Rozpoznawanie wzorców cyfrowych pisma ręcznego z użyciem robota edukacyjnego

Niniejsza praca prezentuje zaimplementowanie systemu rozpoznającego ręcznie pisane wzorce cyfrowe z użyciem mobilnego układu edukacyjnego LEGO Mindstorms NXT. Został on wybrany ze względu na prostotę w konstrukcji i równocześnie możliwość złożonego programowania. Zbudowany w ramach projektu robot skanujący znaki pisma ręcznego spełnił założenia początkowe. Wyniki zaimplementowanego algorytmu rozpoznającego również pokryły się z oczekiwaniami - system osiągnął skuteczność na poziomie 100% w warunkach idealnych. We względnie utrudnionych warunkach skuteczność spadła do 91%.

---

Pattern recognition can be classified depending on the data source, the way data is read, processed and on the implementation of the recognition itself [9]. This paper presents a method of pattern recognition identifying handwritten Arabic numbers. The data is collected by a Lego Mindstorms NXT 2.0 mobile robot using a color sensor. Usually, the input data are gathered by high-precision equipment [2,5], and or have an additional multi-sensor subsystem [1]. Very successive recognition approaches are based on neural networks [3, 4,6] additional supported by statistic [8]. Unfortunately, all these methods require powerful calculations. The environment data read by such a simple educational robot contains many drawbacks: noises, relative stabile confidence etc. The solution we propose solves to some extent the problem using a minimal hardware equipment (Fig. 4) and undemanding computation effort. The built recognition system is divided into two parts. The first part presents the data set collection - the hand-written digits scanning (Fig.1) and the data initial processing. The second one consists of primary and secondary classification (Figs. 2 and 3). The algorithm is based on the undirected graph model [10]. The results of the conducted experiments are very interesting (Tabs. 1 and 2). This encourages further exploration of implementation of the well-known and new recognition methods on minimal hardware.