A biztonságtechnikában is alkalmazható gépi karakterfelismerés különböző mesterségesintelligencia-módszerekkel
Copyright (c) 2025 Zsenák-Simon Orsolya, Zsenák István

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Absztrakt
Számos cikk született már annak vizsgálatára, hogy hogyan ismerheti fel egy algoritmus a képformátumon elhelyezkedő alakzatokat. Az általunk elvégzett vizsgálathoz Hopfiled neurális hálózatok algoritmusát használtunk, és az eredményeket összevetettük egy fuzzy logikával működő eljárás eredményével. Ezek az algoritmusok külön-külön is alkalmasak a karakterfelismerésre, azonban érdekes eredményeket kapunk, ha összevetjük az algoritmusok által kapott eredményeket egymással.
A nemzetbiztonság számos aspektusából kulcsfontosságú, hogy tisztában legyünk a rendelkezésre álló mesterségesintelligencia-módszertanok képességeivel. A gépi karakterfelismerés több ponton kapcsolódik a közigazgatás és a közbiztonság tárgykörébe, így fontos ismernünk, hogy milyen programozási technológiák, milyen hatékonysággal tudják elvégezni ezt a feladatot, ugyanakkor az e tanulmányban bemutatott összehasonlítás csupán egy a sok közül, amelyet a mesterséges intelligencia témakörében el kellene végezni.
Kulcsszavak:
Hivatkozások
ALATA, Mohanad – AL-SHABI, Mohammad (2006): Text Detection and Character Recognition Using Fuzzy Image Processing. Journal of Electrical Engineering, 57(5), 258–267. Online: https://www.researchgate.net/publication/250802079_Text_detection_and_character_recognition_using_fuzzy_image_processing
GONZÁLEZ, P. et al.(2019): Approximation of Fuzzy Functions by Fuzzy Interpolating Bicubic Splines: 2018 CMMSE Conference. Journal of Mathematical Chemistry, 57, 1252–1267. Online: https://doi.org/10.1007/s10910-018-0946-x
LIMA, Bráulio Nascimento et al. (2021): Artificial Intelligence Based on Fuzzy Logic for the Analysis of Human Movement in Healthy People: A Systematic Review. Artifical Intelligence Review, 54, 1507–1523. Online: https://doi.org/10.1007/s10462-020-09885-8
OLUDARE, Isaac Abidoun et al. (2018): State-Of-The-Art in Artificial Neural Network Applications: A survey. Heliyon, 4(11). Online: https://doi.org/10.1016/j.heliyon.2018.e00938
ROY, K. et al. (2005): Oriya Handwritten Numeral Recognition System, in Eighth International Conference on Document Analysis and Recognition. IEEE, 770–774. Online: https://doi.org/10.1109/ICDAR.2005.183
SAHOO, Ramesh – KUMAR, Sateesh (2020): Behavior of Learning Rules in Hopfield Neural Network for Odia Script. International Journal of Advanced Computer Science and Application, 11(1). Online: https://doi.org/10.14569/IJACSA.2020.0110155
SÁFRÁN József (2023): A mesterséges intelligencia és a rendvédelmi szervek, valamint a közigazgatás kapcsolata. Nemzetbiztonsági Szemle, 11(4), 20–34. Online: https://doi.org/10.32561/nsz.2023.4.2
SARANGI, Pradeepta K. – SAHOO, Ashok K. – AHMED, P. (2012): Recognition of Isolated Handwritten Oriya Numerals Using Hopfield Neural Network. International Journal of Computer Applications, 40(8), 36–42. Online: https://doi.org/10.5120/4986-7250
The Franklin Institute [é. n.]: John J. Hopfield. Online: https://fi.edu/en/awards/laureates/john-j-hopfield
WAN, Xiaojuan et al. (2023): An Algorithm for English Capital Letters Based on Discrete Hopfield Network and BP Network. Preprint. Online: https://doi.org/10.21203/rs.3.rs-3714029/v1