💻 computer science

DeepNeutroBiLSTM: A Hybrid Neutrosophic and CNN-BiLSTM Framework with Sobel-Based Indeterminacy for Arabic Handwritten Character Recognition

Dit artikel stelt DeepNeutroBiLSTM voor, een nieuw hybride raamwerk dat neutrosofische onzekerheidsmodellering integreert met Sobel-gebaseerde onbepaaldheid, CNN's en BiLSTMs om een state-of-the-art nauwkeurigheid en robuustheid te bereiken bij de herkenning van Arabische handgeschreven karakters op de AHCD- en HIJJA-datasets.

Oorspronkelijke auteurs: Othmane Farhaoui, Mohamed Rida Fethi, Imad Zeroual, Ahmad El Allaoui

Gepubliceerd 2026-06-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Othmane Farhaoui, Mohamed Rida Fethi, Imad Zeroual, Ahmad El Allaoui

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een computer probeert te leren om handgeschreven Arabische letters te lezen. Dit is een lastige klus, want Arabisch wordt geschreven in een vloeiende, cursieve stijl en mensen schrijven heel verschillend van elkaar. Sommige letters lijken bijna identiek, en soms vloeit de inkt uit of maakt de scanner de afbeelding wazig. Voor een computer is een wazige of slordige letter als een puzzel met ontbrekende stukjes.

Dit artikel introduceert een nieuw computerprogramma genaamd DeepNeutroBiLSTM om dit puzzelstukje op te lossen. Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. Het Probleem: "Alles ziet er hetzelfde uit"

De meeste computerprogramma's die handschrift lezen, behandelen elke individuele inktpunt op de pagina als even belangrijk. Ze gaan ervan uit dat de afbeelding perfect is. Maar in werkelijkheid is handschrift slordig.

De Analogie: Stel je voor dat je een handgeschreven briefje probeert te lezen waarbij iemand koffie over heeft gemorst. Een standaard computer probeert de koffievlek te lezen alsof het deel uitmaakt van de letter. Het raakt in de war omdat het niet weet wat een echte letter is en wat slechts een slordige vlek is.

2. De Oplossing: De "Drielagige Bril" (Neutrosophische Representatie)

De auteurs hebben een speciale manier ontwikkeld waarop de computer naar de afbeelding kijkt, geïnspireerd door een wiskundig idee genaamd Neutrosophie. In plaats van alleen maar "Zwart" (de letter) of "Wit" (de achtergrond) te zien, zet de computer een "Drielagige Bril" op die elk deel van de afbeelding opdeelt in drie categorieën:

Waarheid: "Dit deel is definitief onderdeel van de letter."
Onwaarheid: "Dit deel is definitief de achtergrond/ruis."
Onbepaaldheid: "Ik weet het niet zeker. Dit ziet eruit als een veeg, een vlek of een vreemde streek. Ik moet hier voorzichtig mee zijn."

De Creatieve Twist: In oudere systemen moest de computer raden wat "onzeker" was met behulp van een vaste regel (zoals een vooraf ingestelde formule). In dit nieuwe systeem leert de computer wat onzeker is. Het is alsof je de computer een student geeft die leert van ervaring: "Oh, ik zie dat dit specifieke type vlek meestal bij deze letter voorkomt, dus ik zal het de volgende keer als 'onzeker' markeren."

3. De "Sobel" Detective

Om de computer te helpen die onzekere gebieden te vinden, hebben ze een hulpmiddel gebruikt genaamd de Sobel Operator.

De Analogie: Denk aan de Sobel-operator als een detective met een vergrootglas dat alleen naar randen kijkt. Het benadrukt de scherpe lijnen waar een letter begint en eindigt. Omdat Arabische letters worden gedefinieerd door hun streken en curven, helpt dit hulpmiddel de computer om onderscheid te maken tussen een echte letterrand en een willekeurige inktvlek. Het vertelt de computer: "Let extra goed op deze grenzen, want dat is waar de verwarring meestal ontstaat."

4. Het Teamwerk: De "Architect" en de "Verhalenverteller"

Het systeem combineert twee krachtige soorten kunstmatige intelligentie om het zware werk te doen:

De Architect (CNN): Dit deel kijkt naar de afbeelding en identificeert vormen, lijnen en curven. Het bouwt een mentale kaart van hoe de letter eruitziet.
De Verhalenverteller (BiLSTM): Arabisch wordt geschreven in een flow. De vorm van een letter hangt vaak af van de letters ervoor en erna. De Verhalenverteller kijkt naar de sequentie van vormen en begrijpt de context. Het weet: "Als ik deze vorm na die vorm zie, dan moet dit deze specifieke letter zijn, zelfs als ze op elkaar lijken."

Door de "Drielagige Bril" (om de slordigheid aan te pakken), de "Detective" (om de randen te vinden), de "Architect" (om de vormen te zien) en de "Verhalenverteller" (om de flow te begrijpen) te combineren, wordt het systeem zeer slim in het lezen van slordig handschrift.

