CHƢƠNG 4 CHƢƠNG TRÌNH THỬ NGHIỆM
4.5. Mô tả chƣơng trình chính
Khi chạy chƣơng trình, form đăng nhập sẽ đƣợc hiển thị ra đầu tiên. Trên form này yêu cầu bạn chọn tên khoa cùng với ngƣời dùng tƣơng ứng của mỗi khoa. Sau khi kiểm tra dữ liệu mà tồn tại ngƣời dùng trên thì chƣơng trình sẽ hiện ra form cho phép bạn cập nhật điểm.
Hình 4.10. Form đăng nhập
Dƣới đây là form thực hiện chức năng chính. Trong form này yêu cầu bạn phải chọn tên học phần, lớp, kì học, năm học tƣơng ứng. Sau khi chọn đầy đủ các thông tin xong, bạn có thể chọn tới file ảnh chứa dữ liệu điểm cần cập
nhật và mở mẫu chữ số đã đƣợc huấn luyện tƣơng ứng với từng khoa. Việc mở mẫu chứ số đã đƣợc huấn luyện chúng ta có thể đặt mặc định tƣơng ứng với từng khoa ngay từ khi đăng nhập.
Hình 4.11. Form cho phép ngƣời dùng cập nhật điểm từ file ảnh
Sau khi lựa 2 file ảnh chứa điểm cần cập nhật và nhấn nút Cap nhat thì ảnh sẽ đƣợc phân tích, trích rút ra từng file ảnh con tƣơng ứng với mã sinh viên, điểm. Dựa vào mạng noron đã đƣợc huấn luyện trên tập mẫu tƣơng ứng với từng khoa mà đƣa ra quyết định điểm bằng chữ số ứng với mỗi ảnh đƣa vào mạng.
Hình 4.12. Kết quả của việc lựa chọn đầu vào (hiển thị 2 file ảnh của bảng điểm: Mặt trƣớc và mặt sau).
Dƣới đây là kết quả của việc sử dụng chƣơng trình trong cập nhật điểm. Ứng với mỗi hệ thống quản lý điểm thì có cấu trúc cơ sở dữ liệu khác nhau. Tuy nhiên, với giới hạn của đề tài là đƣa ra phƣơng pháp để cập nhật điểm từ file ảnh vào cơ sở dữ liệu cho nên tôi không quan tâm tới cấu trúc dữ liệu sẽ đƣợc thiết kế nhƣ thế nào, hay quản lý ra sau. Cái mà tối muốn thể hiện ở đề tài này là việc xử lý kĩ thuật trong file ảnh.
Vì trong phiếu điểm chỉ có 2 cột là tôi cần quan tâm đó là cột mã sinh viên và cột điểm. Việc thiết kế các thủ tục, module hay kĩ thuật thích hợp cho việc lấy dữ liệu từ 2 cột này ra đã đƣợc tôi thiết kế và thực hiện với độ chính xác 99% trong quá trình trích rút những vùng dữ liệu cần thiết.
Hình 4.13. Dữ liệu mã sinh viên và điểm tƣơng ứng với từng mã sinh viên đƣợc cập nhật vào CSDL
Một trong những module đƣợc coi là trái tim của chƣơng trình đó chính là tạo một mạng nơron mới và huấn luyện mạng vừa tạo dựa trên các tập mẫu. Ở đây các tập mẫu đƣợc dùng để huấn luyện chính là các chữ số viết tay của các giảng viên trong trƣờng. Việc thu thập mẫu chữ viết tay của các giảng viên trong trƣờng đƣợc thực hiện bằng cách sử dụng máy quét.
