำเนินการทดลองในภาษาไทยจะรู้ส่วนประกอบของชื่อนักเรียน ความรู้การเขียนของ มีไม่ได้ทำในการรู้จำคำไทยทั้งหมด งานมากและโดยเฉพาะอย่างยิ่งไม่ระบุผู้เขียนตามงานที่เป็นการนำเสนอที่นี่ นี่คือเนื่องจากลักษณะของภาษาไทย(โปรดดูส่วนย่อย II-B) คุณลักษณะที่ใช้ในการนำเสนอระบบแตกต่างจากการทำงานก่อนหน้านี้ในการนำเสนองาน คุณลักษณะถูกสกัดจากบน ล่างและวนรอบภาพมากกว่าภาพเต็มเส้นในที่นี้เสนอระบบ เครือข่ายประสาทเทียม(ANNs) และใช้เป็นเครื่องสนับสนุนเวกเตอร์ (SVMs)คำนามภาษาการเปรียบเทียบอัตราการรู้จำในทั้งสองเทคนิคไม่ ใช่เฉพาะใช้ ANNs ในก่อนหน้าทำงาน ต้องสังเกตว่า ระบบที่นำเสนอที่นี่ไม่มีความตั้งใจที่จะตรวจสอบรหัสประจำตัวนักเรียน เพียงเพื่อหาพวกเขา ที่SIS กับความสามารถในการตรวจสอบนักเรียนอาจนำเสนอในงานในอนาคตควรสังเกตว่า จำนวนนักเรียนไม่ได้ใช้ในงานวิจัยนี้เป็นรหัสนักศึกษาและตรวจสอบระบบที่สามารถพัฒนาในส่วนประกอบของชื่อนักเรียนในการในอนาคต นั่นคือ ระบบในอนาคตจะสามารถตรวจสอบถ้าการคนที่นั่งในการตรวจสอบเป็นคนเดียวที่เป็นเจ้าของชื่อที่ยังใช้ชื่อเขียนด้วยลายมือของนักเรียน และ นามสกุล ปกติเป็นนักศึกษาไม่ลงทะเบียนด้วยตรวจสอบเอกสาร งานวิจัยนี้เสนอการใช้ชื่อส่วนประกอบในการพัฒนา SIS แต่ไม่ลายเซ็นของนักเรียนหรือหมายเลขสำหรับระบบนำเสนอ เมื่อทำเครื่องหมายการ (หลักการ OFLAAS เสร็จ รายงานของนักเรียนหมายที่จะผลิตโดยอัตโนมัติ มีระบบดังกล่าวจะลดโอกาสของการไม่ระหว่างชื่อของนักเรียนและเครื่องหมายของพวกเขา ประโยชน์อีกประการหนึ่งของการมีนำเสนอระบบคือรายการของนักเรียนที่ขาดจากการตรวจสอบสามารถผลิตได้โดยอัตโนมัติตามที่ระบุไว้ข้างต้น ระบบการนำเสนอมีระบุชื่อนักเรียนจากการเขียนด้วยลายมือชื่อ และนามสกุลแต่ไม่ตรวจสอบถ้า มีการปลอมชื่อเป็นลายลักษณ์อักษร งานวิจัยนี้ตรวจสอบ และเปรียบเทียบประสิทธิภาพของการปรับปรุงลักษณะทิศทาง (MDF) และลักษณะตาราง Gaussian (GGF)เทคนิคการสกัด เนื่องจากใช้ระบบการนำเสนอรู้คำไทย ที่มีลักษณะแตกต่างกันเปรียบเทียบกับภาพนำเข้าอังกฤษ แตกต่างมากกว่าการใช้มีจ้างเฉพาะขอบภาพ ANNs ด้วย SVMsการรับรู้สูงสุดราคาถูกที่สุดเป็นฐานข้อมูลไม่เหมาะสมของส่วนประกอบของชื่อไทยพร้อมใช้งาน ฐานข้อมูลใหม่ถูกสร้างขึ้นเพื่อใช้สำหรับทดลองระบบนำเสนอ ฐานข้อมูลที่ใช้ในการวิจัยปัจจุบันประกอบด้วยชื่อ 2,060 เขียนด้วยลายมือส่วนประกอบจากจำนวนเขียน 103ส่วนเหลือของเอกสารนี้ถูกจัดเป็นสามส่วนส่วนที่สองอธิบายวิธีการทำงานนี้งานวิจัย รายละเอียด III ส่วนผลได้รับ และทำให้ส่งคำอธิบายและวิเคราะห์ เป็นบทสรุปสุดท้ายวาดในส่วน IV และอนาคตยังมีอธิบายทำงานครั้งที่สองระหว่างส่วนนี้อธิบายวิธีการและเทคนิคใช้ในการดำเนินการวิจัย หัวข้อในส่วนนี้มีระบบนำเสนอ (บล็อกไดอะแกรม) เก็บข้อมูลFig. 1a บล็อกไดอะแกรมแสดงการประเมินโดยอัตโนมัติออฟไลน์ที่สมบูรณ์ระบบ (OFLAAS) Fig. 1b บล็อกไดอะแกรมแสดงการนำเสนอระบบรหัสนักศึกษา (SIS)ธรรมชาติของภาษาไทย วิธีการ การนำเสนอและการตั้งค่าการทดลองมีการดำเนินการวิจัยสำคัญในแบบออฟไลน์การรู้จำอักขระและลายมือ อย่างไรก็ตาม เพื่อการความรู้ของผู้เขียน เท่านั้นมีจำนวนจำกัดของทำงานในเอกสารประกอบการรายงานการพัฒนา และระบบตรวจสอบประเมินออฟไลน์โดยอัตโนมัติ นอกจากนี้ยังมีไม่ได้มีงานวิจัยที่ดำเนินการสำหรับนักศึกษารหัสใช้ส่วนประกอบของชื่อไทยลายมือเขียนบนตรวจสอบเอกสารการวิธีนำเสนอรวมถึงรวบรวมข้อมูล รูปภาพประมวลผล ผลกระทบของแต่ละคุณลักษณะต่าง ๆ เข้ารูปเทคนิคสกัด และการตรวจสอบ MDF และเทคนิค GGF ร่วมกับคำนามภาษาที่ใช้พารามิเตอร์ต่าง ๆ เพื่อให้บรรลุผลสูงสุดคำนามภาษาที่ใช้ในการดำเนินการ SIS เสนอมี ANNs และSVMs Fig. 1a แสดงบล็อกไดอะแกรมของการเสร็จสมบูรณ์OFLAAS ซึ่งประกอบด้วยส่วนประกอบหลักรวมทั้งการคำถามคำตอบสั้น ๆ ที่อัตโนมัติเครื่องโมดูลและการ SISซึ่งเป็นระบบย่อยของ OFLAAS OFLAAS จะใช้กระดาษสอบของนักเรียนทำเครื่องหมาย และยังใช้ระบุนักเรียนจากส่วนประกอบของชื่อของพวกเขา เมื่อทั้งสองกระบวนการเสร็จสมบูรณ์แล้ว รายงานฉบับเต็มที่ประกอบด้วยรายชื่อนักเรียนที่เข้าร่วมตรวจสอบ ด้วยเครื่องหมายพวกเขาได้ผลิตกระบวนการของ SIS เริ่มต้น ด้วยการรวบรวมข้อมูลstudents' name components. The scanning process is used totransform raw data into digitised patterns. Binarisation andpreprocessing, including line and word segmentation, noiseremoval, filling and skew correction are then applied to theimages.The feature extraction techniques which were selected inthe proposed system are the MDF and GGF. The MDF andGGF extraction techniques were chosen due to their ability tosuccessfully extract those important features from images,which have enabled accurate recognition rates to be attained ina number of applications [6], [7], [8]. After the feature vectorsare generated by employing each technique, the features arethen applied to the ANNs and SVMs for training, and testingfor the recognition/identification process. The SIS recognitionaccuracy