Титульная страница
English version
Программные системы:
 теория и приложения 
 ISSN 2079-3316
12+ 
Двуязычный электронный научный Электронный научный журнал Института программных систем имени А. К. Айламазяна ИПС им. А. К. Айламазяна ИПС Российской Академии Наук РАН
Том 15 (2024) .– Выпуск 1 (60) .– Статья № 1 (422)

Искусственный интеллект и машинное обучение

Научная статья
УДКУниверсальная десятичная классификация 004.932.75'1, 004.89УДК 004: Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем УДК 004.932: Обработка изображений УДК 004.932.75'1: Распознавание графических знаков (букв) УДК 004.89: Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
ББКБиблиотечно-библиографическая классификация 32.813.5: 32.973.202-018.2ББК 32: Радиоэлектроника ББК 32.813: Искусственный интеллект ББК 32.813.5: Системы искусственного интеллекта ББК 32.973: Радиоэлектроника ББК 32.973.202-018: Программирование ББК 32.973.202-018.2: Программное обеспечение компьютерных сетей
ГРНТИГосударственный рубрикатор научно-технической информации 28.23.15ГРНТИ 28: КИБЕРНЕТИКА ГРНТИ 28.23: Искусственный интеллект ГРНТИ 28.23.15: Распознавание образов. Обработка изображений
DOIЦифровой идентификатор интернет-объекта 10.25209/2079-3316-2024-15-1-3-30

Распознавание кадастровых координат с использованием свёрточно-рекуррентных нейронных сетей

Игорь Викторович ВинокуровПереписывавшийся автор

Финансовый Университет при Правительстве Российской Федерации, Москва, Россия
Игорь Викторович Винокуров — Переписывавшийся автор igvvinokurov@fa.ru

Аннотация. В статье исследуется применение свёрточно-рекуррентных нейронных сетей (CRNN) для распознавания изображений кадастровых координат объектов на отсканированных документах ППК «Роскадастр». Комбинированная архитектура CRNN, объединяющая свёрточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), позволяет использовать преимущества каждой из них для обработки изображений и распознавания содержащихся в них непрерывных цифровых последовательностей. При проведении экспериментальных исследований были формированы изображения, состоящие из заданного количества цифр, построена и исследована CRNN модель. Формирование изображений цифровых последовательностей заключалось в предобработке и конкатенации изображений образующих их цифр из собственного набора данных. Анализ значений функции потерь и метрик Accuracy, Character Error Rate (CER) и Word Error Rate (WER) показал, что использование предложенной CRNN модели позволяет достичь высокой точности распознавания кадастровых координат на их отсканированных изображениях. (Связанные тексты статьи на русском и на английском языках).

Ключевые слова: свёрточно-рекуррентная нейронная сеть, CRNN, распознавание изображений, цифровые последовательности, глубокое обучение, Keras, Python

Для цитирования: Винокуров И. В. Распознавание кадастровых координат с использованием свёрточно-рекуррентных нейронных сетей // Программные системы: теория и приложения. 2024. Т. 15. № 1. С. 3–30. (Рус., англ.). https://psta.psiras.ru/2024/1_3-30.

Полный текст статьи (PDF): https://psta.psiras.ru/read/psta2024_1_3-30.pdf.

Статья поступила в редакцию 29.09.2023; одобрена после рецензирования 27.11.2023; принята к публикации 27.11.2023; опубликована онлайн 11.03.2024.

© Винокуров И. В.
2024
Адрес редакции: 152021, Ярославская обл., Переславский район, село Веськово, ул. Петра Первого, д. 4а, Институт программных систем имени А. К. Айламазяна РАН; Тел: +7(4852) 695-228 E-mail: ; Сетевой адрес издания:  http://psta.psiras.ru
© Федеральное государственное бюджетное учреждение науки Институт программных систем имени А. К. Айламазяна Российской академии наук (дизайн сайта) 2010–2024 The text of CC-BY-4.0 license