Abstract

Bu çalışmada el yazısını dijital yazıya dönüştüren bir mobil uygulama anlatılmaktadır. Kullanıcıların akıllı telefonlarını kullanarak el yazısı ile aldıkları notları dijital ortama kolaylıkla aktarmaları amaçlanmaktadır. Bu uygulama bir yazı görüntüsünü akıllı telefonun galerisinden veya kamera aracılığı ile girdi olarak almaktadır. Uygulama istemci sunucu mimarisinde tasarlanmıştır ve uygulama arayüzünde seçilmiş olan fotoğraf, sunucuda bulunan bir derin öğrenme modeli aracılığıyla dijital metne çevrilmekte ve sonuçlar istemciye (mobil uygulamaya) gönderilmektedir. Sunucu tarafı Python programlama dili ve Flask çerçevesi ile geliştirilmiştir. Mobil uygulama, Dart programlama dili ile Flutter platformunda gerçekleştirilmiştir. Bu sayede iOS ve Android platformlarını desteklemektedir ve daha fazla kullanıcının bu uygulamaya erişebilmesi sağlanmıştır. Bu uygulama ile yazılı kaynaklar hızlı ve etkin bir şekilde dijital ortama aktarılabilir.

References

[1] Uzun E, çağıltay K. çevrimiçi El Yazısı Tanıma Sistemi Olan Graffiti'nin Kullanılabilirlik Açısından Değerlendirilmesi. Uluslararası Teknolojik Bilimler Dergisi 2012;4(1):46-57. 

[2] Hughes NC. How Handwriting Recognition Technology Improves Productivity On-the-Go. Inc.com; 2016. Accessed 2021/08/14. https://www.inc.com/neil-c-hughes/why-its-time-to-take-handwriting-recognition-technology-seriously.html

[3] Pençe İ, Cetişli B. El Yazı Karakterlerinin Kapalı Cebirsel Eğrilerle Modellenmesi ve Sınıflandırılması. Sigma Journal of Engineering and Natural Sciences 2013;5:1-7. 

[4] Salouhou A. El Yazısı Karakter Tanıma ve Resim Sınıflandırmada Derin öğrenme Yaklaşımları. Yüksek Lisans Tezi. Fatih Sultan Mehmet Vakıf üniversitesi; 2019. 

[5] Uğurlu B, Kaçan K, Türkyılmaz İ. Bilgi Güvenliğinde El Yazısı.  Akademik Bilişim '10 2010. p. 409-14.

[6] Lee H, Verma B. Binary segmentation algorithm for English cursive handwriting recognition. Pattern Recognition 2012;45(4):1306-17. doi:https://doi.org/10.1016/j.patcog.2011.09.015

[7] Altwaijry N, Al-Turaiki I. Arabic handwriting recognition system using convolutional neural network. Neural Computing and Applications 2021;33(7):2249-61. doi:https://doi.org/10.1007/s00521-020-05070-8

[8] Bunke H, Roth M, Schukat-Talamazzini EG. Off-line cursive handwriting recognition using hidden markov models. Pattern Recognition 1995;28(9):1399-413. doi:https://doi.org/10.1016/0031-3203(95)00013-P

[9] Bahlmann C, Haasdonk B, Burkhardt H. Online handwriting recognition with support vector machines - a kernel approach.  Proceedings of the 8th International Workshop on Frontiers in Handwriting Recognition. 2002. p. 49-54.

[10] Balci B, Saadati D, Shiferaw D. Handwritten Text Recognition using Deep Learning. CS231n: Convolutional Neural Networks for Visual Recognition. Course Project Report: Stanford Uni.; 2017.

[11] Yang J, Ren P, Kong X. Handwriting Text Recognition Based on Faster R-CNN.  2019 Chinese Automation Congress (CAC). 2019. p. 2450-4.

[12] Albahli S, Nawaz M, Javed A, Irtaza A. An improved faster-RCNN model for handwritten character recognition. Arabian Journal for Science and Engineering 2021.doi:https://doi.org/10.1007/s13369-021-05471-4

[13] Matcha ACN. How to easily do Handwriting Recognition using Deep Learning. 2021. Accessed 2021/08/14. https://nanonets.com/blog/handwritten-character-recognition/

[14] Scheidl H. Build a Handwritten Text Recognition System using TensorFlow. 2018. Accessed 2021/08/14. https://towardsdatascience.com/build-a-handwritten-text-recognition-system-using-tensorflow-2326a3487cd5

[15] Scheidl H. Handwritten Text Recognition with TensorFlow. 2021. Accessed 2021/08/14. https://github.com/githubharald/SimpleHTR

[16] Scheidl H, Fiel S, Sablatnig R. Word Beam Search: A Connectionist Temporal Classification Decoding Algorithm.  Proceedings of the 16th International Conference on Frontiers in Handwriting Recognition (ICFHR). 2018. p. 253-8.