rate was evaluated once the results were obtained. Aproposed SIS block diagram can be found in Fig. 1b.A. Data CollectionThere is no publicly available dataset of Thai languagehandwritten name components from examination papers; as aresult, a data collection process was performed to create acustom dataset. The dataset collected for the proposed systemis the first database of its type in the Thai language.In the research proposed here, the recognition of words wasbased on one writer per name components. Although in somecases, the

ผลลัพธ์ (ไทย) 2:

Off-line การรับรู้ชื่อไทยที่เขียนด้วยลายมือสำหรับบัตรประจำตัวนักศึกษาในการประเมินอัตโนมัติระบบHemmaphan Suwanwiwat, วูเหงียนและไมเคิลBlumenstein โรงเรียนสารสนเทศและการสื่อสารเทคโนโลยีGriffith University, ออสเตรเลียUmapada Pal คอมพิวเตอร์วิสัยทัศน์และการจดจำรูปแบบหน่วยอินเดียสถาบันสถิติอินเดียบทคัดย่อในด้านการรับรู้รูปแบบออฟไลน์ที่เขียนด้วยลายมือเป็นหนึ่งในพื้นที่ที่เข้มข้นมากที่สุดของการศึกษา กระดาษนี้นำเสนอโดยอัตโนมัติปิดสายภาษาไทยระบบการระบุชื่อนักศึกษาซึ่งถูกสร้างขึ้นเป็นส่วนหนึ่งของที่เสร็จสิ้นการปิดสายระบบการประเมินโดยอัตโนมัติ มีการ จำกัดการทำงานดำเนินการในการพัฒนาแบบ off-line ประเมินอัตโนมัติระบบที่ใช้เขียนด้วยลายมือ เพื่อเขียนความรู้ที่ไม่มีการทำงานในระบบที่นำเสนอได้รับการดำเนินการเกี่ยวกับภาษาไทย นอกจากนี้ระบบที่เสนอตระหนักแต่ละชื่อไทยโดยใช้วิธีการสำหรับทั้งคำการรับรู้ที่แตกต่างจากการทำงานที่พบในวรรณกรรมเป็นส่วนใหญ่ดำเนินการรู้จำตัวอักษรตาม ในการนี้ระบบเสนอที่เสียนกริดคุณสมบัติ (GGF) และคุณสมบัติทิศทางดัดแปลง(MDF) เทคนิคการสกัดมีการตรวจสอบในรูปทรงบนและล่างลูปจากคำเต็มภาพรูปร่างของแต่ละตัวอย่างชื่อและประสาทเทียมเครือข่ายและการสนับสนุนเครื่องเวกเตอร์เป็นใช้เป็นลักษณนาม ส่งเสริมให้อัตราการรับรู้ทั้งดึงเทคนิคก็ประสบความสำเร็จเมื่อนำมาใช้ในวงบนและล่างภาพเส้น(อัตราความถูกต้อง 99.27% ​​ก็ประสบความสำเร็จโดยใช้ไม้ MDF บนเครือข่ายประสาทเทียมและ 99.27% ​​ใช้ GGF กับการสนับสนุนลักษณนามเครื่องเวกเตอร์). คำออก เขียนด้วยลายมือบรรทัด; อัตโนมัติระบบการประเมิน; ระบบการระบุนักศึกษา การปรับเปลี่ยนคุณลักษณะทิศทาง; คุณลักษณะตารางเสียนครั้งที่หนึ่ง บทนำจดจำลายมือจะแบ่งออกเป็น 2 ประเภทซึ่งเป็นแบบoff-line และ On-line ที่เขียนด้วยลายมือ Off-line