基于机器视觉的英语翻译机器人错误文本检测系统

为实现智能、高效地英语翻译错误文本检测,设计一种基于机器视觉的英语翻译机器人错误文本检测系统。系统的硬件模块包括光源模块、图像获取模块、机器视觉模块构成。其中在光源模块中,主要通过光源获取有明显对照的图像。图像获取模块由图像传感器、摄像机、图像采集卡、IEEE1394接口构成。机器视觉模块由工控机、机械手构成。系统的软件模块包括图像预处理模块、字符区域提取模块、字符分类模块、错误文本检测模块。其中图像预处理模块能够实现采集图像的灰度处理。字符区域提取模块主要通过MSERs算法实施字符区域提取。字符分类模块主要用于评价各MSERs,也就是将各MSERs分类成非字符或字符,使用的分类器为AdaBoost。错误文本检测模块主要使用卷积神经网络搭建正确文本与错误文本的分类器。通过硬件与软件相结合,实现应用翻译错误文本的检测。对设计系统实施应用与测试,测试结果为设计系统的漏检字符数与错检字符数都较少,有着良好的错误文本检测性能。

基于机器视觉的英语翻译机器人错误文本检测系统

为实现智能、高效的英语翻译错误文本检测,设计一种基于机器视觉的英语翻译机器人错误文本检测系统。系统的硬件模块包括光源模块、图像获取模块、机器视觉模块构成。其中在光源模块中,主要通过光源获取有明显对照的图像。图像获取模块由图像传感器、摄像机、图像采集卡、IEEE1394接口构成。机器视觉模块由工控机、机械手构成。系统的软件模块包括图像预处理模块、字符区域提取模块、字符分类模块、错误文本检测模块。其中图像预处理模块能够实现采集图像的灰度处理。字符区域提取模块主要通过MSERs算法实施字符区域提取。字符分类模块主要用于评价各MSERs,也就是将各MSERs分类成非字符或字符,使用的分类器为AdaBoost。错误文本检测模块主要使用卷积神经网络搭建正确文本与错误文本的分类器。通过硬件与软件相结合,实现应用翻译错误文本的检测。对设计系统实施应用与测试,测试结果为设计系统的漏检字符数与错检字符数都较少,有着良好的错误文本检测性能。

基于改进机器学习的智能英语翻译机器人在线校准系统研究

针对传统英语翻译机器人在线校准系统的翻译质量差、译文质量估计不准确的问题,提出基于BiLSTM算法,构建CUNQE译文质量估计模型;之后在CUNQE模型的基础上进行英语翻译机器人在线校准系统整体结构设计。实验结果表明,在传统译文质量估计方法中加入语境词向量后,译文质量估计的准确性有效提升。相较于UNQE方法,CUNQE方法译文质量和相关性明显增强。且在汉英翻译和英汉翻译中,本方法的皮尔森相关系数均比传统UNQE模型高出了1.6%和2.4%。由此可知,提出的CUNQE方法能够进一步提升译文估计质量,具备一定的有效性。

基于连续隐马尔科夫模型的英语翻译机器人语音识别系统

语音识别系统在音频质量较差时,经常出现识别错误的情况,为提高识别精度,基于连续隐马尔科夫模型设计英语翻译机器人语音识别系统。在硬件中,设计音频信号接收器和机器人音频识别模块主处理器。在软件中,对音频信号量化并预加重处理,计算帧移距离与每帧长度之间的比值,获取模拟信号转换频率与基本单位量化指标;基于连续隐马尔可夫模型构建语音文本解编码器,计算窗函数的宽度,在网格中获取马尔科夫链概率路径,比较不同概率路径的复杂度;设计英语翻译机器人语音识别算法,得到英语翻译机器人的语音识别结果。由实验数据可知:该系统在三种不同音频质量下的语音识别准确率均在75%以上,较其他系统更稳定,在同等音频质量下,准确率更高,可见连续隐马尔可夫模型的语音识别系统优于其他系统。

