Эффективное распознавание рукописных букв с помощью нейросети

Распознавание рукописных символов является одной из прикладных задач компьютерного зрения. Ее актуальность связана с необходимостью автоматической обработки изображений, содержащих текстовые элементы, которые могут отличаться формой, наклоном, толщиной линий и индивидуальной манерой написания. В отличие от печатных символов, рукописные буквы имеют высокую вариативность, поэтому их распознавание требует применения методов машинного обучения. Одним из эффективных подходов к решению такой задачи является использование сверточных нейронных сетей, способных выделять признаки изображения и относить его к заданному классу.

В рамках данной работы разрабатывается веб-приложение для распознавания рукописных букв русского алфавита. Пользователь может загрузить изображение буквы или нарисовать ее непосредственно в интерфейсе приложения. После этого изображение проходит предварительную обработку, приводится к единому формату и передается в обученную нейронную сеть. Результатом работы системы является определение наиболее вероятной буквы и вывод оценки уверенности модели.

ВВЕДЕНИЕ 3

РАЗДЕЛ 1. ТЕОРЕТИЧЕСКИЕ И ПРОЕКТНЫЕ ОСНОВЫ РАСПОЗНАВАНИЯ РУКОПИСНЫХ БУКВ 5

1.1. Распознавание рукописных букв как задача классификации изображений 5

1.2. Набор данных CoMNIST и подготовка обучающей выборки 6

1.3. Предварительная обработка изображений 7

1.4. Архитектура нейронной сети 8

РАЗДЕЛ 2. ОЦЕНКА КАЧЕСТВА ОБУЧЕННОЙ МОДЕЛИ 9

2.1. Условия обучения модели 9

2.2. Динамика обучения модели 9

2.3. Итоговая оценка качества модели 12

2.4. Анализ матрицы ошибок 12

2.5. Метрики качества по отдельным буквам 15

2.6. Вывод по результатам оценки модели 17

ЗАКЛЮЧЕНИЕ 18

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 19

1. Гласснер Э. Глубокое обучение без математики. Т. 1: Основы / пер. с англ. В. А. Яроцкого. – Москва : ДМК Пресс, 2019. – 584 с. – Текст : непосредственный.

2. CoMNIST : набор данных рукописных символов // Kaggle. – URL: https://www.kaggle.com/datasets/gregvial/comnist

3. PyTorch documentation : официальный сайт. – URL: https://docs.pytorch.org/docs/stable/index.html

4. Flask documentation : официальный сайт. – URL: https://flask.palletsprojects.com/

5. Pillow documentation : официальный сайт. – URL: https://pillow.readthedocs.io/

6. NumPy documentation : официальный сайт. – URL: https://numpy.org/doc/

7. Classification report // scikit-learn documentation. – URL: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.classification_report.html

8. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition // Proceedings of the IEEE. – 1998. – Vol. 86, № 11. – P. 2278–2324. – URL: https://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf

9. Handwritten Text Recognition: A Survey // arXiv. – 2025. – URL: https://arxiv.org/html/2502.08417v1

10. Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge : MIT Press, 2016. – URL: https://www.deeplearningbook.org/