ที่เขียนด้วยลายมือเป็นหนึ่งในที่ยากที่สุดและงานที่ท้าทายในการรับรู้รูปแบบ จะดำเนินการรับรู้ของเอกสารที่เป็นลายลักษณ์อักษรโดยใช้สแกนเนอร์ ยากเอกสารสำเนาถูกเปลี่ยนโดยทั่วไปเป็นรูปแบบไบนารี[1] ซึ่งจะช่วยให้ระบบการรับรู้ในการประมวลผลภาพที่เขียนด้วยลายมือbinarised. เขียนด้วยลายมือ Off-line ได้รับการพิจารณามากขึ้นยากกว่าคู่ในสายของมันไม่สามารถจับข้อมูลที่เขียนในขณะที่การดำเนินการเขียนเป็นกรณีที่ในบรรทัดที่เขียนด้วยลายมือ [2] อย่างไรก็ตามหลายการใช้งานได้รับประโยชน์จากปิดสายการเขียนด้วยลายมือเทคนิคเช่นการตีความที่อยู่ทางไปรษณีย์, ตรวจสอบลายเซ็นและตรวจสอบเช็คธนาคาร แต่มีเพียงจำนวนเล็กน้อยของการวิจัยมุ่งเน้นไปที่ปิดสายระบบการประเมิน[3] [4] [5] [6] ที่ดีที่สุดของผู้เขียน 'ความรู้ไม่มีปิดสายภาษาไทยอัตโนมัติระบบการประเมินที่นำเสนอในวรรณคดี. ประเมินคู่มือการใช้งานของการสอบที่เขียนด้วยลายมือเป็นงานที่ซับซ้อน; มันต้องมีความสนใจเครื่องหมายของความถูกต้องและเป็นเวลานาน เป็นส่วนสำคัญของข้อสอบนอกเหนือจากคำถามและคำตอบสอบตัวเองเป็นส่วนชื่อนักเรียนที่มีชื่อและนามสกุลและจำนวนนักเรียน โดยทั่วไปสำหรับคู่มือการประเมินเมื่อเครื่องหมายของการตรวจสอบเอกสารที่มีการสรุปเครื่องหมายที่มีการเขียนเครื่องหมายของนักเรียนแต่ละคนเป็นรายงานแผ่นการทำเครื่องหมาย ปัญหาหนึ่งของการถ่ายทอดเครื่องหมายของนักเรียนแต่ละคนก็คือว่ามันอาจจะมีข้อผิดพลาดง่ายเป็นผู้ประเมินพฤษภาคมผิดพลาดอ้างเครื่องหมายการตรวจสอบกับที่ไม่ถูกต้องชื่อนักเรียน. กระดาษนี้นำเสนอระบบการย่อยของ Off-line โดยอัตโนมัติระบบการประเมิน(OFLAAS) ที่เรียกว่า บัตรประจำตัวนักศึกษาของระบบ(SIS) คล้ายกับการทำงานก่อนหน้าผู้เขียนได้นำเสนอก่อนหน้านี้[6] อย่างไรก็ตามในการทำงานปัจจุบันที่ทดลองดำเนินการในภาษาไทยที่จะรับรู้ส่วนประกอบชื่อนักเรียน เพื่อความรู้ของผู้เขียนมีไม่ได้รับงานที่ทำมากในการได้รับการยอมรับทั้งคำไทยและโดยเฉพาะอย่างยิ่งไม่ได้อยู่ในบัตรประจำตัวนักเขียนตามการทำงานที่มีการเสนอที่นี่ เพราะนี่คือธรรมชาติของภาษาไทย(โปรดดูที่ส่วนย่อย II-B) คุณสมบัติที่ใช้ในระบบที่นำเสนอมีความแตกต่างจากการทำงานก่อนหน้านี้ในการทำงานปัจจุบันคุณสมบัติที่ถูกสกัดจากบน, ล่าง, และภาพห่วงมากกว่าภาพเส้นเต็ม. นอกจากนี้ในระบบนี้เสนอประดิษฐ์โครงข่ายประสาท(ANNs) และการสนับสนุน เครื่องเวกเตอร์ (SVMs) ถูกนำมาใช้เป็นลักษณนามเพื่อเปรียบเทียบอัตราการรับรู้เกี่ยวกับเทคนิคทั้งสองมากกว่าเพียงเพื่อที่จะนำไปใช้ผู้ANNs ในขณะที่ก่อนหน้านี้ทำงาน