تشخیص پلاک خودرو با استفاده از شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک
ترجمه شده

تشخیص پلاک خودرو با استفاده از شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک

عنوان فارسی مقاله: تشخیص پلاک خودرو با استفاده از شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک
عنوان انگلیسی مقاله: Plate Recognition Using Backpropagation Neural Network and Genetic Algorithm
مجله/کنفرانس: علوم کامپیوتر پروسدیا - Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: شبکه عصبی بازگشت به عقب، الگوریتم ژنتیک، تشخیص نوری کاراکتر، بینایی رایانه ای، تبدیل Top-Hat
کلمات کلیدی انگلیسی: Bacpropagation Neural Network - Genetic Algorithm - Optical Character Recognition - Computer Vision - Top-Hat Transformation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2017.10.068
دانشگاه: دانشگاه بینا نوسانتارا، اندونزی
صفحات مقاله انگلیسی: 8
صفحات مقاله فارسی: 14
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2017
ایمپکت فاکتور: 2.094 در سال 2020
شاخص H_index: 76 در سال 2021
شاخص SJR: 0.334 در سال 2020
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 12017
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
فرضیه: ندارد
درج شدن منابع داخل متن در ترجمه: خیر
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: بله
رفرنس در ترجمه: در انتهای مقاله درج شده است
ضمیمه: ندارد
نمونه ترجمه فارسی مقاله

چکیده

سیستم تشخیص پلاک خودرو سیستم مهمی است. این سیستم به منظور گیت پارک خودکار یا سیستم بلیت زنی خودکار قابل استفاده است. هدف این مطالعه تعیین اثربخشی الگوریتم های ژنتیک  (GA) در بهینه سازی تعداد نرون های پنهان، نرخ یادگیری و نرخ حرکت در شبکه عصبی بازگشت به عقب  (BPNN) است که به تشخیص دهنده خودکار شماره پلاک  (APNR) اعمال می شود. این تحقیق با ساخت سیستم BPNN بهینه شده توسط الگوریتم ژنتیک  (GABPNN) و APNR با استفاده از روش های پردازش تصویر شامل تبدیل grayscale، تبدیل top-hat، ریخت شناسی باینری، آستانه Otsu و نگاشت تصویر باینری انجام شده است. آزمایش ها با استفاده از آموزش بازگشت به عقب و تست تشخیص انجام شده است. نتایج نشان می دهد که شبکه عصبی بازگشت به عقب بهینه شده توسط الگوریتم ژنتیک نیازمند 2230 دوره زمانی در فرآیند آموزش به منظور همگرایی است به طوری که 36.83 درصد سریع تر از شبکه عصبی بازگشت به عقب بهینه است، در حالی که دقت آن 1.35 درصد بهتر از شبکه عصبی بازگشت به عقب غیر بهینه است.

1. مقدمه

در سال های اخیر سیستم های خودکار به بخش جدانشدنی کارهای روزانه تبدیل شده است. سیستم های خودکار ابزاری برای کمک به انسان به منظور انجام کارهایی است که دربرگیرنده دانش، استدلال و تجربه است. بخش جدانشدنی یک سیستم خودکار، هوش مصنوعی است و یکی از کاربردهای هوش مصنوعی در سیستم های خودکار تشخیص نوری کاراکتر  (OCR) است. OCR به یک رایانه این امکان را می دهد تا کاراکتر را از طریق تفسیر بصری تشخیص داده و کاراکتر را به طور خودکار بدون کمک انسان شناسایی کند. الگوریتم های متعددی وجود دارد که می توانیم از آن ها برای ایجاد سیستم OCR استفاده کنیم که شامل تطبیق الگو، ماشین بردار پشتیبان  (SVM)، مدل مارکوف مخفی، فاصله هوزدروف  و شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی  محبوب ترین الگوریتمی است که توسط محققان برای حل مسائل تشخیص الگو مورد استفاده قرار گرفته است. شبکه عصبی مصنوعی به منظور حل بسیاری از مسائل قابل استفاده است و با گذشت زمان برای دستیابی به دانش یا ارتقاء دقت در شناسایی الگوها قابل آموزش است.

نمونه متن انگلیسی مقاله

Abstract

Plate recognizer system is an important system. It can be used for automatic parking gate or automatic ticketing system. The purpose of this study is to determine the effectiveness of Genetic Algorithms (GA) in optimizing the number of hidden neurons, learning rate and momentum rate on Backpropagation Neural Network (BPNN) that is applied to the Automatic Plate Number Recognizer (APNR). Research done by building a GA optimized BPNN (GABPNN) and APNR system using image processing methods, including grayscale conversion, top-hat transformation, binary morphological, Otsu threshold and binary image projection. The tests conducted with backpropagation training and recognition test. The result shows that GA optimized backpropagation neural network requires 2230 epochs in the training process to be convergent, which is 36.83% faster than non-optimal backpropagation neural network, while the accuracy is 1,35% better than non-optimized backpropagation neural network.

1. Introduction

In the recent years, automated systems have become an integral part of daily tasks that only a human can do before. Automated systems are meant to help human to do task that involves knowledge, reasoning and experience. The integral part of an automated system is artificial intelligence and one of the application of artificial intelligence in automated system is Optical Character Recognition (OCR). OCR let a computer recognize character through visual interpretation and recognize character automatically without help from human. There are several algorithms that we can use to create OCR system, such as template matching, support vector machine (SVM), hidden markov model, hausdorff distance and artificial neural network. Artificial neural network is the most popular algorithm that has been used by researcher to solve pattern recognition problems1 . Artificial neural network can be used to solve many problems and it can be trained over time to gain its knowledge or to enhance its accuracy in recognizing patterns.

تصویری از فایل ترجمه

          

(جهت بزرگ نمایی روی عکس کلیک نمایید)

ترجمه فارسی فهرست مطالب

چکیده

1. مقدمه

2. پیشینه

3. روش کار

4. پیش پردازش

5. شبکه عصبی بازگشت به عقب

5-1 پیکربندی لایه و مقداردهی وزن

5-2 تابع فعال سازی و آموزش بازگشت به عقب

6. الگوریتم ژنتیک

6-1 نمایش، جمعیت و مقداردهی

6-2 تابع تناسب (برازندگی)

6-3 انتخاب والد و ناظر

6-4 تقاطع، جهش و وضعیت خاتمه

7. نتایج و بحث

7-1 تست آموزش بازگشت به عقب

7-2 تست تشخیص

8. نتیجه گیری

منابع

فهرست انگلیسی مطالب

Abstract

1. Introduction

2. Background

3. Methodology

4. Pre-processing

5. Backpropagation Neural Network

5.1. Layer Configuration & Weight Initialization

5.2. Activation Function & Backpropagation Training

6. Genetic Algorithm

6.1. Representation, Population & Initialization

6.2. Fitness function

6.3. Parent & Survivor Selection

6.4. Crossover, Mutation & Termination condition

7. Results & Discussion

7.1. Backpropagation training test

7.2. Recognition test

8. Conclusion

References

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۳,۸۰۰ تومان
خرید محصول