基于机器视觉的芯片字符区域分割和定位算法

芯片表面的字符对分选具有重要意义,对字符的定位是分选工作的关键步骤。为了提高分选工作定位效率和定位精度,提出了一种基于改进的区域生长算法和凸包检测算法分割和定位芯片表面字符区域方法。首先,对采集图像进行预处理操作,利用改进的Canny算法获取无干扰图像边缘,将图像边缘作为区域生长法的种子点并以图像自适应阈值作为生长准则分割图像,使用最大内接矩形算法粗定位字符区域;其次,采用Harris角点检测算法获取字符角点分布位置;最后,筛选角点并提取关键点,利用一种改进的凸包检测算法定位字符区域。经过实验验证,所设计的算法能够完整的分割和定位芯片表面字符区域,定位精度和效率较原有方法提升5.3%和15.4%,满足实际工业生产的要求。

基于改进的Cascade RCNN铸管字符检测算法

由于工业现场采集的铸管字符图像存在背景模糊、字符区域占比小、刻字位置不固定、油漆遮挡等问题,导致现有模型的检测精度难以满足工业现场的需求。针对上述问题,提出改进的Cascade RCNN铸管字符检测算法。首先对特征金字塔进行改进,提出融合小目标增强的特征金字塔(STE-FPN),利用多尺度特征融合的特征增强能力丰富铸管小目标字符的特征信息。其次引入自矫正/池化的ResNeSt(SCP-ResNeSt)作为特征提取网络,利用自矫正卷积和池化操作以提升背景复杂的铸管字符特征提取效率。最后对级联结构进行改进,引进Mask分支结构,可以自适应地检测字符区域并去除干扰区域,优化了检测结果。将改进后的算法在铸管数据集上进行测试,其平均检测精度mAP为99.1%,比原Cascade RCNN算法提高了2.3%,得到的精度表明改进后的性能优于原算法。

消除背景噪声增强字符形状特征的场景文字识别

为了解决现有方法未有效地消除背景噪声和字符自身噪声干扰的问题,提出一种包含3个模块的消除背景噪声增强字符形状特征(EBEC)的文字识别模型.空间注意力机制增强的EBEC网络只关注字符区域特征,以消除背景噪声,迫使网络仅学习字符形状特征,增强字符形状特征;特征提取模块采用EfficientNet-B3作为主干网络提取特征图;基元表征学习模块学习特征图得到视觉文字表征,通过对视觉文字表征解码得到识别结果.实验结果表明,与经典模型相比,所提模型在合成场景数据集上识别准确率提高9.76个百分点,在公开数据集IIIT5K,ICDAR-2003,ICDAR-2015,CUTE80上识别准确率平均提高2.91个百分点;该模型可有效地消除背景噪声和字符自身噪声,提高识别性能.

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。

基于轻量级UNet的复杂背景字符语义分割网络

针对传统复杂背景字符分割算法的不足,提出了一种基于轻量级UNet的复杂背景字符语义分割网络.网络结构基于UNet,在特征提取模块中,将传统卷积变为深度可分离卷积,减少了网络特征提取模块的参数量以及计算量,并引入残差学习模块解决网络退化问题.在自制数据集以及H-DIBCO2018公开数据集上展开实验,并与FCN8s、AttationUNet和UNet进行比较.实验结果表明:所提出的网络可同时兼顾计算效率与分割精度,具有实用性.

