期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
基于深度学习的微观芯片字符识别系统 被引量:1
1
作者 李晔彬 刘娟秀 +1 位作者 王旭东 王兴国 《兵器装备工程学报》 CAS CSCD 北大核心 2022年第7期25-31,共7页
针对传统的形态分割和模板匹配文字识别方法存在着识别精度低和不稳定的问题,为工业检测领域的芯片字符识别设计了一套基于深度学习的智能光学字符识别系统。该系统基于可微分二值化网络(detection with differentiable binarization ne... 针对传统的形态分割和模板匹配文字识别方法存在着识别精度低和不稳定的问题,为工业检测领域的芯片字符识别设计了一套基于深度学习的智能光学字符识别系统。该系统基于可微分二值化网络(detection with differentiable binarization network,DBNet)、方向分类器和卷积网络,3个阶段分别训练深度模型实现文本区域的检测、文本方向分类和字符识别,最后进行串联推理完成微观芯片字符的自动化识别。同时针对显微场景下芯片字符图像易受光照干扰,采用数据增强与扩充、更换网络骨架、更改网络卷积步长,解决了复杂背景下微观芯片字符识别易误检的问题。工业生产线上的实际测试结果表明,该系统的识别准确率达到99.9%,误检率3.4?,速度0.56 s/张,极大地提升了字符识别正确率和效率,降低了误检率。最终的识别结果可以直接在云端远程实时查看,简化了传统工业字符识别流程,有助于工业智能化检测进一步发展和提高。 展开更多
关键词 深度学习 字符检测 字符识别 工业图像识别 方向分类器 系统设计
下载PDF
OCR智能识别技术在工器具管理中的研究与应用 被引量:1
2
作者 余汉伟 张志峰 李立光 《科技创新与应用》 2022年第32期42-45,共4页
目前电力行业所用工器具存在管理烦琐、出入库追溯困难等现象,针对电力行业的设备编码,基于OCR智能识别技术,进行定制化的技术开发。为提高该项技术的识别速率与准确率,制定了技术路线,分别研发了dskj_device_det、dskj_director_cls、d... 目前电力行业所用工器具存在管理烦琐、出入库追溯困难等现象,针对电力行业的设备编码,基于OCR智能识别技术,进行定制化的技术开发。为提高该项技术的识别速率与准确率,制定了技术路线,分别研发了dskj_device_det、dskj_director_cls、dskj_pact和dskj_quant等技术算法,这些算法涉及到数据预处理、方向分类器、设备编码检测、设备编码识别、模型推理速度优化及模型开发与部署。运用该套算法编译的OCR智能识别程序对100套工器具进行扫描识别,试验结果为用时469 s,正确个数91套,识别准确率达到90%以上,达到推广的目标。 展开更多
关键词 OCR智能识别技术 追溯管理 识别速率 准确率 数据增强 方向分类器
下载PDF
基于改进的深度卷积神经网络的人脸疲劳检测 被引量:16
3
作者 冯文文 曹银杰 +1 位作者 李晓琳 胡卫生 《科学技术与工程》 北大核心 2020年第14期5680-5687,共8页
针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检... 针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。 展开更多
关键词 疲劳检测 含有方向的梯度直方图和级联分类器(HOG+SVM) 级联回归(ERT)算法 深度学习 卷积神经网络 中心损失
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部