logo móvil
Contáctanos

Reconocimiento de caracteres escritos a mano en Android para educación básica utilizando una red neuronal convolucional

Autores: Zin, Thi Thi; Thant, Shin; Pwint, Moe Zet; Ogino, Tsugunobu

Idioma: Inglés

Editor: MDPI

Año: 2021

Descargar PDF

Acceso abierto

Artículo científico
2021

Reconocimiento de caracteres escritos a mano en Android para educación básica utilizando una red neuronal convolucional


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Educación
Aplicación de autoaprendizaje
Países en desarrollo
Red Neuronal Convolucional
Datos escritos a mano
Reconocimiento de caracteres

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 34

Citaciones: Sin citaciones


Descripción
Una iniciativa internacional llamada Educación para Todos (EPT) tiene como objetivo crear un entorno en el que todos en el mundo puedan recibir educación. Especialmente en países en desarrollo, muchos niños carecen de acceso a una educación de calidad. Por lo tanto, proponemos una aplicación de autoaprendizaje fuera de línea para aprender inglés escrito y cálculos básicos para estudiantes de nivel primario. También puede ser utilizado como complemento para que los maestros hagan el entorno de aprendizaje más interactivo e interesante. En nuestro sistema propuesto, los caracteres o palabras escritas a mano en tabletas se guardaron como imágenes de entrada. Luego, realizamos la segmentación de caracteres utilizando nuestros métodos propuestos de segmentación de caracteres. Para el reconocimiento de caracteres, se utilizó una Red Neuronal Convolucional (CNN) para reconocer los caracteres segmentados. Para construir nuestro propio conjunto de datos, se recopilaron datos escritos a mano de estudiantes de nivel primario en países en desarrollo. El modelo de red fue entrenado en una máquina de alta gama para reducir la carga de trabajo en la tableta Android. Se crearon varios tipos de clasificadores (dígitos y caracteres especiales, letras mayúsculas, letras minúsculas, etc.) para reducir la clasificación incorrecta. Según nuestros resultados experimentales, el sistema propuesto logró un 95.6% en las 1000 palabras seleccionadas al azar y un 98.7% para cada carácter.

Otros recursos que podrían interesarte

Temas Virtualpro