基于LeNet-5的手写数字识别的改进方法

手写体识别是计算机视觉的一个重要研究方向。在手写体识别中,常规方法的泛化性能通常较低。相比之下,人工神经网络能够从样本数据中学习特征表达。文章详细探讨了基于LeNet-5和基于卷积神经网络的手写数字识别方法,并设计了图形用户界面(GUI)进行实际测试。测试结果显示,改进后的LeNet-5模型在手写数字识别上相较于传统LeNet-5模型有一定提升。

基于四足机器人的工业仪表数字识别方法研究

在工业现场自主巡检中,由于定位误差和光线角度等因素的影响,使得四足机器人仅依靠机器视觉难以实现高精度的仪表数字识别。针对上述问题,提出一种结合移动机器人运动的工业仪表数字识别方法。该方法首先基于图像感知的四足机器人控制策略实现仪表对准,来获取大小适中的仪表图片,进而使用改进自动色彩均衡(ACE)算法提高图片清晰度,并使用改进高效准确的场景文本(EAST)检测器来优化仪表数字漏检情况,最后获得仪表数字识别结果。在基于四足机器人的工业巡检实验平台中验证了该识别方法,实验结果表明上述方法对工业仪表数字识别准确率达97.75%。

数字识别历史聚落传统肌理实践——浙江省嘉善县

本刊与北京清华同衡规划设计研究院有限公司合作,开设“数字探源”专栏,并邀请北京清华同衡规划设计研究院有限公司副院长霍晓卫担任栏目客座主编,同时面向全国征稿,探讨并宣传运用各类新质生产力实现历史城镇、村落传统肌理识别与解读的实践成果。希望引起行业的关注与重视,推动学科的交叉互动与共同进步,为城乡历史文化保护传承进行科技赋能。

数字识别历史聚落传统肌理实践——浙江省海宁市

1研究区域,浙江省海宁市地处长江三角洲杭嘉湖平原南缘、钱塘江下游北岸,市域地势平坦,土地肥沃,河港密布,自然条件优越,物产富饶。三国时吴黄武四年(225年)置盐官县,为建置之始。自古重视兴修水利,为嘉兴—杭州大运河上的重要节点。为抵御海潮侵袭,海宁历代修建捍海塘保护农商业发展,成为江南著名的盐仓米市,市镇体系发达。此外,海宁还是观潮胜地,“海宁潮”闻名天下。

基于特征提取的数字识别算法研究

基于模板匹配的数字识别算法需要保证训练样本和模板样本一致,基于深度学习的数字识别算法需要保证有大量的训练样本。然而户外环境复杂,很难找到所有与训练样本相匹配的模板样本,搜集到的图像也比较有限,很难建立一个大的数据集,因此识别准确率欠佳。基于这种情况,本文提出了一种采用方向梯度直方图(histogram of oriented gradients,HOG)特征提取和支持向量机(support vector machine,SVM)分类器训练的方法对数字进行识别。为了增强复杂样本识别的鲁棒性,本文还对获取的图像进行了一系列的投影分割操作。实验后发现,本文所提算法可以有效避免模板匹配和深度学习方法的缺点,具有较高的识别准确率,且运行速度较快。

基于深度学习的CNN手写体数字识别

从深度学习卷积神经网络(CNN)的结构功能出发,重点研究了手写体数字通过神经网络的识别性能,以及当手写体数字染有各种噪声(高斯噪声、椒盐噪声、泊松噪声和斑点噪声等)时的性能。为了改善和提高卷积神经网络的性能,采用迁移学习技术,将ReLu学习单元更换为LeakyReLu学习单元,其他层保持不变,其目的是为了进一步改善Sigmod神经元函数易饱和的缺点,提高了学习效率和速度。

基于卷积神经网络的手写数字识别技术研究

手写数字识别与我们的生活和工作息息相关,传统的人工判断手写数字方式需要耗费大量精力,并且存在准确性不高和时效性不能保证的弊端。为解决这一问题,采用卷积神经网络方法来进行手写数字识别。首先将MNIST数据集划分为训练集与测试集,其次在MATLAB上搭建训练LeNet-5与AlexNet两种卷积神经网络模型,之后将测试集导入模型,测试性能,最后再将验证集导入验证模型性能。实验结果表明,AlexNet模型对验证集识别率高于LeNet-5模型,且AlexNet模型的稳定性优于LeNet-5。

