Dua Khety
1.0.0
상형 문자 번역을위한 모바일 애플리케이션 (2018)
?? 상형 문자를 감지, 분류 및 음역을하는 모바일 애플리케이션.
Alan Gardiner 경은 대부분의 상징의 의미를 해독 할 수 없었기 때문에 고대 이집트인의 삶의 대부분은 잃어 버렸습니다. Alan Gardiner 경은 각 상형 문자를 코드로 분류하여 의미에 대해 더 많이 알기 위해 검색 할 수 있습니다. 이 상형 문자 사전은 수천 페이지 길이가되었고 무엇이든 보는 것이 지루한 일이되었습니다. 인터넷의 출현에도 불구하고 여전히 상형 문자의 가디너 코드를 알지 못하는 문제가 남아있었습니다.
이 문제를 해결하기 위해 DUA-KHETY는 촬영 이미지 내에서 상형 문자를 감지하고 분류하고 사용자에게 전환기 및 의미에 대한 정보를 제공하는 목표를 통해 Android ( Java 로 구현) 및 iOS ( Swift & Objective C ) 장치에서 구현할 수있는 모바일 애플리케이션으로 만들어졌습니다. 전체 프로세스는 오프라인에서 이루어 지므로 서비스가 편리하고 빠르며 사용하기 쉽고 언제 어디서나 액세스 할 수 있습니다.
탐지 및 분류 외에도 많은 기능이 있으며, 이에는 상형 문자 사전이 포함되어 있으며, 사용자는 Gardiner의 코드를 입력하고 자신이 나타내는 상형 문자에 대한 정보, 이전 이미지를보고 재시험하고 재시험 할 수있는 Hieroglyph에 대한 정보, 다른 사용자의 이미지를보고, 사진 제출 시스템에 대한 이미지 및 ID 코드를 분석 할 수있는 소셜 피드 및 분석자의 이미지를 보낼 수 있습니다. 설명 분류기를 개선하고 향후 앱의 성능을 향상시키기위한 설명. 이러한 기능은 원격 서버에 저장된 MySQL databases 에 의존하고 PHP 스크립트를 사용하여 조작했으며 나중에 스토리지 및 데이터베이스 솔루션을 위해 Google's Firebase 서비스로 마이그레이션되었습니다.
각 기능은 별도의보기로 구현되며 분류와 같이 사용자에게 보이지 않는 프로세스는 각각 고유 한 견해도 있습니다. 모바일 애플리케이션은 원격 서버의 두 데이터베이스와 통신 할 수 있습니다. 하나는 역사 및 소셜 피드 특징에 의해 사용되는 소셜 내용을 보유하고 다른 하나는 Hieroglyphics Dictionary에서 사용하는 Gardiner Codes에 의해 분류 된 상형 문자에 대한 정보를 보유하고 분류시 더 많은 정보를 제공합니다.
세분화의 경우 사용자가 가져온 비트 맵을 매트 객체로 변환하여 흑백으로 돌린 다음 반경 3으로 이미지를 흐리게하여 OpenCV 사용하여 수행됩니다. 그런 다음 평균을 계산합니다. 그 후, 이미지는 계산 된 평균의 최소값과 최대 255의 임계 값으로 임계됩니다. 그런 다음 Canny는 평균 * 0.66의 임계 값과 평균 * 1.33의 임계 값과 3의 조리개 크기가 최적 인 것으로 밝혀졌습니다. 그 후, 구성 요소를 추출하고 원래 이미지의 개별 상형 문자 주위에 경계 상자를 그립니다. 그런 다음 이것들은 주위에 자르고 작은 이미지 배열에 배치됩니다. 그 후 자른 이미지 (원본 이미지에서)는 흑백으로 바뀌고 동일한 방식으로 홀드로 전환하여 분류기에 공급되기 전에 정확도를 극대화합니다.
분류기는 시암 네트워크 의 개념을 사용합니다. 이러한 네트워크는 이미지의 입력 쌍과 동일한 클래스에서 유무에 관계없이 (0 또는 1으로 표시)를 나타내는 레이블을 사용하여 일반 네트워크와 다릅니다. 다시 말해, 네트워크에 공급되는 것의 절반은 레이블이 1 인 동일한 클래스의 이미지 쌍이며, 나머지 절반은 두 개의 다른 클래스와 다른 두 개의 다른 이미지이며, 레이블은 0으로 표시됩니다. 이미지는 무작위로 선택됩니다. 최근 에이 개념은 실제 테스트 이미지를 분류하기 위해 각 클래스에 대해 적은 수의 이미지를 가진 많은 클래스를 사용하는 데 도움이되는 것으로 입증되었습니다. 교육 이미지는 네트워크를 통해 공급되고 640 값의 기능 벡터가 추출됩니다. 그 후, 클래스에서 이미지의 모든 벡터의 평균은 계산 및 CSV (Comma 분리 값) 파일로 저장됩니다. 모든 클래스에 대해서도 마찬가지입니다 (157). 새로운 테스트 이미지의 클래스 번호를 예측하면 동일한 네트워크에 공급되며 640 값의 기능 벡터도 추출됩니다. 이어서, 특징 벡터와 각 클래스에서 이전에 추출한 것 사이의 L1 거리는 비교되고 가장 작은 5 개의 거리가 상위 5 개 예측으로 간주됩니다. iOS 응용 프로그램은 OpenML 사용하고 Android 응용 프로그램은 Tensorflow 사용합니다.
상단 예측의 정확도는 66%이며 상위 5 개 예측의 정확도는 88%입니다.
스크린 샷 및 비디오는 여기에서 찾을 수 있습니다 : https://malaksadek.wordpress.com/2019/10/15/teeet-the-egyptian-microbus-experience/
앱은 다음과 같습니다.
