Rotation-invariant neural pattern recognition system with application to coin recognition

Fukumi, Minoru; Omatu, Sigeru; Takeda, Fumiaki; Kosaka, Tatsuro

doi:10.1109/72.125868

Cited by 138 publications

(45 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Contudo, pode-se verificar a limitação que tal rede invariante apresenta, pois o intervalo de rotação da figura geométrica é muito grande, o que limita em muito a ação dessa rede. Para resolver este problema, foi utilizado neste artigo o princípio exposto por FUKUMI et al [2], onde a rede invariante à rotação de 90 o é substituída por uma rede invariante à rotação para qualquer ângulo.…”

Section: Rotação De 10 Ounclassified

“…Pode-se observar que as redes invariantes à rotação propostas por WIDROW et al [1] e FUKUMI et al [2] são semelhantes a princípio, contudo, há uma diferença substancial. Com base na quantidade de operações de rotação que ambas podem fazer.…”

Section: Rotação De 10 Ounclassified

“…Este artigo utiliza os princípios desenvolvidos por WIDROW et al [1] e FUKUMI et al [2] para criar uma rede invariante à translação e rotação de 10 o , ilustrada na figura 10.…”

Section: Translação E Rotação De 10 Ounclassified

“…FUKUMI et al [2] utilizaram o mesmo princípio de uma rede invariante composta de um único neurônio ADALINE e uma RNA classificadora de padrões desenvolvido por Widrow para tornar a rede invariante somente à rotação.…”

Section: Introductionunclassified

See 3 more Smart Citations

Redes Neurais Artificiais Invariantes à Rotação de 10º e a Translação Utilizada no Reconhecimento de Figuras Geométricas

Queiroz¹,

Flôres²

2016

Anais Do 6. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

This paper deals with the recognition of geometric figures throgh the use of Neural Networks Artificial (NNA´s IntroduçãoVários centros de pesquisas e Universidades estão tentando desenvolver técnicas de reconhecimento que tenham um nível de desempenho praticamente igual ao do ser humano. O principal motivo do desenvolvimento de sistemas de reconhecimento são as aplicações científicas e econômicas, que tais sistemas apresentam. Entre estes sistemas pode-se citar, os sistemas de: reconhecimento de código de endereçamento postal, leitura automática de cheques bancários, tarifação telefônica, leitura automática para cegos, reconhecimento de figuras geométricas, etc. A obtenção de um software que consiga fazer o papel do homem pode representar uma grande economia de tempo e um bom ganho para as empresas.Os métodos de reconhecimento de padrões convencionais requerem que os dados de entrada apresentem posição, orientação e tamanho similares a um determinado padrão. Na prática, porém, os dados de entrada podem apresentar diferenças de tamanho, posição ou rotação em relação a um padrão pré-determinado. Além disso, os dados de entrada podem ser corrompidos por ruídos. Os métodos convencionais de reconhecimento, o casamento de padrões, por exemplo, não trabalham bem sob essas condições.A mudança de escala ocorre quando as dimensões do padrão utilizado no treinamento são diferentes das dimensões do padrão utilizado no reconhecimento. A translação ocorre quando o padrão utilizado no treinamento encontra-se localizado em uma posição distinta à posição do padrão utilizado no reconhecimento. A rotação ocorre quando os padrões utilizados no treinamento e no reconhecimento apresentam inclinações diferentes. Com o objetivo de minimizar essas diferenças, a RNA deve ser insensível à mudança de escala, translação e rotação.WIDROW et al [1] desenvolveram um sistema para o reconhecimento de padrões utilizando uma rede invariante constituída de um único neurônio ADALINE e uma RNA classificadora. A rede invariante é treinada ou projetada para produzir um conjunto de saídas que é insensível à translação e à rotação de 90 o do padrão de entrada.FUKUMI et al [2] utilizaram o mesmo princípio de uma rede invariante composta de um único neurônio ADALINE e uma RNA classificadora de padrões desenvolvido por Widrow para tornar a rede invariante somente à rotação.Um dos algoritmos mais importantes na área de reconhecimento de padrões é o "Neocognitron", desenvolvido por FUKUSHIMA et al [3,4]. Este sistema de reconhecimento possui múltiplas camadas de neurônios que são agrupadas em células de neurônios.

show abstract

Section: Rotação De 10 Ounclassified

“…Este artigo utiliza os princípios desenvolvidos por WIDROW et al [1] e FUKUMI et al [2] para criar uma rede invariante à translação e rotação de 10 o , ilustrada na figura 10.…”

Section: Translação E Rotação De 10 Ounclassified

Section: Introductionunclassified

See 2 more Smart Citations

Redes Neurais Artificiais Invariantes à Rotação de 10º e a Translação Utilizada no Reconhecimento de Figuras Geométricas

Queiroz¹,

Flôres²

2016

Anais Do 6. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

show abstract

“…A neural network approach capable of discriminating between 500 Won and 500 Yen coins was published by Fukumi et al (1992). A number of coin authentification methods employing optical means are described in patents, e.g.…”

Section: State Of the Art In Coin Image Analysismentioning

confidence: 99%

Automatic Coin Classification and Identification

Huber-Mörk¹,

Nölle²,

Rubik³

et al. 2012

Advances in Object Recognition Systems

View full text Add to dashboard Cite

A genetic algorithm with deterministic mutation based on neural network learning

Fukumi

Akamatsu

1998

Syst. Comp. Jpn.

View full text Add to dashboard Cite

This paper presents a method for designing neural networks using a genetic algorithm (GA) with deterministic mutation (DM) based on learning. The GA presented in this paper has a large framework including DM, which is performed on the basis of the results from neural network learning. It can achieve better convergence properties than traditional GAs. This framework is an evolutional system based on mutual interaction between DM and traditional genetic operators including stochastic mutation. It is also a model of transcription and reverse transcription in DNA. We show that the present method is better than conventional GAs with respect to convergence in learning. © 1998 Scripta Technica. Syst. Comp Jpn, 29(3): 10–17, 1998

show abstract

Rotation-invariant neural pattern recognition system with application to coin recognition

Cited by 138 publications

References 12 publications

Redes Neurais Artificiais Invariantes à Rotação de 10º e a Translação Utilizada no Reconhecimento de Figuras Geométricas

Redes Neurais Artificiais Invariantes à Rotação de 10º e a Translação Utilizada no Reconhecimento de Figuras Geométricas

Automatic Coin Classification and Identification

A genetic algorithm with deterministic mutation based on neural network learning

Contact Info

Product

Resources

About