จะต้องมีการตั้งข้อสังเกตว่าระบบที่นำเสนอที่นี่ไม่ได้มีความตั้งใจที่จะตรวจสอบตัวตนของนักเรียนเท่านั้นที่จะระบุได้ SIS มีความสามารถในการตรวจสอบนักเรียนอาจจะนำเสนอในการทำงานในอนาคต. มันควรจะตั้งข้อสังเกตว่าจำนวนนักเรียนที่ไม่ได้รับการใช้ในการวิจัยเป็นบัตรประจำตัวนักเรียนและการตรวจสอบระบบสามารถพัฒนาในส่วนชื่อนักศึกษาในอนาคต นั่นคือระบบในอนาคตจะสามารถที่จะตรวจสอบว่าคนที่มานั่งตรวจสอบเป็นบุคคลคนเดียวกันผู้ที่เป็นเจ้าของชื่อได้รับการยอมรับการใช้ชื่อที่เขียนด้วยลายมือของนักเรียนและนามสกุล ยังเป็นปกตินักเรียนไม่ได้ลงทะเบียนตรวจสอบเอกสารงานวิจัยนี้นำเสนอการใช้ชื่อองค์ประกอบในการพัฒนาSIS แต่ไม่ลายเซ็นของนักเรียนหรือหมายเลข. สำหรับระบบที่นำเสนอเมื่อขั้นตอนการทำเครื่องหมาย(หลักกระบวนการของ OFLAAS) เป็นที่เรียบร้อยแล้วรายงาน ในนักเรียนแต่ละเครื่องหมายถูกผลิตขึ้นโดยอัตโนมัติ มีระบบดังกล่าวจะช่วยลดโอกาสของการ mismatching ระหว่างชื่อของนักเรียนที่และเครื่องหมายของพวกเขา ประโยชน์ของการมีที่นำเสนออีกระบบคือรายชื่อของนักเรียนที่มีหายไปจากการตรวจสอบสามารถผลิตได้โดยอัตโนมัติ. ตามที่ระบุไว้ข้างต้นระบบที่นำเสนอมีความตั้งใจที่จะระบุนักเรียนจากชื่อที่เขียนด้วยลายมือของพวกเขาและชื่อสุดท้ายแต่ไม่ตรวจสอบถ้าชื่อเป็นลายลักษณ์อักษรได้รับการปลอมแปลง งานวิจัยนี้ได้สำรวจและเปรียบเทียบประสิทธิภาพการทำงานของที่ปรับเปลี่ยนคุณสมบัติทิศทาง(MDF) และเสียนกริดคุณสมบัติ (GGF) เทคนิคการสกัด เนื่องจากระบบที่นำเสนอจะใช้ในการรับรู้คำไทยที่มีลักษณะแตกต่างกันเมื่อเทียบกับภาษาอังกฤษภาพการป้อนข้อมูลที่แตกต่างกันมากกว่าการใช้ภาพเขตแดนเท่านั้นที่ถูกว่าจ้างกับANNs และ SVMs ที่จะได้รับในอัตราที่ยอมรับมากที่สุดที่เป็นไปได้. ในฐานะที่ไม่มีฐานข้อมูลที่เหมาะสม ส่วนประกอบชื่อไทยพร้อมใช้งานฐานข้อมูลใหม่ที่ถูกสร้างขึ้นเพื่อใช้ในการทดลองของระบบที่นำเสนอ ฐานข้อมูลที่ใช้ในการวิจัยประกอบด้วย 2,060 ชื่อที่เขียนด้วยลายมือส่วนประกอบจากจำนวน103 นักเขียน. ส่วนที่เหลือของบทความนี้จะจัดเป็นสามส่วน. มาตราที่สองอธิบายถึงวิธีการที่ใช้ในการวิจัย มาตรา III รายละเอียดผลที่ได้รับและทำให้ไปข้างหน้าการอภิปรายและการวิเคราะห์ สุดท้ายข้อสรุปที่จะวาดในมาตรา IV และการทำงานในอนาคตนอกจากนี้ยังอธิบาย. ครั้งที่สอง ระเบียบวิธีในส่วนนี้จะกล่าวถึงวิธีการและเทคนิคที่ใช้ในการดำเนินการวิจัย หัวข้อในส่วนนี้รวมถึงระบบที่เสนอ (แผนภาพบล็อก) รวบรวมข้อมูลรูป 1a บล็อกไดอะแกรมที่แสดงที่สมบูรณ์แบบ Off-Line อัตโนมัติประเมินระบบ(OFLAAS) มะเดื่อ. 1b