智能审批系统中签章关键要素自动检测方法研究与实现

近年来,随着硬件算力的提升和人工智能算法的不断发展,深度学习在目标检测方面有着越来越广泛的应用。针对传统审批过程中签章提取效率不高的问题,本文将YOLOv5网络应用于签章关键要素检测中,旨在对用户提交审核材料中的印章、手印、签名等关键要素进行自动准确检测与提取。本文分析了YOLOv5四个版本(YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x)的网络特征,并且通过实验比较了它们在签章检测方面的性能。实验结果表明,虽然YOLOv5x在深度和宽度上都具有复杂的网络结构,但YOLOv5l在误差收敛速度、精准率方面均达到最佳,mAP达91%,高于其他版本。因此,YOLOv5l更适合用于签章关键要素提取。本文工作对推进智能审批在政务领域的应用有着积极意义。

基于交叉检验的架空导线检测方法研究

架空导线检测是电力巡检中的重要内容。传统的架空导线检测方法可以较好地识别架空导线的形态特征,但是其场景鲁棒性有限,难以排除周围环境干扰。基于深度语义分割的架空导线检测是近年来新兴的检测方法,其场景鲁棒性较好,但在实践中,此类方法的检测结果存在分割区域不连续的问题。针对以上问题,提出基于交叉检验的架空导线检测方法。首先采用马尔可夫链边缘线段检测器(Markov chain marginal line segment detector,MCMLSD)和DeepLabv3+分割网络分别对架空导线进行检测,然后设计交叉检验算法对上述2种方法的检测结果进行比较和融合,成功提取出完整的架空导线并抑制了周围环境中线段结构对检测结果的影响。实验证明该方法在天空、土地、树林等场景中均具有较好的鲁棒性,为无人机架空导线自动巡检提供了新思路,推进了该领域的发展。