Software para Auxílio à Pré-alfabetização Infantil Baseado em

Reconhecimento Inteligente de Caracteres Manuscritos

Autores: Peterson Adriano Belan; Edilaine

Petinari Nery; Sidnei Alves de Araújo.

Centro Universitário Nove de Julho, SP.

Artigo apresentado originalmente no XVI Simpósio Brasileiro de Informática na Educação – SBIE - UFJF

– 2005.

Apresentadora do artigo para a disciplina de Redes Neurais Artificiais do Curso de Mestrado em Engenharia

Eletrônica - UERJ: Juliana Cindra.

Outubro 2014

Sumário

● Objetivo do trabalho do artigo;

● Proposta do artigo;

● Modelo de RNA utilizado para o problema proposto;

● Multi Layer Perceptron (MLP);

● Algoritmo Backpropagation;

● Desenvolvimento do artigo para o problema proposto

● RNA proposta;

● Resultado geral obtido com os testes;

● Observações sobre os resultados obtidos.

Objetivo do Trabalho do Artigo

● Apresentar o desenvolvimento de software para o ensino infantil;

● Software de auxílio no período pré-alfabetização;

● Apresentação de palavras incompletas;

● Preenchimento das lacunas com letras manuscritas;

● Utilização de caneta óptica;

● Realizar o reconhecimento das letras;

● Fornecer um feedback;

● Estimular o uso do computador como complemento no aprendizado infantil.

Proposta do Artigo

● Reconhecimento de caracteres manuscritos;

● Utilização de RNA supervisionada;

● Treinamento com conjunto de letras de crianças entre cinco e sete anos;

● Módulo neural compondo o núcleo do software;

● Utilização do software após a fase de treinamento;

● Interface multimídia devidamente caracterizada para interação com o público infantil.

Modelo de RNA utilizado para o problema proposto

● Modelo utilizado: − Multi Layer Perceptron (MLP).

● Algoritmo de Treinamento da RNA: − Algoritmo de retro-propagação de erro,

Backpropagation.

Multi Layer Perceptron (MLP)

● Possui uma ou mais camadas ocultas;

● Possibilita o mapeamento eficiente de padrões de entradas similares para saídas diferentes.

Algoritimo Backpropagation

● Backpropagation - define a forma com que a rede é treinada;● Parte da saída até a entrada corrigindo os pesos sinápticos em todas as camadas da

MLP;

● Algoritmo utilizado para treinamento de MLP baseado no aprendizado supervisionado por correção e erro;

● O treinamento de uma RNA baseado em Backpropagation, normalmente utiliza grande esforço computacional. Necessário muitas iterações para obtenção de resposta desejada.

● Função de calculo do erro, e função de ativação precisam ser diferenciáveis;

● Pode-se encontrar os pesos que minimizam o erro a través da derivada da função do erro;

● Um método comum para encontrar os pesos que minimizam o erro, é a descida do gradiente.

Desenvolvimento do Artigo para o Problema Proposto

● Reconhecimento Inteligente de Caracteres (ICR);

● Utilização de RNA do tipo MLP como técnica para a tarefa de reconhecimento de caracteres manuscritos;

● MLP treinada com Backpropagation;

● RNA como núcleo do software proposto;

● Linguagem C++ para o algoritmo Backpropagation;

● Linguagem Visual Basic (VB) para a interface gráfica de comunicação com o usuário.

Desenvolvimento do Artigo para o Problema Proposto

● O sistema está dividido em 3 módulos básicos: − Interface;− Treinamento;− Reconhecimento de Caracteres.

Interface do Sistema

Desenvolvimento do Artigo para o Problema Proposto

● Quantidade de amostras coletadas:

− 780 amostras de 30 crianças distintas;

● Conjunto de treinamento:

− Composto por 650 letras;

● Conjunto de testes:

− Composto pelas 130 letras restantes;

● Utilização de quantidades iguais de cada letra do alfabeto no treinamento e testes.

● Realização de um pré-processamento para captura e escalonamento das imagens antes da composição do conjunto de treinamento.

RNA Proposta● RNA proposta no artigo:

− 4 camadas, sendo 2 ocultas;− 400 neurônios de entrada;

● Um para cada pixel da imagem pré-processada do caractere (20X20 px).

− 26 neurônios na primeira camada oculta;− 78 neurônios na segunda camada oculta;− 26 neurônios na camada de saída;

● Cada um para representar uma letra do alfabeto.

RNA Proposta

Resultado Geral Obtido com os Testes

Observações sobre os Resultados Obtidos

● Percentual de erro obtido na média: 6,15%;

● Percentual de erro das letras que apresentaram erro: 20%;

● Houve dificuldades no reconhecimento de alguns caracteres;

oExemplo: b e h, m e n.

● Uma das principais dificuldades da rede neural foi a extração das características intrínsecas dos caracteres;

● Dificuldade devido algumas letras possuírem partes muito semelhantes, o que confundiu a rede;

● De acordo com os autores o software mostrou bom desempenho apesar do percentual de erro obtido.

Perguntas?

● http://ceie-sbc.educacao.ws/pub/index.php/sbie/article/view/394

Artigo

Autores

● Peterson Adriano Belan; o peterson@gruponef.com.br

● Edilaine Petinari Nery;o edilaine@gruponef.com.br

● Sidnei Alves de Araújo.

o saraujo@uninove.br