MBRNet:融合残差连接的多分支手写字符识别网络

脱机手写中文字符识别(handwritten Chinese character recognition,HCCR)在计算机视觉领域一直是一个巨大的挑战。相比传统方法,基于深度学习的网络通过训练大量数据在识别任务中取得了差异化的效果,但识别效果依旧处于发展过程中。基于此,结合DW卷积和残差连接设计了一种多分支残差模块,该模块通过DW卷积以较小的内存和参数量为代价来加深网络深度,增强网络的特征提取能力;再通过残差连接抑制网络梯度问题和退化问题;另外,提出了一种多分支权重算法,来改善多分支残差模块中各分支的权重分配问题;并将六个以多分支残差模块为主的结构线性连接,组成HCCR识别网络。该模型在CASIA-HWDB1.0、CASIA-HWDB1.1、ICDAR2013数据集上的识别准确率分别达到了97.77%、97.30%、97.64%,表现出高精度的识别效果。

基于深度学习的锂电池表面字符识别和缺陷检测

该文针对在锂电池的生产过程中,软包锂电池表面喷码字符识别和缺陷检测,由于人工检测耗时长、成本高等缺点,提出了基于CnOCR的字符识别方法和基于改进YOLOv8模型的字符缺陷检测方法 。该方法首先利用CnStd算法对字符区域进行了定位,利用YOLOv8模型对字符进行训练,检测出有缺陷的字符。根据字符区域特点进行图像增强、二值化和字符分割等处理,采用CnOCR模型进行字符的识别。深度学习方法提高了字符识别和缺陷检测的准确率,并且保证了整个检测系统的识别和检测速度。实验结果表明,字符识别率在96%以上,字符缺陷检测率在94%以上,符合锂电池自动化生产线的生产需要。

基于多粒度注意力改进的喷码字符识别算法

针对漏喷,喷墨不均和字符磨损导致的喷码字符模糊和部分缺失问题,提出了一种基于多粒度注意力改进的喷码字符识别算法。首先,引入多头自注意机制改进了字符检测网络DBNet,通过建模局部特征间的空间相关性,增强了对稀疏的喷码字符特征的表达,提高了检测模型的喷码字符检测率。然后,设计了位置编码注意力机制对字符识别网络DANet进行改进,通过建模字符位置编码与全局特征的相关性,通过位置编码注意力将视觉特征与字符进行对齐,从而提高了识别模型的喷码字符识别率。实验结果表明,在喷码字符数据集RAICD上,改进的DBNet实现的喷码字符检测率F1为90.92%,相比改进前提升了5.31%,改进的DANet实现的喷码字符识别率为93.72%,相比改进前提升了3.03%;在通用字符数据集ICDAR2015上,改进的DBNet实现的字符检测率F1为86.19%,相比改进前提升了1.58%,改进的DANet实现的字符识别率为75.19%,相比改进前提升了1.0%;在喷码字符的端到端识别中,改进DBNet+改进DANet的字符检测与识别模型实现了85.19%的识别率,相比DBNet+DANet的模型提升了4.0%。实验结果表明了所提算法的有效性。

轻量化YOLOv7-tiny的水下压印字符识别

自动化水下字符识别技术能通过编号更高效地定位追踪水下设备,是管理和维护水下设备的关键。针对该任务目标区别较小和水下场景中干扰等问题,并考虑其检测速度需求,基于YOLOv7-tiny模型,提出一种轻量化的改进模型。首先采用MobileNetV3作为新的特征提取网络对整体框架进行轻量化处理;然后引入PConv至ELAN模块中,减少Neck层的计算量;最后将置换注意力机制应用至Head层,提升了模型对字符定位的表达能力。实验结果表明,改进后的模型相较于原模型的平均精度均值(mAP)提高了2.4%,参数量和计算量分别减少30.0%和38.5%,检测速度提升30.8%。改进后的模型在水下字符识别任务中具有更高的效率和精度,为推进并实现水下自动化识别编号设备的部署提供了可行性。