แผนภาพบล็อกแสดงที่นำเสนอระบบบัตรนักเรียน (SIS) ลักษณะของภาษาไทยวิธีการที่นำเสนอและการติดตั้งทดลอง. การวิจัยที่สําคัญได้รับการดำเนินการในพื้นที่ของครับตัวอักษรและการเขียนด้วยลายมือ อย่างไรก็ตามเพื่อความรู้ที่ผู้เขียนได้มีเพียงจำนวน จำกัด ของการทำงานในวรรณคดีรายงานการพัฒนาและการตรวจสอบปิดสายการประเมินระบบอัตโนมัติ นอกจากนี้ยังไม่ได้รับการวิจัยใด ๆ ดำเนินการเพื่อระบุตัวตนของนักเรียนโดยใช้ส่วนประกอบที่ชื่อที่เขียนด้วยลายมือไทยเขียนไว้ในเอกสารการตรวจสอบ. วิธีการที่นำเสนอรวมถึงการเก็บรวบรวมข้อมูลภาพการประมวลผลผลของภาพการป้อนข้อมูลที่แตกต่างกันในแต่ละคุณลักษณะเทคนิคการสกัดและการตรวจสอบของMDF และGGF เทคนิคในการจําแนกร่วมกับการใช้พารามิเตอร์ที่แตกต่างกันเพื่อให้บรรลุผลที่เหมาะสม. ลักษณนามที่ใช้ในการดำเนินการที่เสนอ SIS มี ANNs และSVMs มะเดื่อ. 1a แสดงให้เห็นถึงแผนภาพบล็อกที่สมบูรณ์OFLAAS ซึ่งประกอบด้วยองค์ประกอบหลักรวมทั้งตอบคำถามสั้นโมดูลการทำเครื่องหมายโดยอัตโนมัติและSIS, ซึ่งเป็นระบบย่อยของ OFLAAS OFLAAS จะใช้ในการทำเครื่องหมายข้อสอบของนักเรียนแต่ละคนและจะใช้ในการระบุตัวตนของนักเรียนจากส่วนประกอบชื่อของพวกเขา เมื่อทั้งสองกระบวนการจะเสร็จสมบูรณ์รายงานฉบับเต็มที่มีรายชื่อของนักเรียนที่เข้าร่วมการตรวจสอบพร้อมกับเครื่องหมายที่พวกเขาประสบความสำเร็จเป็นที่ผลิต. กระบวนการของ SIS เริ่มต้นด้วยการเก็บรวบรวมข้อมูลของนักเรียนส่วนประกอบชื่อ ขั้นตอนการสแกนจะใช้ในการแปลงข้อมูลดิบให้เป็นรูปแบบดิจิตอล Binarisation และประมวลผลเบื้องต้นรวมทั้งสายและตัดคำเสียงกำจัดบรรจุและแก้ภาพเอียงจะถูกนำไปใช้แล้วภาพ. เทคนิคการสกัดคุณลักษณะที่ได้รับการคัดเลือกในระบบที่นำเสนอเป็น MDF และ GGF. MDF และGGF เทคนิคการสกัดที่ได้รับเลือกเนื่องจากความสามารถของพวกเขาที่จะประสบความสำเร็จในการสกัดผู้ที่มีคุณสมบัติที่สำคัญจากภาพที่ได้เปิดใช้งานการรับรู้ที่ถูกต้องอัตราที่จะบรรลุในจำนวนการใช้งาน[6] [7] [8] หลังจากเวกเตอร์คุณลักษณะถูกสร้างขึ้นโดยใช้เทคนิคแต่ละคุณสมบัติเป็นที่จะนำไปใช้แล้วANNs และ SVMs สำหรับการฝึกอบรมและการทดสอบการรับรู้กระบวนการ/ บัตรประจำตัว การรับรู้ SIS อัตราความถูกต้องถูกประเมินครั้งเดียวผลที่ได้รับ เสนอแผนภาพบล็อก SIS สามารถพบได้ในรูป 1b. เอ การเก็บข้อมูลที่ไม่มีชุดข้อมูลที่เปิดเผยต่อสาธารณชนภาษาไทยเป็นส่วนประกอบชื่อที่เขียนด้วยลายมือจากการตรวจสอบเอกสาร; เป็นผลให้กระบวนการเก็บรวบรวมข้อมูลที่ได้รับการดำเนินการเพื่อสร้างชุดข้อมูลที่กำหนดเอง ชุดข้อมูลที่เก็บไว้สำหรับระบบที่นำเสนอเป็นฐานข้อมูลครั้งแรกของชนิดในภาษาไทย. ในงานวิจัยที่นำเสนอที่นี่ได้รับการยอมรับของคำได้ขึ้นอยู่กับนักเขียนคนหนึ่งชื่อต่อส่วนประกอบ แม้ว่าในบางกรณี