基于深度学习的英语翻译机器人错误文本检测系统研究

针对传统英语翻译机器人在错误文本检测中存在语法纠错准确率低的问题,以英语翻译机器人错误检测系统为研究对象,提出构建一个双编码器的语法错误纠正模型。此模型分别采用Transformer编码器和Bi-GRU编码器对句子上下文信息和源句进行特征提取;之后利用解码器端的门控结构对输入的相关特征信息进行整合,由此实现各个特征与注意力机制的适配。实验结果表明,在CoNLL-2014数据集中,本模型的精确率、召回率和F0.5分别取值为85.42%、42.31%和75.33%,均高于传统的Nested-GRU*模型和SMT+NMT+FST-LM混合模型,本模型的F0.5值比前两者模型分别高出了32.97%和14.62%。且本模型的GLEU值取值为85.93%,超出前两种模型39.14%和25.62%。由此可知,本模型可实现英语翻译机器人语法错误准确检测和纠正,语法纠错精确率高达81.08%,可在英语错误文本检测系统中进行应用。

基于语音合成的英语机器翻译机器人设计

针对当前英语翻译机器人的语音合成真实度低,导致人机交互效果不佳的问题,设计一个基于语音合成的英语翻译机器人,该机器人采用Bert TTS语音合成模型。在Seq2Seq结构基础上,加入注意力机制获取输入语音的梅尔声谱图;然后分别采用预训练的Bert和WaveNet网络架构作为编码器和语音生成器,学习生成英语语言的时域波形并通过Bert TTS模型合成语音。实验结果表明,在相同语音数据集中,本模型的合成语音自然度MOS和相似度MOS得分分别保持在378985分和4.12分左右,与真实语音间的误差较小。在500次和1 000次迭代过程中,本模型的MOS得分为4.56分和4.42分,均高于传统Tacotron2语音合成模型。由此可知,模型可提升英语语音合成真实度和自然度,语音合成质量显著提高。

英语机器翻译人翻译错误自动检测系统研究

针对英语翻译机器人对英语翻译错误语句自动检测准确率低的问题,提出LM-NMT的英语翻译自动检测系统。该系统分为硬件部分和软件部分,硬件部分设计主要分为语音传感器、语音处理器与通信芯片;软件设计包括语音采集模块、语音处理模块与自动检测模块,其中,通过LM语言模型对输入英语语句错误语句进行规则匹配和错误检测,并将其与NMT技术相结合,从而实现翻译错误自动准确检测。实验结果表明,对比于传统的语言模型,提出模型的精度、召回率和F值分别为0.96、0.98和0.97,均优于传统BP神经翻译错误自动评判系统。且本系统的翻译错误自动检测准确率最高可达96.5%,误判率仅为3.5%。综合分析可知,本系统对英语语句的语法错误检测准确率较高,可实现翻译错误自动检测,系统性能优越。

基于改进Seq2Seq的翻译机器人纠错系统设计

针对传统英语翻译的语法纠错系统存在英语语法错误检测准确率低,纠正效果不佳的问题,提出一种基于Seq2Seq神经网络的英语翻译语法纠错模型。首先,采用Seq2Seq神经网络中的Encode部分对输入序列进行建模,并输出此序列的语义向量;然后在Decode部分引入Attention机制,实现原始序列到目标序列的直接映射,从而完成英语语法纠错。实验结果表明,在CoNLL2018数据集的英语语法纠错测试结果中,本模型的准确率、召回率和F_(0.5)值分别为35.44%、40.68%和32.56%,均高于传统CAMB语法纠错模型。在英语冠词错误纠正结果中,本方法的F_(0.5)取值为32.36%,比传统UIUC方法和Corpus GEC方法高出了7.02%和2.76%;介词错误纠错实验中,本方法比另外两种方法高出了5.91%和13.15%。综合分析可知,本模型对英语翻译语法纠错准确率和精度更高,对比于传统的语法纠错模型纠错效果更好,可在英语翻译机器人语法纠错系统中进行广泛应用和推广。