Classificação de Caracteres Manuscritos para Correção Automática do Sistema Multiprova

  • Darlan de Castro Silva Filho UFRN
  • Rex Antonio da Costa Medeiros UFRN
  • Helton Maia UFRN

Resumo


O Multiprova é um sistema desenvolvido por professores da Escola de Ciências e Tecnologia da Universidade Federal do Rio Grande do Norte (ECT/UFRN), que permite a criação de questões e avaliações. O problema a ser solucionado consiste no desenvolvimento de uma aplicação para auxiliar o Multiprova, trazendo a capacidade de reconhecer os caracteres manuscritos provenientes do cartão resposta de cada aluno, e assim, automaticamente, apenas com ajuda de uma câmera, realizar a correção da prova. Para isso, foram utilizadas, técnicas de visão computacional e redes neurais convolucionais. Uma série de configurações para diferentes arquiteturas foram testadas, até que alcançasse uma alta acurácia e confiabilidade na classificação dos caracteres.

Referências

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Levenberg, J., Mané, D., Monga, R., Moore, S., Murray, D., Olah, C., Schuster, M., Shlens, J., Steiner, B., Sutskever, I., Talwar, K., Tucker, P., Vanhoucke, V., Vasudevan, V., Viégas, F., Vinyals, O., Warden, P., Wattenberg, M., Wicke, M., Yu, Y., and Zheng, X. (2015). TensorFlow: Large-scale machine learning on heterogeneous systems. Software available from https://www.tensorflow.org/.

Altwaijry, N. and Al-Turaiki, I. (2021). Arabic handwriting recognition system using convolutional neural network. Neural Computing and Applications, 33(7):2249–2261.

Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools.

Cohen, G., Afshar, S., Tapson, J., and van Schaik, A. (2017). Emnist: an extension of mnist to handwritten letters. arXiv preprint arXiv:1702.05373.

De Menezes, R. S. T., Magalhaes, R. M., and Maia, H. (2019). Object recognition using convolutional neural networks. In Recent Trends in Artificial Neural Networks-from Training to Prediction. IntechOpen.

dos Reis, C. S. and Lorenzi, F. (2020). Mathreader: Api for handwritten mathematical expressions recognition. In 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI), pages 1282–1289. IEEE.

Flanagan, D. (2006). JavaScript: the definitive guide. ”O’Reilly Media, Inc.”.

Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.

LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.

Li, S., Song, W., Fang, L., Chen, Y., Ghamisi, P., and Benediktsson, J. A. (2019). Deep learning for hyperspectral image classification: An overview. IEEE Transactions on Geoscience and Remote Sensing, 57(9):6690–6709.

McCarthy, J. (2007). What is artificial intelligence?

MOREIRA, A. B., MEDEIROS, R. A., LEITAO, G. B., and SILVA, D. R. (2020). Multiprova: Software educacional.

Sebe, N., Cohen, I., Garg, A., and Huang, T. S. (2005). Machine learning in computer vision, volume 29. Springer Science & Business Media.

Tácora Amasifuen, F. S. et al. Uso de aprendizado de máquinas para reconhecimento de padrões.

Van Rossum, G. and Drake Jr, F. L. (1995). Python reference manual. Centrum voor Wiskunde en Informatica Amsterdam.
Publicado
25/10/2022
SILVA FILHO, Darlan de Castro; MEDEIROS, Rex Antonio da Costa; MAIA, Helton. Classificação de Caracteres Manuscritos para Correção Automática do Sistema Multiprova. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 10. , 2022, Goiás. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 141-152. DOI: https://doi.org/10.5753/erigo.2022.227697.