基于改进YOLOv5网络的轮胎规格字符识别

针对于汽车轮胎规格字符识别效率低、准确率低等问题,提出一种改进YOLOv5网络的轮胎规格字符识别方法。首先,将YOLOv5中的耦合头改为解耦头,提高网络的泛化能力;其次,提出C3-Faster模块,替换YOLOv5的Backbone和Head中的部分C3模块,提高网络的计算速度;最后,选用WIoU损失函数替换YOLOv5的CIoU损失函数,优化网络。通过对比实验,验证了C3-Faster和WIoU损失函数的有效性,在消融实验中,改进后的网络训练时间减少,mAP提高了3.7%,Precision提升2.1%。实验结果表明,该方法在汽车轮胎规格字符识别的有效性,提高了识别的准确性。

多字体字符识别的分级协同模型

提出了一种用于多字体字符识别的分级协同神经网络模型 .该分级模型的识别由两部分组成 :Haken的协同网络确定识别进入哪个协同子网 ;用协同子网进行具体识别 .对大量实际采集得到的多字体字符样本的测试表明 :新模型能有效地提高协同神经网络对多字体字符的识别率 ,但由于仍保留了识别速度快的特点 ,所以新模型适用于实时的光学字符识别应用 .对加噪字符的识别试验表明该模型具有很好的鲁棒性 .

基于表格的手写体字符识别技术研究

在分析了目前光学字符识别技术发展及应用的基础上 ,给出了一种基于表格的手写体字符识别解决方案 .该方案包括图像预处理、特征提取和分类器等三个关键的处理过程 .然后 ,重点研究了利用神经网络构建分类器的技术和神经网络应用的两个阶段 .

基于改进PSENet-CRNN的工件编码字符识别算法

由于传统识别方法在面对工业环境的复杂性时表现出较低的准确率和鲁棒性,提出了一种基于改进PSENet-CRNN的工件编码字符识别算法。结合了PSENet在字符分割方面的优势和CRNN在序列建模方面的特长,旨在提高在复杂工业环境下的字符识别性能。通过改进网络结构、优化训练策略等手段,新算法有效解决了字符粘连、光照不均、背景干扰等问题,显著提升了识别准确率和鲁棒性。实验结果表明,新算法在多种评价指标上均优于传统方法和其他先进算法,为智能制造领域提供了一种高效、稳定的字符识别解决方案。

基于小波矩的车牌字符识别研究

牌照字符识别是车牌识别系统中关键的一步,而字符识别的关键在于有效特征的选取.小波矩是小波多尺度分析与矩相结合的新的视觉不变量,图像的小波矩特征能很好地反映图像的局部和全局特征,并且具有较强的抗干扰能力.但不同的小波矩离散化方法在性能上有很大的差异.在分析小波矩和矩快速算法的基础上,引入了一种新的小波矩离散化算法用于车牌字符识别系统,以车牌字符图像的小波矩作为特征量,结合改进的BP神经网络实现了车牌字符的识别,获得了很好的识别效果.

长材表面标识字符识别技术研究

针对工业环境下长材表面标识字符常位于曲面上、训练样本少等常规场景文本识别方法难以处理的难点,提出一种针对工业环境下长材表面字符的识别技术。首先将二维图像通过自适应混合阈值二值化算法转化为适于流入检测算法的二值化图,并通过基于DBNet语义分割的字符定位算法及其对应的后处理算法定位、矫正字符所在区域后由单字符分割-识别方式完成识别。最后将所提出的方法进行对比验证,结果表明,所提出的针对长材表面字符识别各环节的改进相比于既有方法在识别准确率指标与直观效果层面均实现一定的提升,具备一定的工程应用可行性。