基于深度学习的轮胎压印字符检测与识别

在自动化装配线上轮胎与轮毂装配时,需要检测与识别轮胎表面的压印字符串,从而得到轮胎的品牌、型号、尺寸以及生产的年周号等信息,用以管理轮胎信息以及监控轮胎的流向。针对轮胎表面压印字符串的检测与识别问题,文章提出一种基于深度学习的轮胎胎面关键字符的检测与识别方法,搭建了可编程逻辑控制器(programmable logic controller,PLC)、工控机和工业相机的自动化检测与识别平台,通过霍夫变换及坐标变换对采集后的图像进行预处理,采用改进的更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)算法为基础检测出目标字符串位置,再通过卷积递归神经网络(convolutional recurrent neural network,CRNN)对检测出的目标字符串进行识别,同时利用编码规则校验识别结果,以提升识别结果的准确率。实验结果表明,改进后的算法在进行轮胎压印字符串的检测与识别时其准确率超过97.0%,满足工业生产应用需求。

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。

引入注意力机制的偏转字符识别算法

由于传统人工抄表成本高且受恶劣环境限制,使得智能抄表成为以后的发展方向。常见的电表主要可分为机械字轮电表和液晶电表两类。其中,由于机械字轮电表存在的偏转问题,导致其在字符识别的过程中出现了字符特征信息缺失的情况,从而使该表型识别准确率较低。为了解决此问题,本文对YOLOv5识别算法的骨干网部分进行了修改,提升了算法对机械字轮电表偏转字符的识别效果。首先,在网络模型中引入了CBAM注意力机制,提升了网络模型对偏转字符的特征提取能力。其次,将切片操作(Focus)替换成一个6×6的卷积,并使用更快的SPPF池化结构替换了原先的SPP池化结构以提升算法的运算速度。为了测试模型的识别效果,采集了329张电表偏转字符样本进行实验,整体识别准确率可以达到99.4%。同时采集了1500张液晶电表样本对模型的泛化性进行测试,识别准确率达到了99.6%。实验结果表明,本文方法解决了偏转字符识别率低的问题,同时验证了识别模型具有很强的泛化性。

基于残差网络的字符编码标志点识别

针对大尺寸结构近景摄影测量中如何提高编码标志的容量和识别率等问题,设计了一种由中心圆,字母和数字组成的字符编码标志,提出了一种基于ResNet18模型改进的字符编码点识别方法和基于Zernike矩提出的亚像素定位方法。首先,利用均值滤波、自适应阈值处理和形态学中的闭运算等方法对图像进行预处理,根据连通域分析与筛选对预处理好的图像进行分割得到字符编码点;其次,用字符编码点识别网络进行识别,最终通过亚像素定位方法对编码点进行定位。从实验结果得出字符编码点的识别准确率可达99.89%。该类标志点定位精度高,提出的识别方法准确率高。

基于改进TextSnake的印章字符检测算法

针对字符模糊、宽高比多变、与背景文字重叠等因素导致的印章字符易被漏检、误检等问题,提出基于TextSnake的印章字符检测算法,记作TextSnake-CR算法。首先在特征融合中嵌入手工设计的感受野增强模块,使浅层特征拥有更大感受视野,从而有效地降低误检率;其次提出颜色特征提取模块,用于提取印章字符中颜色特征,增强模糊印章字符的检测精度;最后改进模型的分类损失函数,抑制背景噪声对模型的干扰,进一步提高模型检测性能。实验结果表明,TextSnake-CR在公开印章数据集与自制数据集上的F值分别达到90.71%和81.79%,与其他算法相比,有效地提高了印章字符检测准确率。

基于字符注意力与词典特征的教育领域实体识别

针对现有的实体识别方法未考虑教育领域术语对模型识别性能的影响,导致模型性能不佳以及知识实体边界模糊问题,提出了一种基于字符注意力与词典特征的教育领域实体识别方法。该方法首先通过BERT预处理语言模型根据上下文语义信息生成字向量,提出基于词性的字符注意力机制重新分配句子中字的权重。然后与构建的教育领域词典特征拼接融合,将其输入到BiLSTM网络与IDCNN网络提取特征,通过注意力机制将两层的输出动态组合,对两层的输出进行加权,从而融合新的特征。最后通过条件随机场进行计算,得到实体对应的标签序列。与现有方法相比,该方法在教育学科领域文本库中获得了更高的精度,识别结果的准确率、召回率、F1值分别为90.71%,91.37%,91.04%。

