دکتر محمد دوستی زاده نشریه علمی-تخصصی تحقیقات کاربردی در برق ، کامپیوتر و سیستم های انرژی Recognition of Persian Handwritten Characters Using a Deep Hybrid Model Based on ResNet and EfficientNet Architectures شناسایی نویسه‌های دست‌نویس فارسی با بهره‌گیری از یک مدل ترکیبی عمیق مبتنی بر معماری‌های ResNet و EfficientNet 10.22051/jera.2021.31891.2698 FA محمد متین دانشجوی دانشگاه ملی مهارت امید مدرس گروه کامپیوتر دانشگاه ملی مهارت Optical Character Recognition (OCR) for the Persian language has always been a challenging area in artificial intelligence due to the structural complexities of the script. In recent years, deep learning models, especially Convolutional Neural Networks (CNNs), have made significant progress in this field. This research presents a comprehensive system for recognizing handwritten Persian characters using a modern and hybrid deep learning architecture. For this purpose, a large dataset containing 124,000 images from 120 different classes of Persian characters was created by combining two standard datasets. The images were then normalized using a custom pre-processing algorithm. In this study, we have built a hybrid architecture based on two well-known networks, EfficientNet and ResNet-34, using the transfer learning technique. To enhance the model's resistance to overfitting, techniques such as data augmentation and early stopping were employed. The evaluation results show that the proposed model achieved a maximum accuracy of 95.06% on the validation data. This high performance demonstrates the effectiveness of modern deep learning approaches in solving the complex problem of Persian character recognition. 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. /downloadfilepdf/922939