多字体字符识别的协同模型

提出了一种新的用于多字体字符识别的神经网络模型一协同模型，同时提出了一种新的迭代的协同学习算法，该算法将误识率最高的模式的误识样本作为反馈量来修正原型模式．对大量实际采集所得的多字体字符样本的测试表明，该模型能对训练样本集取得１００％的识别率，对多字体字符测试样本的识别也能取得很高的识别率（９８．２％），而且识别速度很快，适用于实时的ＯＣＲ应用．另外，对加噪字符的识别试验表明该模型具有很好的鲁棒性．

面向字符识别的快速小形变细化算法

本文描述了现有字符细化算法的思想及其缺陷 ,并且在分析细化形变根源的基础上给出了一种面向字符识别的快速细化算法。该算法不仅速度非常快 ,而且不会产生毛刺和伪分支点 ,细化后字符骨架形变很小。

英文光学字符识别的后处理

总结了英文光学字符识别 (OCR)系统中的常见错误类型 ,论证了使用拼写检查技术发现错误的可能性 .以最相似单词替换OCR的错误输出 ,从而达到改正错误的目的 .利用编辑距离实现词汇相似性评估 ,并用动态规划技术优化了编辑距离的计算 .试验结果证明该方法可以使OCR系统的单词识别率提高 6 2 5 % .

基于特征编码的字符识别方法研究

本文在分析了常用模板匹配字符识别方法的问题之后,以车牌字符中常用的字母、数字为例,提出了一种新的基于数字字母特征的编码方法,解决了模板匹配法中的字符图像与模板尺寸不符等问题,提高了识别率。

一种模板匹配和神经网络的车牌字符识别方法

提出了一种基于模板匹配和神经网络的车牌识别方法 .该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的优势 ,可有效地提高车牌字符的识别率、识别速度和识别系统的泛化能力 .实验结果表明 :大多数情况下 ,该方法的识别率超过 90 % ,识别时间不超过 12 0 0ms ,能有效地识别各种车牌中的字符 。

基于卷积神经网络LeNet-5的车牌字符识别研究

将卷积神经网络LeNet-5引入到车牌字符识别中。为了适应目前中国车牌字符识别的需要,对传统的卷积神经网络LeNet-5的结构进行了改进,主要是改变输出单元的个数与增加卷积层C5特征图的个数。研究结果表明,改进后的LeNet-5比传统的LeNet-5的识别率有所提高,识别率达到98.68%。另外,与BP神经网络进行了比较研究,从实验中可以看出在字符识别的正确率和识别速度上都优于BP神经网络。卷积神经网络在车牌识别中具有很好地应用前景。

基于独立分量分析的字符识别方法

该文介绍了独立分量分析(ICA)的基本原理,给出了应用于字符识别的ICA算法,得到一组独立基的投影系数.在此基础上,组合欧氏距离和马氏距离实现字符分类.该方法已在汽车牌照字符识别中得到应用.

一种基于KNN与改进SVM的车牌字符识别算法

提出了一种将KNN(K近邻)和支持向量机相结合的字符识别算法.首先用KNN对字符进行判断,如果输出的置信度大于阈值,则认为分类正确;如果小于阈值则采用支持向量机进行判决.改进了SVM分类器,通过调整支持向量机的分类超平面改进了支持向量机的性能.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.

车辆牌照字符识别

介绍了一个牌照字符识别系统的字符串图像提取部分和字符识别部分 .前者采用基于纹理的分割阈值选取方法 ,即先对牌照图像进行纹理分析 ,然后对取得的直方图采用模式识别中的最大最小准则决定分割阈值 ,其效果优于传统的直方图方法 .后者采用多个简单识别器融合方法进行字符识别 .这一方法根据不同类型识别器的特性 ,采用串、并联混合的方案将它们组合在一起 .与单一识别器相比 ,不仅大幅提高了识别率而且缩短了识别耗时 .这一系统对牌照汉字、数字和字母的识别率均大于 96%,总的牌照识别率为 82 %.

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.