5. De Resultaten: Hoe goed werkte het?

De onderzoekers hebben hun nieuwe systeem getest op twee beroemde collecties handgeschreven Arabische letters (genaamd AHCD en HIJJA).

Op de "Makkelijkere" Test (AHCD): Het nieuwe systeem behaalde 98,39% correct. Dit is een enorme verbetering ten opzichte van oudere methoden, die moeite hadden met de slordige delen van de afbeelding.
Op de "Moeilijkere" Test (HIJJA): Deze test had veel meer variatie in handschrifstijlen. Het nieuwe systeem slaagde er nog steeds in om 92,92% correct te zijn, waarmee het alle andere modellen die ze vergeleken met, versloeg.

De Kernboodschap

Het artikel beweert dat door de computer expliciet te leren om "onzekerheid" (de wazige, slordige delen van het handschrift) te herkennen en te verwerken, in plaats van deze te negeren, het veel nauwkeuriger Arabisch handschrift kan lezen. Het is alsof je een lezer leert, niet alleen om de woorden te lezen, maar ook om te begrijpen wanneer de inkt is uitgelopen en om context te gebruiken om te achterhalen wat het woord zou moeten zijn.

Wat het artikel NIET beweert:

Het beweert nog niet dat dit werkt voor het lezen van volledige zinnen of paragrafen (het richt zich op individuele tekens).
Het beweert nog niet dat dit klaar is voor medische diagnoses of andere specifieke real-world toepassingen; het is een bewijs van concept voor karakterherkenning.
Het beweert niet sneller te zijn dan alle andere methoden (sterker nog, het kost iets meer tijd om te berekenen omdat het een complexere analyse uitvoert).

Technische Samenvatting: DeepNeutroBiLSTM voor Arabische Handgeschreven Karakterherkenning

Probleemstelling
Arabische handgeschreven karakterherkenning (AHCR) blijft een aanzienlijke uitdaging vanwege het cursieve karakter van het schrift, de hoge variabiliteit in schrijfstijlen, de aanwezigheid van diakritische tekens en de structurele gelijkenissen tussen karakters. Bovendien hebben herkenningssystemen vaak moeite met ruis die wordt geïntroduceerd door scanning, inktdiffusie en beelddegradatie. Traditionele deep learning-benaderingen, zoals Convolutionele Neurale Netwerken (CNN's) en Recurrente Neurale Netwerken (RNN's), gaan er doorgaans van uit dat alle invoerpixels even betrouwbaar zijn. Deze deterministische aanname houdt geen rekening met onzekerheid in ambigue regio's, wat leidt tot verminderde robuustheid bij het verwerken van gedegradeerd of variabel handschrift. Hoewel de neutrosofische verzammingstheorie een wiskundig kader biedt om onzekerheid te modelleren via componenten van Waarheid, Indeterminatie en Valsheid, vertrouwen bestaande toepassingen in dit domein op handmatig ontworpen, vaste regels (bijv. entropie of gradiëntheuristieken) om indeterminatie te berekenen. Deze statische methoden missen de flexibiliteit om onzekerheidsrepresentaties direct uit data te leren en kunnen niet gezamenlijk worden geoptimaliseerd met het herkenningsdoel.

Methodologie
Het artikel stelt DeepNeutroBiLSTM voor, een hybride deep learning-framework dat neutrosofische onzekerheidsmodellering integreert met een CNN-BiLSTM-architectuur. Het framework werkt via vijf primaire stadia: Pre-processing, Neutrosofische Representatie, Feature Extractie, Classificatie en Post-processing.

Leerbare Neutrosofische Representatie (LNL): De kerninnovatie is de Learnable Neutrosophic Layer, die een genormaliseerde grijswaarden-invoerafbeelding $X$ transformeert naar een neutrosofisch triplet $[T, I, F]$ (Waarheid, Indeterminatie, Valsheid).
- Waarheid ( $T$ ): Direct afgeleid van de invoerafbeelding ( $T = X$ $T = X$ ).
  - Indeterminatie ( $I$ ): In plaats van vaste heuristieken onderzoekt het artikel twee benaderingen. De primaire bijdrage is een Leerbare Indeterminatie component, berekend via een trainbare convolutionele mapping gevolgd door een sigmoid-activatie: $I = \sigma(W_I * X + b_I)$ . Dit stelt het netwerk in staat om direct uit de data te leren waar onzekerheid bestaat.
- Valsheid ( $F$ ): Berekend als $F = \text{clip}(1 - T - I, 0, 1)$ .
- Sobel-gebaseerde Indeterminatie: Voor een vergelijkende evaluatie implementeert het artikel ook een vaste indeterminatie-representatie met behulp van de Sobel-operator om randgradiënten te vangen, die cruciaal zijn voor het onderscheiden van visueel gelijkaardige Arabische karakters.
Hybride Architectuur:
- CNN Backbone: De neutrosofische representatie wordt gevoed aan een hiërarchische CNN (drie convolutionele blokken met toenemende kanaaldiepte: 64, 128, 256) om ruimtelijke penseelstreekpatronen en structurele kenmerken te extraheren.
- BiLSTM Sequentiële Modellering: De ruimtelijke feature maps worden omgevormd tot sequenties en verwerkt door een Bidirectioneel Long Short-Term Memory (BiLSTM) netwerk. Dit vangt contextuele afhankelijkheden op uit zowel de voorwaartse als achterwaartse richting, wat helpt bij het onderscheid van karakters met gelijkaardige vormen op basis van hun omgeving.
- Classificatie: De output wordt door volledig verbonden lagen en een Softmax-classifier geleid.
Trainingsstrategie: Het model wordt end-to-end getraind met behulp van Categorical Cross-Entropy loss en de Adam-optimizer. Het framework werd geëvalueerd op twee publieke datasets: AHCD (28 karakters) en HIJJA (29 karakters), waarbij data-augmentatie (rotatie, translatie, zoom, afschuiving) werd toegepast om generalisatie te verbeteren.

