بازشناسی نوری نویسه برای زبان فارسی به دلیل پیچیدگی‌های ساختاری خط، همواره یکی از حوزه‌های چالش‌برانگیز در هوش مصنوعی بوده است. در سال‌های اخیر، مدل‌های یادگیری عمیق ، به‌ویژه شبکه‌های عصبی کانولوشنی ، پیشرفت‌های چشمگیری در این زمینه داشته‌اند. این پژوهش، یک سامانه جامع برای تشخیص حروف دست‌نویس فارسی با استفاده از یک معماری ترکیبی و مدرن یادگیری عمیق ارائه می‌دهد. در این راستا، یک مجموعه‌داده بزرگ شامل 124 هزار تصویر از 120 کلاس مختلف حروف فارسی، با ترکیب دو مجموعه داده استاندارد ایجاد گردید. سپس، تصاویر با استفاده از یک الگوریتم پیش‌پردازش سفارشی ، نرمال‌سازی شدند. ما در این پژوهش، یک معماری ترکیبی را بر پایه دو شبکه شناخته‌شده EfficientNet و ResNet-34 و با استفاده از تکنیک یادگیری انتقال بنا کرده‌ایم. برای افزایش مقاومت مدل در برابر بیش‌برازش ، از تکنیک‌هایی همچون افزایش داده و توقف زودهنگام استفاده شد. نتایج ارزیابی نشان می‌دهد که مدل پیشنهادی توانسته است به دقت بیشینه 95.06% بر روی داده‌های اعتبارسنجی دست یابد. این عملکرد بالا، کارایی بالای رویکردهای نوین یادگیری عمیق را در حل مسئله پیچیده بازشناسی حروف فارسی اثبات می‌کند.

بازشناسی نوری نویسه‌ها یادگیری عمیق شبکه‌های عصبی کانولوشنی یادگیری انتقال معماری ترکیبی حروف فارسی.