基于卷积神经网络的压印字符预处理

压印字符被广泛用于制造中以记录产品信息,高效地识别压印字符具有很大的价值。与传统的光学字符识别(OCR)不同,图像增强是识别压印字符的重要步骤。文中提出了一种基于卷积神经网络(CNN)的增强算法,以改善压印字符与背景之间的对比度。然后,结合研究对象即鞋底本身的特点,提出了一种预处理方法将鞋底圆孔去除:利用CNN和图像像素值相与计算法结合去除鞋底圆孔,之后,可以将常规的OCR算法直接应用于处理后的图像。对带有压印字符的鞋底进行了实验,结果表明该算法可以有效地对压印字符进行预处理。

基于深度神经网络的电网设备铭牌识别方法

为实现电网组织结构的全局路径规划,提出基于深度神经网络的电网设备铭牌识别方法。按照主要网络体系的连接要求,设置调节电网编码器及电力卷积层结构,完成基于深度神经网络的电网架构匹配处理。在此基础上,实施铭牌字符预处理技术,结合候选字符的识别与排列标准,建立集中性的识别规则,实现基于深度神经网络电网设备铭牌识别方法的顺利应用。对比实验结果表明,与OpenCV识别手段相比,应用新型识别方法后,单位时间内累积的电子数据总量开始大幅下降,铭牌信息定位精准性也提升至90%以上,整个电网组织结构的全局路径规划问题得到有效解决。

基于熵功率的手写识别系统设计

为了使语言障碍者克服障碍,通过电话等现代通信手段与其他人进行语言沟通,设计了一套实用且低成本的手写识别语音播报系统。语言障碍者在触摸屏上书写汉字字符,书写轨迹坐标经过处理转化为二值图像,再经过坐标数据的平均化、平滑处理、非线性规范、改进的Bresenham算法等预处理操作,最后调用基于熵功率的字符识别算法。字符识别完成后,将识别得到的字符编码分帧发送至TTS语音器件输出模拟音频。实验证明该系统识别准确率较高,平均达到92%,接近实际应用标准,因此该系统具有一定实用性和市场价值。