AbstrakMasyarakat tuna rungu pada u

Abstrak
Masyarakat tuna rungu pada umumnya menggunakan bahasa isyarat sebagai alat komunikasi utamanya. Bahasa isyarat
mengutamakan komunikasi visual, pengguna bahasa ini menggunakan orientasi, bentuk dan gerakan tangan, lengan, tubuh,
serta expresi wajah untuk mengungkapkan expresi mereka. Tetapi cara komunikasi ini sering menyulitkan/membatasi
komunikasi dengan orang lain yang normal, karena perbedaan komunikasinya itu kurang dipahami oleh lawan
komunikasinya. Untuk mengatasi keterbatasan komunikasinya tersebut diperlukan upaya penterjemahan bahasa isyarat
menjadi lisan. Dengan demikian akan terjadi komunikasi yang lebih mudah antar kaum tuna rungu dengan masyarakat
umum.
Untuk menyelesaikan proyek akhir ini, digunakan kamera webcam sebaga alat bantu untuk menangkap gambar dari
tangan pengguna. Teknik yang digunakan adalah dengan menangkap posisi tangan, mengekstrak bentuk dari tangan
tersebut, kemudian mengklasifikasinya. Untuk mencari letak tangan dari setiap frame yang dihasilkan, penulis
menggunakan HaarClassifier yang sebelumnya telah dilakukan training terlebih dahulu. Kemudian untuk mengekstrak
bentu tangan digunakan skin detection dan noise removal yang kemudian dilanjutkan dengan thresholding dan normalisasi.
Setelah bentuk tangan ini didapatkan, maka gambar biner bentuk tangan ini diklasifikasikan berdasarkan kumpulan
gambar-gambar isyarat tangan yang digunakan sebagai data training. Algoritma klasifikasi yang digunakan penulis adalah
algoritma K Nearest Neigbors.
Sistem ini mampu mengenali 19 isyarat huruf tangan dari 26 isyarat yang ditargetkan. Rata-rata akurasi yang
dihasilkan system ini adalah 89.68%. Nilai akurasi ini dapat bervariasi tergantung dari konsistensi data training dan noise
yang dihasilkan.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อหูหนวกชุมชนมีขนาดใหญ่โดยใช้ภาษาสัญลักษณ์เป็นวิธีการหลักของการสื่อสาร ภาษาสัญลักษณ์เน้นนิเทศ ผู้ใช้ภาษานี้จะใช้แนว รูปร่าง และการเคลื่อนไหวของมือ แขน ร่าง กายและสีหน้าการแสดงนิพจน์ของพวกเขา แต่การสื่อสารทางมักจะเป็นเรื่องยาก/จำกัดสื่อสารกับผู้อื่นเป็นปกติ เนื่องจากความแตกต่างในการสื่อสารที่ไม่ดีเข้าใจฝ่ายตรงข้ามการสื่อสาร เพื่อเอาชนะข้อจำกัดของการสื่อสารของ ความจำเป็นต้องแปลภาษาสัญลักษณ์ถูกปาก ดังนั้น จะมีการติดต่อสื่อสารง่ายขึ้นระหว่างสังคมคนหูหนวกทั่วไปเพื่อทำการนี้ โครงการใช้กล้องเว็บแคมเป็นเครื่องมือในการจับภาพจากมือของผู้ใช้ เทคนิคที่ใช้คือการ จับตำแหน่งของมือ การแยกรูปทรงของมือมัน แล้ว mengklasifikasinya หาตำแหน่งที่ตั้งของแต่ละเฟรมสร้าง นักเขียนใช้ HaarClassifier ก่อนหน้านี้ได้ทำการฝึกอบรมล่วงหน้า แล้วจะแยกbentu มือใช้ตรวจสอบผิวและกำจัดเสียงรบกวนที่อยู่แล้วตาม ด้วย thresholding และฟื้นฟูหลังจากนี้คง รูปร่างได้ แล้วจัดรูปแบบไบนารีของรูปมือตามรูปภาพสัญญาณมือที่ใช้เป็นข้อมูลการฝึกอบรม ใช้อัลกอริทึมการจัดประเภทอัลกอริทึม Neigbors K ที่ใกล้ที่สุดระบบไม่สามารถจดจำตัวอักษรสัญลักษณ์มือ 19 26 เป้าหมายสัญลักษณ์ ความถูกต้องเฉลี่ยระบบนี้ผลิตขึ้น 89.68% ค่าความถูกต้องนี้อาจแตกต่างกันขึ้นอยู่กับความสอดคล้องของข้อมูลการฝึกอบรมและเสียงรบกวนเกิดขึ้น

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
ชุมชนคนหูหนวกในการใช้ภาษามือทั่วไปเป็นเครื่องมือสื่อสารหลัก ภาษามือ
จัดลำดับการสื่อสารภาพผู้ใช้ภาษาที่ใช้การวางรูปร่างและการเคลื่อนไหวของมือ, แขน, ร่างกาย
และการแสดงออกทางสีหน้าในการแสดงของพวกเขาแสดงออก แต่วิธีการสื่อสารนี้มักจะยาก / จำกัด การ
สื่อสารกับคนปกติอื่น ๆ เพราะความแตกต่างในการสื่อสารก็เป็นที่เข้าใจได้ไม่ดีจากฝ่ายตรงข้าม
การสื่อสาร เพื่อเอาชนะข้อ จำกัด ของการสื่อสารภาษามือที่จำเป็นความพยายามแปลภาษา
พูด ดังนั้นจะมีการสื่อสารได้ง่ายขึ้นระหว่างชุมชนคนหูหนวก
โดยทั่วไป.
ในการดำเนินการโครงการสุดท้ายนี้เครื่องมือ sebaga กล้องเว็บแคมที่ใช้ในการจับภาพของ
มือของผู้ใช้ เทคนิคที่ใช้คือการจับตำแหน่งของมือเพื่อดึงรูปร่างของมือ
และจากนั้นจัดให้ เมื่อต้องการค้นหาในมือของแต่ละเฟรมจะถูกสร้างขึ้นผู้เขียน
ใช้ HaarClassifier ดำเนินการก่อนหน้านี้การฝึกอบรมก่อน จากนั้นจะดึง
bentu การตรวจสอบผิวมือที่ใช้และการกำจัดเสียงรบกวนตามด้วย thresholding และการฟื้นฟู.
หลังจากรูปร่างมือนี้จะได้รับภาพไบนารีคือจำแนกตามรูปร่างของมือของคอลเลกชัน
ภาพของสัญญาณมือใช้เป็นข้อมูลการฝึกอบรม ขั้นตอนวิธีการจัดหมวดหมู่การใช้งานโดยผู้เขียนคือ
K อัลกอริทึมที่ใกล้ที่สุด neigbors.
ระบบจะสามารถรับรู้ 19 มือท่าทางตัวอักษร 26 ตัวชี้นำการกำหนดเป้าหมาย ความถูกต้องของค่าเฉลี่ยของ
ระบบที่เกิดขึ้นเป็น 89.68% ค่าความถูกต้องอาจแตกต่างกันขึ้นอยู่กับความสอดคล้องของข้อมูลการฝึกอบรมและเสียง
ที่สร้าง