基于蜂鸟 E203 RISC-V 处理器的手写数字识别系统设计

手写数字识别是计算机视觉领域的一个经典问题,在车牌识别、光学字符识别等领域有重要作用。在嵌入式设备中部署高性能的手写数字识别系统,由于受到ARM和X86架构的约束,其系统的算力、成本、功耗等指标均不理想。RISC-V架构具有开源、精简、扩展性强和指令编码规整等优势,近年在业内备受好评。对开源的蜂鸟E203 RISC-V处理器进行优化,并加入卷积神经网络协处理器单元完成对手写数字的识别。测试结果表明,在系统工作频率为25 MHz时,采用蜂鸟E203 RISC-V处理器设计的卷积神经网络协处理器在进行手写数字识别时,平均识别耗时1 ms,处理视频流数据平均帧数在912帧,正确率为98%,证实了本系统的可行性,体现了RISC-V对比ARM以及X86架构处理器的优越性。

基于手写数字识别APP的智能快递自提柜

选题背景随着电子商务的繁荣,物流需求急剧增长,传统的人力配送方式已无法满足人们的需求。智能快递自提柜作为一种新型的物流末端配送方式,可以24小时不间断提供服务,用户可以根据自己的时间安排随时取件,从而节省了等待配送的时间。同时,对于快递公司来说,智能快递柜可以节省人力成本,提高投递效率。本项目将开发一款基于手写数字识别APP的智能快递自提柜.

数字识别历史聚落传统肌理实践——浙江省天台县

1研究区域。浙江省台州市天台县地处宁波、绍兴、金华、台州4市的交界地带,境内山峦叠翠,溪流纵横,风景绮丽。天台县历史悠久,三国时立县,初名“始平”,宋代建隆元年(公元960年)定名为“天台”,盖因天台山得名,沿用至今。天台山以秀丽的山水为依托,以“佛道仙源”的宗教文化为特色,自魏晋以来无数文人墨客悠然前来朝圣,在唐代甚至为《全唐诗》贡献了千首吟咏天台山的诗歌,是我国名山文化的代表。自唐末五代以来大量人口辗转迁居于此,形成聚落集镇。

基于目标检测算法的水表字轮数字识别方法研究

本文旨在设计一种基于目标检测算法的水表字轮数字识别系统,以解决传统模板匹配方法在复杂环境下的局限性。该系统包括表盘与字轮区域定位、图像旋转校正、字轮分割与字符分类以及半字符示数判定等模块。试验结果表明,与传统模板匹配方法相比,采用YOLOv5目标检测算法的方法的整字符和半字符识别准确率有显著提升,整体准确率提高了5.58%,表明基于目标检测算法的水表字轮数字识别方法具有更好的识别效果和应用前景。

基于深度卷积神经网络的手写数字识别研究

为了进一步提高手写数字的识别准确率,基于深度卷积神经网络对识别过程进行了研究。采用PyTorch框架构建了一个手写数字识别模型;然后,使用MNIST数据集对模型进行训练以及实验测试。实验结果表明,提出的模型对手写数字识别准确率达到99.31%,与相关文献、LeNet-5模型和ResNet模型相比分别提高了11.01%、4.31%、3.31%、1.01%、4.31%、4.51%、10.71%和5.31%。

高中数学建模探究——基于朴素贝叶斯的手写体数字识别技术

数学模型搭建了数学与外部世界联系的桥梁,是数学应用的重要形式.数学建模是应用数学解决实际问题的基本手段,也是推动数学发展的动力,是应用数学解决实际问题的一个根本途径.《普通高中数学课程标准(2017年版)》中,明确了数学建模是六个数学核心素养之一,并明确了数学建模的基本要点表现为:发现和提出问题,建立和求解模型,检验和完善模型,分析和解决问题.该过程的实施逐渐改进了传统教师的授课方式,引导学生真正独立思考和自主学习,体会数学与实际应用的紧密联系,并培养学生的创新能力和综合素质.因此本文以建模的过程作为基本导向,引导学生发现与探究人工智能领域相关问题.

