基于深度学习的甲骨文偏旁与合体字的识别研究

由于甲骨文字形结构多样,异体字较多,其识别一直是甲骨文领域研究的重要问题.本文首次提出以甲骨文偏旁为识别的基本构件,建立单偏旁和合体结构的甲骨文字符识别方法,提升甲骨文识别的精度.方法一:根据甲骨文偏旁字形特点,对甲骨文拓片上的合体字进行甲骨文单偏旁最大极值稳定区域的选取,然后,通过改进的BN-LeNet模型识别甲骨文各个偏旁;方法二:针对甲骨文合体字拓片稀缺的问题,本文提出一种直接对甲骨文合体字进行整体识别的OraNet模型,该模型采用迁移学习的训练策略,对在脱机手写汉字HCL2000数据集预训练的卷积神经网络模型进行参数和结构上的微调,实现迁移得到低层表示和甲骨文合体字集上高层表示的特征融合,以此来提取甲骨文合体字的高级特征.实验结果表明,BN-LeNet网络对甲骨文单偏旁识别率为96.24%,微调的OraNet模型对甲骨文合体字识别率为98.58%,从而表明从甲骨文单偏旁的角度进行甲骨文字形识别,可以获得较高的识别精度.同时本文将甲骨文视为偏旁组合而非整字识别,这使得算法能够识别从未见过的甲骨文新字,即零样本学习,对甲骨文研究有着重要的应用意义.

基于MSER和CNN的彝文古籍文献的字符检测方法

彝文古籍中字符的检测是古彝文字符识别的重要基础,检测的准确性直接影响着古彝文识别的精准程度。针对彝文古籍文献版面结构复杂、排版缺乏规范、存在图文混排等情况,提出一种基于最大极值稳定区域(MSER)和卷积神经网络(CNN)的彝文古籍文献字符检测方法。首先对彝文古籍扫描图片用非局部均值滤波进行了预处理,然后采用一种改进的局部自适应二值化方法得到二值图像,实现对图像的前景和背景的分割;再采用基于启发式规则的方法对非文本区域进行去除,从而得到文本区域;最后采用MSER和CNN相结合的方法对古籍中的单个字符进行检测。实验结果表明,该方法对古籍中文本和非文本区域进行了有效的分离,并在单字符检测实验中取得了较高的准确率和召回率,能有效地解决古籍文献字符识别中的字符检测问题。

提升用电信息采集终端的采集成功率

用电信息作为电力行业的数据中心,担负着电力经济指标数据考核的重任。电力行业的用电信息采集工作,是通过电能信息采集终端来完成的。终端负责的采集工作,不仅包括各采集点的电能信息采集和数据管理,还包括数据的传输、传输过程中各个下发命令的设备。本文就采集终端上面几方面内容展开探讨,以提高采集成功率。

手写体版面分析和多风格古籍背景融合

近年来,基于深度学习的版面分析和风格迁移等技术得到广泛的应用并取得了许多突破.为了对古籍多风格纹理进行复原,提出一种古籍版面分析和风格融合网络结构.首先利用生成对抗网络和多风格背景生成模型进行模型训练,形成多风格的古籍纹理;然后提出重排列算法进行版面分析,调整前景文字的排列位置;最后通过前景文字和古籍风格背景的融合实现文本背景的多风格生成.实验中,以古彝文、古汉语(秦小篆)、女真文的古籍和古画作为数据样本,对DCGANs模型进行参数和结构上的改进以提高模型的生成性能,结合交叉熵损失函数和Fréchet inception distance(FID)对生成结果进行评估,得到在FID上表现最佳的训练模型M8并将其作为多风格背景生成模型,与DCGANs模型相比,生成性能提高19.26%,图像生成质量有了明显提升.

一种古彝文文字的输入编码设计

为解决古彝文的信息化,分析了古彝文拼音方案中的声母、韵母的读音特征,考虑了声调符号及吐气符号等因素,设计了古彝文输入法的拼音码表,音码规定为按古彝文字的读音取码,根据编码字母采用对应计算机键盘的字母键进行输入。利用该拼音码表实现古彝文在键盘上的输入,从而解决了之前基于笔画输入部首较多、学习困难以及与计算机操作系统不兼容等问题。