期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
改进深度学习的车牌字符识别技术
被引量:
9
1
作者
郑祥盘
王兆权
宋国进
《福州大学学报(自然科学版)》
CAS
北大核心
2021年第3期316-322,共7页
针对传统车牌字符检测方法存在效率低、可靠性差的情况,提出应用Haar级联检测结合深度学习方法的卷积神经网络车牌字符识别法.首先采用Haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理提取出车牌字符;然后收...
针对传统车牌字符检测方法存在效率低、可靠性差的情况,提出应用Haar级联检测结合深度学习方法的卷积神经网络车牌字符识别法.首先采用Haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理提取出车牌字符;然后收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染复杂条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别.实验结果表明,该方法识别车牌字符正确率较高,在角度倾斜、光照变化等噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率.
展开更多
关键词
车牌识别
图像处理
神经网络
深度学习
下载PDF
职称材料
应用于起重机智能视觉检测的双网络并行模型
被引量:
5
2
作者
郑祥盘
宋国进
《厦门大学学报(自然科学版)》
CAS
CSCD
北大核心
2019年第6期922-928,共7页
起重机是一种使用广泛的物流设备,然而在长期高负载运作下,由于机械磨损、疲劳断裂产生的裂纹以及长期暴露于高温、潮湿环境下造成的机械腐蚀是无法避免的问题.传统的人工检测,一方面无法保证检测人员的作业安全,另一方面无法保证检测...
起重机是一种使用广泛的物流设备,然而在长期高负载运作下,由于机械磨损、疲劳断裂产生的裂纹以及长期暴露于高温、潮湿环境下造成的机械腐蚀是无法避免的问题.传统的人工检测,一方面无法保证检测人员的作业安全,另一方面无法保证检测的全面性.因此,提出一种基于深度卷积神经网络的起重机金属结构缺陷视觉检测算法.由于起重机金属结构缺陷图像数据的规模小于深层次卷积神经网络所需的数据规模,容易导致过拟合,故先设计浅层次的卷积神经网络模型,再采用深层次的卷积神经网络训练浅层次卷积神经网络,得到一个深层次与浅层次的双网络并行模型,以此达到提高浅层次卷积神经网络检测的准确性和鲁棒性.实验上,通过双网络并行模型算法与单网络模型、传统机器视觉识别方式的实验性能对比,验证了该算法的有效性和更好的鲁棒性.
展开更多
关键词
起重机
双网络
并行模型
视觉检测
卷积神经网络
缺陷
下载PDF
职称材料
题名
改进深度学习的车牌字符识别技术
被引量:
9
1
作者
郑祥盘
王兆权
宋国进
机构
闽江学院福建省先进运动控制重点实验室
福州大学机械工程及自动化学院
出处
《福州大学学报(自然科学版)》
CAS
北大核心
2021年第3期316-322,共7页
基金
福建省科技厅引导性项目(2019H0028)
闽江学院人才引进项目(MJY19029)
闽江学院实验实训中心专项(MJUS2019A006)。
文摘
针对传统车牌字符检测方法存在效率低、可靠性差的情况,提出应用Haar级联检测结合深度学习方法的卷积神经网络车牌字符识别法.首先采用Haar级联分类器提取出图片中车牌的位置,通过灰度、阈值、腐蚀、膨胀等预处理提取出车牌字符;然后收集字符数据,对CNN神经网络在角度倾斜、光照变化和噪声污染复杂条件下进行训练,使用训练后得到的模型对车牌字符图片进行识别.实验结果表明,该方法识别车牌字符正确率较高,在角度倾斜、光照变化等噪声污染条件下的准确性和稳定性较好,能够有效地降低车标识别的错误率.
关键词
车牌识别
图像处理
神经网络
深度学习
Keywords
license plate recognition
image processing
neural network
deep learning
分类号
TP273 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
应用于起重机智能视觉检测的双网络并行模型
被引量:
5
2
作者
郑祥盘
宋国进
机构
闽江学院物理与电子信息工程学院
出处
《厦门大学学报(自然科学版)》
CAS
CSCD
北大核心
2019年第6期922-928,共7页
基金
福建省引导性项目(2019H0028)
福州市科技计划项目(2018G85)
闽江学院校级项目(MJY19029,MJUS2019A006)
文摘
起重机是一种使用广泛的物流设备,然而在长期高负载运作下,由于机械磨损、疲劳断裂产生的裂纹以及长期暴露于高温、潮湿环境下造成的机械腐蚀是无法避免的问题.传统的人工检测,一方面无法保证检测人员的作业安全,另一方面无法保证检测的全面性.因此,提出一种基于深度卷积神经网络的起重机金属结构缺陷视觉检测算法.由于起重机金属结构缺陷图像数据的规模小于深层次卷积神经网络所需的数据规模,容易导致过拟合,故先设计浅层次的卷积神经网络模型,再采用深层次的卷积神经网络训练浅层次卷积神经网络,得到一个深层次与浅层次的双网络并行模型,以此达到提高浅层次卷积神经网络检测的准确性和鲁棒性.实验上,通过双网络并行模型算法与单网络模型、传统机器视觉识别方式的实验性能对比,验证了该算法的有效性和更好的鲁棒性.
关键词
起重机
双网络
并行模型
视觉检测
卷积神经网络
缺陷
Keywords
crane
dual network
parallel model
visual detection
convolutional neural network(CNN)
defects
分类号
TP23 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
改进深度学习的车牌字符识别技术
郑祥盘
王兆权
宋国进
《福州大学学报(自然科学版)》
CAS
北大核心
2021
9
下载PDF
职称材料
2
应用于起重机智能视觉检测的双网络并行模型
郑祥盘
宋国进
《厦门大学学报(自然科学版)》
CAS
CSCD
北大核心
2019
5
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部