دانلود ترجمه مقاله تشخیص پلاک خودرو با شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک (ساینس دایرکت – الزویر 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)
این مقاله انگلیسی ISI در نشریه الزویر در 8 صفحه در سال 2017 منتشر شده و ترجمه آن 14 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص پلاک خودرو با شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک |
عنوان انگلیسی مقاله: |
Plate Recognition Using Backpropagation Neural Network and Genetic Algorithm |
|
مشخصات مقاله انگلیسی | |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
سال انتشار | 2017 |
تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | هوش مصنوعی و مهندسی الگوریتم ها و محاسبات |
چاپ شده در مجله (ژورنال) | علوم کامپیوتر پروسدیا – Procedia Computer Science |
کلمات کلیدی | شبکه عصبی بازگشت به عقب، الگوریتم ژنتیک، تشخیص نوری کاراکتر، بینایی رایانه ای، تبدیل Top-Hat |
کلمات کلیدی انگلیسی | Bacpropagation Neural Network – Genetic Algorithm – Optical Character Recognition – Computer Vision – Top-Hat Transformation |
ارائه شده از دانشگاه | دانشگاه بینا نوسانتارا، اندونزی |
نویسندگان | Joseph Tarigana – Nadiab – Ryanda Diedanc – Yaya Suryana |
شناسه شاپا یا ISSN | 1877-0509 |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.procs.2017.10.068 |
ایمپکت فاکتور(IF) مجله | 2.094 در سال 2020 |
شاخص H_index مجله | 76 در سال 2021 |
شاخص SJR مجله | 0.334 در سال 2020 |
بیس | نیست ☓ |
مدل مفهومی | ندارد ☓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | 12017 |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت Elsevier |
نشریه | الزویر – Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | pdf و ورد تایپ شده با قابلیت ویرایش |
وضعیت ترجمه | انجام شده و آماده دانلود |
کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | 14 (1 صفحه رفرنس انگلیسی) صفحه با فونت 14 B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
ترجمه پاورقی | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عدد درج شده است ✓ |
منابع داخل متن | درج نشده است ☓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده |
بخشی از ترجمه |
چکیده سیستم تشخیص پلاک خودرو سیستم مهمی است. این سیستم به منظور گیت پارک خودکار یا سیستم بلیت زنی خودکار قابل استفاده است. هدف این مطالعه تعیین اثربخشی الگوریتم های ژنتیک (GA) در بهینه سازی تعداد نرون های پنهان، نرخ یادگیری و نرخ حرکت در شبکه عصبی بازگشت به عقب (BPNN) است که به تشخیص دهنده خودکار شماره پلاک (APNR) اعمال می شود. این تحقیق با ساخت سیستم BPNN بهینه شده توسط الگوریتم ژنتیک (GABPNN) و APNR با استفاده از روش های پردازش تصویر شامل تبدیل grayscale، تبدیل top-hat، ریخت شناسی باینری، آستانه Otsu و نگاشت تصویر باینری انجام شده است. آزمایش ها با استفاده از آموزش بازگشت به عقب و تست تشخیص انجام شده است. نتایج نشان می دهد که شبکه عصبی بازگشت به عقب بهینه شده توسط الگوریتم ژنتیک نیازمند 2230 دوره زمانی در فرآیند آموزش به منظور همگرایی است به طوری که 36.83 درصد سریع تر از شبکه عصبی بازگشت به عقب بهینه است، در حالی که دقت آن 1.35 درصد بهتر از شبکه عصبی بازگشت به عقب غیر بهینه است. 1 مقدمه در سال های اخیر سیستم های خودکار به بخش جدانشدنی کارهای روزانه تبدیل شده است. سیستم های خودکار ابزاری برای کمک به انسان به منظور انجام کارهایی است که دربرگیرنده دانش، استدلال و تجربه است. بخش جدانشدنی یک سیستم خودکار، هوش مصنوعی است و یکی از کاربردهای هوش مصنوعی در سیستم های خودکار تشخیص نوری کاراکتر (OCR) است. OCR به یک رایانه این امکان را می دهد تا کاراکتر را از طریق تفسیر بصری تشخیص داده و کاراکتر را به طور خودکار بدون کمک انسان شناسایی کند. الگوریتم های متعددی وجود دارد که می توانیم از آن ها برای ایجاد سیستم OCR استفاده کنیم که شامل تطبیق الگو، ماشین بردار پشتیبان (SVM)، مدل مارکوف مخفی، فاصله هوزدروف و شبکه عصبی مصنوعی است. شبکه عصبی مصنوعی محبوب ترین الگوریتمی است که توسط محققان برای حل مسائل تشخیص الگو مورد استفاده قرار گرفته است. شبکه عصبی مصنوعی به منظور حل بسیاری از مسائل قابل استفاده است و با گذشت زمان برای دستیابی به دانش یا ارتقاء دقت در شناسایی الگوها قابل آموزش است. |
بخشی از مقاله انگلیسی |
Abstract Plate recognizer system is an important system. It can be used for automatic parking gate or automatic ticketing system. The purpose of this study is to determine the effectiveness of Genetic Algorithms (GA) in optimizing the number of hidden neurons, learning rate and momentum rate on Backpropagation Neural Network (BPNN) that is applied to the Automatic Plate Number Recognizer (APNR). Research done by building a GA optimized BPNN (GABPNN) and APNR system using image processing methods, including grayscale conversion, top-hat transformation, binary morphological, Otsu threshold and binary image projection. The tests conducted with backpropagation training and recognition test. The result shows that GA optimized backpropagation neural network requires 2230 epochs in the training process to be convergent, which is 36.83% faster than non-optimal backpropagation neural network, while the accuracy is 1,35% better than non-optimized backpropagation neural network. 1 Introduction In the recent years, automated systems have become an integral part of daily tasks that only a human can do before. Automated systems are meant to help human to do task that involves knowledge, reasoning and experience. The integral part of an automated system is artificial intelligence and one of the application of artificial intelligence in automated system is Optical Character Recognition (OCR). OCR let a computer recognize character through visual interpretation and recognize character automatically without help from human. There are several algorithms that we can use to create OCR system, such as template matching, support vector machine (SVM), hidden markov model, hausdorff distance and artificial neural network. Artificial neural network is the most popular algorithm that has been used by researcher to solve pattern recognition problems1 . Artificial neural network can be used to solve many problems and it can be trained over time to gain its knowledge or to enhance its accuracy in recognizing patterns. |
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
تشخیص پلاک خودرو با شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک |
عنوان انگلیسی مقاله: |
Plate Recognition Using Backpropagation Neural Network and Genetic Algorithm |
|