基于PCA降维的MNIST手写数字识别优化

PCA数据降维技术广泛应用于数据降维和数据的特征提取,可以很大程度上降低算法的计算复杂度,提升程序运行效率。文章将MNIST原始数据集和对原始数据集进行PCA降维处理之后的数据集作为样本,分别采用K-邻近算法、决策树ID3算法、SVC分类模型,以及选取不同分类算法作为基础分类器的集成学习方法,实现手写数字识别。在对MNIST数据集进行PCA降维前后,以及不同分类算法和模型执行结果的时间复杂度与预测准确率进行比对与分析,进一步强化与优化手写数字识别准确率等各项指标。

基于卷积神经网络的手写数字识别系统

卷积神经网络有着非常高的学习效率,现已被广泛应用于图像识别、人脸检测等各个领域。由于当图像有轻微位移, 扭曲或其他形式的变形时,卷积神经网络能减少误差,保持高度不变性,因此,卷积神经网络被广泛应用于手写数字识别,并且有 着较高的准确率。随着科学的发展,工作中必然会涉及手写数字的录入,所以,手写数字自动识别的研究有着重要性和必要性。本 文主要研究的是卷积神经网络在手写数字识别中的应用,主要的内容分为:了解卷积神经网络的网络结构,建立手写数字识别系 统,并对实验结果进行展示和分析。

基于FPGA的手写体数字识别与实现

为推动基于卷积神经网络的手写数字识别系统的实验设备开发及应用,本文设计实现了基于FPGA硬件平台的手写数字识别系统。通过在FPGA的硬件平台上搭载神经网络模型,实现对现有数据集中手写数字的识别。卷积神经网络模型由卷积层、池化层和全连接层组成,激活函数采用RELU函数,使用MNIST数据集完成模型训练。FPGA具有体积小、功耗低、可编程、半定制性等特点,研究以FPGA为核心硬件,实现了神经网络模型实现数字识别的快速推理应用,为识别系统的应用带来更广阔的应用场景。

一种基于STM32的电表数字识别系统

为解决生产生活中电表读数存在的人工查抄费时费力、效率低下、识别率低等问题,文章提出利用STM32单片机进行电表数字识别。首先,对采集的数字电表图像进行灰度化处理、电表读数区域识别、字符分割预处理;其次,在采集各型号电表清晰图像基础上,存储字模并建立字模数据库;最后,以STM32单片机为主控系统,控制OpenMV摄像头进行电表数字的识别。实验结果表明,在理想光照条件下,该系统的识别正确率可达到90%,能够满足数字电表的自动识别需求。

基于图像阈值优化及改进SVM的电表数字识别

针对电表出厂的校对和极端环境的测试工作,仍然需要人工检测电表是否出现内部元件错误或误差问题,提出一种基于图像阈值优化及改进SVM的电表数字识别方法。首先对图像使用边缘查找获取图像的显示区域,采用自适应阈值进行二值化处理,再对图像进行一系列的滤波处理,然后为进一步提取单个数字的图像,结合图像阈值优化,在保留数字图像特征值的前提下,去除多余的特征值,将显示区域图像划分成若干个单个数字图像。最后基于改进的SVM多分类识别模型进行0~9每个数字的训练,使用训练后的模型依次对单个数字图像进行识别。实验结果表明,对比经典的卷积神经网络模型对LED液晶数字的识别,基于图像阈值优化及改进SVM模型有着更快的识别速度和较高的准确率。

基于手写体数字识别的激活函数对比研究

针对手写体数据集在卷积神经网络训练时分别使用sigmoid、tanh、relu与mish激活函数进行实验,对这四种激活函数下训练集误差值收敛曲线以及测试集精度曲线进行算法结果分析,实验结果表明,mish激活函数在手写体数据集上进行卷积神经网络训练时效果更佳,而同样得出不同的训练数据集、激活函数的选择会影响算法对数据的拟合度和神经网络的收敛性。

基于氧化铜纳米线的易失性数字识别忆阻器

为了实现易失性忆阻器在神经形态计算中的应用,制备一种基于银-氧化铜纳米线-铜结构的易失性数字识别忆阻器;采用化学溶液法和磁控溅射技术,分别制备忆阻器的氧化铜纳米线阻变功能层和银顶电极;对该忆阻器的结构、物相及电学性能进行表征、测试。结果表明:该忆阻器具有易失性和突触可塑性,低阻态会在1000 s内退化到高阻态,阻变行为由金属银原子形成的导电丝的主导作用所致;该忆阻器对手写体数字的识别准确率高达92%,可应用于神经形态计算。