ผลลัพธ์ (ไทย) 3:

ปิดเส้นลายมือชื่อไทยรับรู้
นักเรียนระบุในแบบอัตโนมัติ ระบบการประเมิน

hemmaphan suwanwiwat Vu Nguyen , และไมเคิล blumenstein

โรงเรียนของเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยกริฟฟิทออสเตรเลีย

, umapada พัล
คอมพิวเตอร์วิสัยทัศน์และรูปแบบหน่วย


อินเดียสถาบันสถิติอินเดีย ในด้านของรูปแบบนามธรรม ออฟไลน์
,เขียนด้วยลายมือเป็นหนึ่งในพื้นที่ที่เข้มข้นที่สุดของ
ศึกษา บทความนี้เสนอโดยอัตโนมัติ ทั้งภาษาไทย ชื่อ
นักเรียนระบุเอกลักษณ์ของระบบซึ่งถูกสร้างขึ้นเป็นส่วนหนึ่งของ
เสร็จแบบอัตโนมัติ ระบบการประเมิน . มีการ จำกัด ในการพัฒนางานแบบอัตโนมัติ

ใช้ระบบการประเมินการเขียนด้วยลายมือ . ผู้เขียน '
ความรู้ไม่มีงานในระบบที่ได้รับ
) ภาษาไทย นอกจากนี้ระบบ
จำแต่ละชื่อภาษาไทย โดยใช้แนวทางการรู้คำ
ทั้งหมด ซึ่งแตกต่างจากงานที่พบในวรรณคดีส่วนใหญ่
แสดงอักขระที่ใช้ ในนี้
ระบบที่เสนอคุณสมบัติตารางเสียน (
ggf ) และปรับเปลี่ยนทิศทางคุณสมบัติ ( MDF ) เทคนิคการสกัดเป็น
สอบสวนในส่วนบนและล่างเส้น , ลูปจากภาพเส้นคำ
เต็มของแต่ละชื่อ ตัวอย่าง และโครงข่ายประสาทเทียมและเครื่องเวกเตอร์
สนับสนุนใช้เป็นลักษณนาม
ส่งเสริมการรู้จำ ทั้งการสกัดลักษณะ
เทคนิคยาเมื่อใช้กับห่วงด้านบนและภาพเส้นล่าง
( 99อัตราความถูกต้อง 27 % เท่ากับใช้ MDF
บนโครงข่ายประสาทเทียม และ 99.27 โดยใช้ ggf กับ
สนับสนุนเวกเตอร์เครื่องจักรลักษณนาม ) .
คำสำคัญจากลายมือเขียนบรรทัด ระบบการประเมินแบบอัตโนมัติระบบบัตรประจำตัวนักเรียน
;
; แก้ไขคุณลักษณะทิศทาง ; ) ตารางคุณลักษณะ
.
ลายมือเบื้องต้น แบ่งเป็น 2 ประเภท ซึ่ง
เป็นออฟไลน์ และเขียนด้วยลายมือทางออนไลน์ ปิดการเขียนด้วยลายมือเส้น
เป็นหนึ่งในที่ยากที่สุดและ
งานที่ท้าทายในรูปแบบ . มันมีประสิทธิภาพ
การเขียนเอกสารโดยใช้เครื่องสแกนเนอร์ คัดลอกฮาร์ดดิสก์
เอกสารแปลงโดยทั่วไปเป็นรูปแบบไบนารี
[ 1 ] ซึ่งช่วยให้ระบบการรับรู้กระบวนการ

binarised ภาพที่เขียนด้วยลายมือปิดการเขียนด้วยลายมือเส้นถือว่าเป็นมากขึ้นยากกว่า
คู่ออนไลน์ของมันไม่สามารถจับภาพ
เขียนข้อมูลในขณะที่การเขียนเป็นกรณีในการรับรู้ลายมือออนไลน์
[ 2 ] อย่างไรก็ตาม การได้รับประโยชน์จากผู้เล่นมากมาย

เทคนิคการเขียนด้วยลายมือ , ตัวอย่างเช่น , ที่อยู่ทางไปรษณีย์การตีความ
ตรวจสอบลายเซ็น