Hình 4.14. Mẫu đƣợc viết bởi Abhinav
Hình 4.15. Mẫu đƣợc viết bởi Abhishek
Hình 4.17. Mẫu đƣợc viết bởi Amit
Hình 4.18. Mẫu đƣợc viết bởi Anubhav
Hình 4.20. Mẫu đƣợc viết bởi Kapala_Ma'am1
Hình 4.21. Mẫu đƣợc viết bởi Kapala_Ma'am2
Hình 4.23. Mẫu đƣợc viết bởi Linh
Hình 4.24. Mẫu đƣợc viết bởi Manish
Hình 4.26. Mẫu đƣợc viết bởi Nargdra
Hình 4.27. Mẫu đƣợc viết bởi Naveen
Hình 4.29. Mẫu đƣợc viết bởi Sapneswar
Hình 4.30. Mẫu đƣợc viết bởi Sunil
Hình 4.32. Mẫu đƣợc viết bởi Sunita_Maam
Hình 4.33. Mẫu đƣợc viết bởi Swati
Hình 4.35. Mẫu đƣợc viết bởi Tushar_Sir1
Hình 4.36. Mẫu đƣợc viết bởi Tushar_Sir2
Hình 4.38. Mẫu đƣợc viết bởi Vishal
Hình 4.39. Mẫu đƣợc viết bởi Vuong
Sau khi đã thu thập mẫu, ta xây dựng mạng nơron và huấn luyện mạng dựa trên mẫu đã thu thập đƣợc. Việc huấn luyện mạng đã đƣợc tôi thiết kế thành một module riêng trong chƣơng trình cho phép ngƣời dùng tạo các kiểu mạng noron theo kiến trúc khác nhau.
PHẦN KẾT LUẬN
Qua quá trình nghiên cứu và triển khai thử nghiệm chƣơng trình tôi có một số kết luận sau:
- Việc sử dụng mạng nơron cho quá trình nhận dạng làm công việc nhận dạng đơn giản đi rất nhiều và độ chính xác cũng cao (có thể nói đạt tới 99%) nếu đƣợc nhận dạng các mẫu đã đƣợc học. Hơn nữa việc sử dụng mạng noron còn có thể nhận dạng đƣợc những mẫu mang tính chất gần giống kiểu vơi những chữ đã lấy mẫu.
- Một trong những ƣu điểm tuyệt vời của việc sử dụng mang nơron đó là nhanh chóng đƣa ra quyết định. Không phải duyệt và so sánh đối với dữ liệu mẫu trong CSDL, điều này làm tăng tốc độ nhận dạng của chƣơng trình.
- Chƣơng trình hoàn toàn có thể ứng dụng ngay vào thực tế. Bởi theo tôi đƣợc biết hiện tại trong trƣờng đang phải nhập dữ liệu bằng tay. Điều này thực sự khó khăn đối với những giáo vụ hoặc là các môn mà thi tập trung, việc nhập điểm có thể lên tới hàng nghìn sinh viên.
TÀI LIỆU THAM KHẢO
[1]. Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình xử lý ảnh, NXB KH kỹ thuật.
[2]. Đỗ Năng Toàn, Phạm Văn Dũng, Phạm Việt Bình (2005), “Ứng dụng chu tuyến trong phát hiện gúc nghiêng văn bản”, Kỷ yếu Hội thảo Quốc gia lần thứ 7 - Một số vấn đề chọn lọc của Công nghệ Thông tin và Truyền thông, Đà Nẵng 18-20/08 /2004, Nxb KH&KT, Hà Nội 2005. [3]. Đỗ Năng Toàn, Ngô Quốc Tạo, Một số phương pháp nâng cao hiệu quả
nhận dạng phiếu điều tra dạng dấu phục vụ cho thiết kế hệ nhập liệu tự động markread, Tạp chí Tin học & Điều khiển học, Tập 15, số 4, năm 1999.
[4]. Lƣơng Mạnh Bá, Nguyễn Thanh Thuỷ (1999), Nhập môn xử lý ảnh số, NXB Khoa học kỹ thuật.
[5]. Nguyễn Đình Thúc (2000), Mạng nơron phương pháp và ứng dụng, NXB Giáo dục.
[6]. Pelin CORGEL, Oguzhan OZTAS, Handwritten character recognition system using artificial Neural Networks, Computer Engineering Department, Engineering Faculty, Istanbul University, Avcilar, Istanbul, TURKEY
[7]. U.-V. Marti and H. Bunke, Text Line Segmentation and word recognition in a system for general writer Independent Handwriting Recognition, IEEE (February 5, 2001).
[8]. Wojciech Kacalak, New methods for handwriting recognition using artificial neural networks, Technical university of Koszalin, Department of Mechanical Engineering, Raclawicka 15-17, 75-620 Koszalin,Poland. [9]. http://en.wikipedia.org/wiki/Backpropagation (20/04/2009).