基于藏文字符感知的文本预训练模型方法研究

目前藏文预训练模型主要使用音节作为藏文单词表示。采用音节嵌入构建藏文单词表示,会存在藏文单词表示不完整且鲁棒性不高的问题。为了应对这一挑战,提出了一个名为藏文字符感知的预训练模型,该模型融合藏文字符、字丁和音节三个维度的特征,从藏文更细粒度的信息表征藏文单词特征。利用原始数据集和对抗性拼写错误测试集,评估了所提出的方法在藏文自动分词和命名实体识别任务上的性能。实验结果表明,该方法可以同时提高藏文预训练语言模型的性能和鲁棒性。

基于字形的汉字字符复杂度算法及其应用

汉字字符复杂度是影响汉字识别的重要因素之一,常以笔画数代表,而字形对视觉复杂度的影响尚未得到充分研究。本研究引入汉字字符复杂度的新算法,即将汉字处理为图像后对汉字轮廓进行分块切割,计算字形整体的周长复杂度,得出汉字字符复杂度值。本研究尝试将新算法应用于国际中文教育的字表研究,发现:相较于用笔画数代表汉字字符复杂度的传统方法,新算法计算出的汉字字符复杂度更能够体现同一笔画数下不同汉字视觉上的字形差异;以国际中文教育领域的等级字表为样本,部分等级之间汉字字符复杂度无显著差异。

一种工控协议识别中的特征字符串挖掘算法

对工控协议的识别,是对工控协议开展研究的第一步。而在通信过程中频繁出现的字符串,是对工控协议识别中的重要特征。针对工控协议识别中特征字符串的提取问题,提出了一种自顶向下的频繁字符串挖掘算法,可以直接得到没有冗余的频繁字符串集。同时,对于自顶向下方法中原始数据过于庞大、算法迭代次数较多等问题,借鉴了N-gram模型,提出了一种数据划分策略,解决了自顶向下处理时数据过大的问题。此外,在挖掘频繁字符串的过程中,采取了删除重叠项与字符串分裂相结合的方法。实验结果表明,该算法针对多种协议均能识别出其中的特征字符串;同时,利用识别出的字符串作为特征,在协议识别工作中也能取得良好的效果。可以得出结论,该算法能够较好地提取出工控协议中的特征字符串。

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。

藏文字符编码发展历程回顾与思考

藏语文是藏族群众重要的交际工具,藏语文使用有着悠久的历史,藏文文献蕴含着难以估计的独特文化价值。自20世纪80年代,藏文信息技术研究开始起步,至今已超过40年,藏文信息处理的基础是藏文字符编码研究。文章详细回顾了藏文字符编码的创制和发展历程,归纳划分出数码转化、万“码”奔腾、标准编码发布和标准编码修订完善四个发展时期,并针对目前藏文字符编码存在的一些问题进行详细分析并提出合适的解决方案。

面向公共服务的中文编码字符集实用子集的构建方法研究

针对我国公共服务场景对中文编码字符集实用子集的需求,基于汉字和汉字编码字符集的历史和现状分析,提出构建实用子集的构想并探讨了可能的实现方法,分析了自底向上的构建方法和自顶向下的构建方法,并对涉及生僻字的公共服务场景的汉字使用提出了若干建议。

关于外文字符的字体

l.正体外文字母的常用场合(1)计量单位和SI词头符号。(2)数学式中的运算符号和缩写号,如:微分号d,有限增量符号Δ,变分号δ,极限lim,行列式det,最大值max等。

关于外文字符的字体

1.正体外文字母的常用场合(1)计量单位和SI词头符号。(2)数学式中的运算符号和缩写号,如:微分号d,有限增量符号Δ,变分号δ,极限lim,行列式det,最大值max等。(3)其值不变的数学常数符号:圆周率π,自然对数的底e,虚数单位i(电工中常用j)。