迈向无障碍学习：基于深度学习的潜在书写困难检测及针对潜在书写困难手写体的光学字符识别
计算机视觉与模式识别
2024-11-22 v1 机器学习
摘要
书写困难是一种影响书写能力的学习障碍，使儿童难以清晰、一致地书写。早期检测和监测对于提供及时的支持和干预至关重要。本研究应用深度学习技术来解决书写困难检测和光学字符识别（OCR）的双重任务，针对的是具有潜在书写困难症状的儿童的手写样本。使用来自马来西亚学童的手写样本数据集，我们开发了一个定制的卷积神经网络（CNN）模型，以及VGG16和ResNet50，用于将手写体分类为书写困难或非书写困难。定制的CNN模型优于预训练模型，达到了91.8%的测试准确率，并具有高精确率、召回率和AUC，证明了其在识别书写困难手写特征方面的鲁棒性。此外，我们还创建了一个OCR流水线，用于分割和识别书写困难手写体中的单个字符，字符识别准确率约为43.5%。这项研究凸显了深度学习在支持书写困难评估方面的潜力，为开发能够帮助教育工作者和临床医生识别书写困难并随时间跟踪书写进展的工具奠定了基础。这些发现有助于学习障碍辅助技术的进步，为在教育与临床环境中提供更易获取和更准确的诊断工具带来了希望。
引用
@article{arxiv.2411.13595,
title = {Towards Accessible Learning: Deep Learning-Based Potential Dysgraphia Detection and OCR for Potentially Dysgraphic Handwriting},
author = {Vydeki D and Divyansh Bhandari and Pranav Pratap Patil and Aarush Anand Kulkarni},
journal= {arXiv preprint arXiv:2411.13595},
year = {2024}
}