Zum Hauptinhalt springen
FHEDEEN
Infomaterial anfordern

Bachelor Flyer Master Flyer

Kontakt

Sekretariat Angewandte Informatik
Tel.: 0361 6700-642
Fax: 0361 6700-643 sekretariat-ai@fh-erfurt.de

Besucheranschrift:

Fachhochschule Erfurt
Fakultät Gebäudetechnik und Informatik
Fachrichtung Angewandte Informatik
Altonaer Straße 25
99085 Erfurt

Ein Convolutional Neural Network zur Klassifizierung perforierter Zeichen

Schematische Darstellung eines Convolutional Neural Network

Kurzfassung:

Diese Bachelorarbeit beschäftigt sich mit der Entwicklung eines Convolutional Neural Networks zur Erkennung perforierter Zeichen. Da perforierte Zeichen auf Reisepässen zu finden sind und deswegen nur wenige Bilder solcher Zeichen zur Verfügung stehen, sollen synthetische Bilder für das Training des Netzes eingesetzt werden. Nach der Betrachtung der theoretischen Grundlagen wird der Entwicklungsprozess des Convolutional Neural Networks beschrieben. Dabei wird gezeigt, wie durch verschiedene Modifikationen und Tests eine optimale Struktur des Netzes für die Klassifizierung perforierter Zeichen gefunden werden konnte. Außerdem wird die Entwicklung und Generierung der benötigten synthetischen Bilder beschrieben. Die so entstandenen synthetischen Bilder können kaum von realen Bildern unterschieden werden. Mit diesen Bildern konnte nachgewiesen werden, dass ein nur mit synthetischen Daten trainiertes Netz reale Daten korrekt klassifizieren kann. Das Resultat ist ein Netz, welches 99,47% der realen Testdaten korrekt klassifiziert.

Abstract:

This bachelor thesis is about the development of a convolutional neural network for the recognition of perforated characters. As perforated characters can be found on passports and therefore only few images of such characters are available, synthetic images shall be used for training the network. After considering the theoretical fundamentals, the development process of the convolutional neural network is described. Thereby will be shown how an optimal structure of the network for the classification of perforated characters could be found by various modifications and tests. Furthermore, the development and generation of the required synthetic images is described. The resulting synthetic images can hardly be distinguished from real images. With these images it could be proven that a network trained only with synthetic data can correctly classify real data. The result is a network, which correctly classifies 99.47% of the real test data.