Belangrijkste Bijdragen

Learnable Neutrosophic Layer (LNL): Het artikel introduceert een mechanisme om de indeterminatie-component direct uit afbeeldingen te leren met behulp van trainbare convolutionele filters, waarmee wordt afgeweken van statische, handmatig gedefinieerde onzekerheidsregels.
Integratie van Sobel-gebaseerde Indeterminatie: De studie toont aan dat het integreren van Sobel-gebaseerde gradiëntinformatie in de neutrosofische representatie het vermogen van het model aanzienlijk verbetert om de grenzen van penseelstreken in ambigue regio's te onderscheiden.
Verenigd Hybride Framework: Het werk valideert een verenigde architectuur die onzekerheidsmodellering (Neutrosofisch), ruimtelijke feature extractie (CNN) en sequentiële context-lering (BiLSTM) gezamenlijk optimaliseert voor AHCR.
Uitgebreide Ablatie-studie: De auteurs vergelijken systematisch baseline CNN's, CNN-BiLSTMs, vaste-neutrosofische modellen en de voorgestelde hybride modellen om de impact van onzekerheidsmodellering en sequentieel leren te isoleren.

Resultaten
Het framework werd geëvalueerd op de AHCD- en HIJJA-datasets met behulp van Accuracy, F1-score, AUC, Character Accuracy Rate (CAR) en Expected Calibration Error (ECE).

AHCD Dataset: De voorgestelde DeepNeutroBiLSTM (Sobel) behaalde de hoogste prestaties met 98,39% nauwkeurigheid, een F1-score van 0,9821 en een AUC van 0,9997. Dit vertegenwoordigt een verbetering van +1,96% ten opzichte van de baseline CNN en een reductie van ongeveer 50% in kalibratiefout vergeleken met de baseline.
HIJJA Dataset: Gezien de hogere variabiliteit en structurele ambiguïteit van deze dataset, behaalde het voorgestelde model een nauwkeurigheid van 92,92% en een F1-score van 0,9322. Dit is een significante verbetering van ongeveer 5,0% ten opzichte van de baseline CNN (87,96%).
Vergelijkende Analyse: De resultaten geven aan dat hoewel BiLSTM alleen minimale winst bood op de gestructureerde AHCD-dataset, de combinatie van neutrosofische onzekerheidsmodellering en sequentieel leren consistente verbeteringen opleverde over beide datasets. De Sobel-gebaseerde indeterminatie-representatie presteerde beter dan zowel de op entropie gebaseerde als de enkel leerbare indeterminatie-benaderingen in de uiteindelijke hybride configuratie.
Kalibratie: Het voorgestelde model vertoonde goed gekalibreerde waarschijnlijkheidsverdelingen, met lage Expected Calibration Error (ECE) waarden (0,0119 voor AHCD en 0,0456 voor HIJJA).

Betekenis en Claims
Het artikel beweert dat het DeepNeutroBiLSTM-framework een superieure oplossing biedt voor Arabische handgeschreven karakterherkenning door expliciet de onzekerheid aan te pakken die inherent is aan visuele data. Door over te stappen van handmatige, vaste definities van indeterminatie naar een data-gestuurde, leerbare benadering, kan het model zich aanpassen aan specifieke variaties in schrijfstijlen en ruisniveaus. De auteurs stellen dat de integratie van Sobel-gebaseerde indeterminatie bijzonder effectief is omdat het de grenzen van penseelstreken en lokale gradiëntveranderingen benadrukt, die cruciaal zijn voor het differentiëren van visueel gelijkaardige Arabische karakters. De studie concludeert dat deze hybride benadering de variabiliteit van handschrift en beeldruis effectief aankan, en daarmee de state-of-the-art CNN en CNN-BiLSTM baselines overtreft. De auteurs merken op dat toekomstig werk zich zal richten op het uitbreiden van dit framework naar Arabische handgeschreven woord- en tekstherkenning.