基于改进DBNet与改进CRNN的集装箱箱号识别系统

针对当前集装箱箱号识别算法定位不准确,对倾斜、扭曲文本识别能力弱的问题,提出了一种基于改进DBNet与改进CRNN的集装箱箱号识别算法。在DBNet的特征提取网络中引入了注意力机制,有效提升了其文本定位能力;在CRNN中引入了空间变换网络,增强了其对倾斜、扭曲文本的识别能力。将文本定位与识别模型联合串联推理,在测试场景下达到了98.3%的识别率,具有实用价值。

基于改进PSENet-CRNN的工件编码字符识别算法

由于传统识别方法在面对工业环境的复杂性时表现出较低的准确率和鲁棒性,提出了一种基于改进PSENet-CRNN的工件编码字符识别算法。结合了PSENet在字符分割方面的优势和CRNN在序列建模方面的特长,旨在提高在复杂工业环境下的字符识别性能。通过改进网络结构、优化训练策略等手段,新算法有效解决了字符粘连、光照不均、背景干扰等问题,显著提升了识别准确率和鲁棒性。实验结果表明,新算法在多种评价指标上均优于传统方法和其他先进算法,为智能制造领域提供了一种高效、稳定的字符识别解决方案。

基于双图转换和融合CRNN网络的轴承故障诊断

针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码方法将一维序列信号转换为二维图像。将转换后的两种模态图像同时输入多CRNN融合的Fu-CRNN网络模型,充分汲取两种转换方法优点并提高CRNN模型特征表达能力。实现轴承信号特征自适应提取及端到端诊断。为验证该方法的可靠性与优越性,选用凯斯西储大学滚动轴承数据集进行轴承故障诊断试验,并比较分析诊断性能。结果表明,所提模型识别准确率和泛化效果均优于单一模态样本输入模型,相较于其他常用算法表现更出色,可为样本构建和轴承故障诊断方法提供参考。

基于改进YOLOv5与CRNN的电表示数识别

为了提高电表示数检测和识别的准确率,基于轻量高效的YOLOv5s网络提出了改进的目标检测网络。首先,在特征提取阶段添加CBAM注意力机制对图像的重要特征进行自主学习,并设计了一种特征融合网络D-BiFPN加强了对深层特征的提取;其次,引入CIOU损失函数,使目标框的回归更加稳定。对CRNN文本识别算法的主干网络进行改进,模型保持轻量化的特点,在移动端部署上有良好的前景。最后,在电表数据集上测试得出:相比于YOLOv5算法,所提出的算法精度均值提升了5.13%;相比于CRNN算法,所提出的文本识别算法准确率提升了7.4%。实验结果表明,改进后的文本检测算法对电表示数的检测精度较高,文本识别算法准确率和速度较高,满足电表示数检测识别的实际应用需求。

基于改进PSENet与CRNN网络的智能电能表文本识别技术研究

电网系统的不断发展与智能化带来了庞大的计量需求,其中智能电能表作为主要计量设备得以广泛铺设,然而不同品牌、型号和批次的智能电能表携带的电能表信息也相差甚远,非智能的人工信息采集方式已经严重阻碍了电能表设备升级发展与采集安全,制约了电力资产管理的质量和水平。文中将文本识别技术应用于智能电能表的信息采集过程,设计一种两阶段的系统对电能表图片中的文本信息进行检测并识别,实现了电能表信息智能化采集,提高了智能电能表信息提取的效率和安全性。文中的两阶段系统包括文本检测模块和文本识别模块,文本检测模块通过改进的PSENet网络对电能表图片中的文本位置进行检测,文本识别模块通过CRNN网络对检测到的文本框进行识别。算法本身不受输入图像的质量和场景束缚,并且对面临的字体大小不一、曝光过高或过低等问题具有较强的抗干扰能力,对电能表图片中的汉字、英文和数字都具有很高的识别精度。

基于DP-DBNet和MHA-CRNN的船牌号检测与识别

船牌号的检测和识别对于港口的智能化管理和解决传统人工方式监管渔船中存在的耗时耗力的问题具有重要意义.针对船牌悬挂位置,背景颜色和字符个数不统一等特点,本文提出两阶段双模型的检测和识别方法.首先,提出将双路径网络(dual path networks, DPN)与可微二值化网络(differentiable binarization network, DBNet)相结合的DP-DBNet船牌号位置检测模型.其次,提出将多头注意力机制(multi-head-attention mechanism, MHA)与改进的卷积循环神经网络(convolutional recurrent neural network, CRNN)相结合的MHA-CRNN船牌号文字识别模型.最后,以烟台芝罘区新型现代化智慧渔港项目为数据来源,并进行算法对比实验分析;实验结果表明,两种模型结合的两阶段识别方法可以使船牌号的识别准确率达到76.39%,充分证明了该模型的有效性和在海洋港口管理方面的应用价值.

基于CRNN改进的中文手写体文本行识别

中文手写体文本行识别可以将纸质书写内容转换为可编辑的电子内容。对于手写体书写随意性大、中文字符种类多,且基于字符分割的方法识别准确率不高这些问题,提出基于卷积循环神经网络改进的端到端的中文手写体识别方法。首先将图片传入基于改进的Inception结构的特征提取网络,该网络首先改进GoogLeNet模型,然后在此基础上又改进添加卷积模块的注意力机制模块和Inception组合结构,改进后的模型能更好地提取图片的有效特征;之后将提取到的图片特征传入循环层,即两层双向长短时记忆网络进行预测;最后将预测序列传入转录层,经过连接时序分类进行转录输出。在CASIA-HWDB2数据集的实验结果表明,该方法能获得95.12%的识别准确率,证明方法的可行性。

交通网络中移动对象定点CRNN查询算法

目的在交通网络中实现移动对象的定点CRNN查询监控,确定受到定点影响的移动对象集合.方法根据交通网络的特征,定义网络中RNN的概念,采用PMR四叉树来索引交通网络结构,利用监控树来简化对网络上移动对象的计算判断和监控.结果测试显示该算法能够针对现实交通网络,实现定点CRNN的查询监控.结论实验表明,在移动对象和查询数量增大时,该算法显示出较好的伸缩性.

一种基于改进EAST网络和改进CRNN网络的火车票站名识别系统

为实现火车票图像中火车站站名的实时检测与准确识别,提出一种EAST网络和改进CRNN网络相结合的火车票站名识别系统。首先,利用canny算子和霍夫变换进行火车票边缘检测,通过透视变换校正火车票图像,使其水平摆放且尺寸统一;接着,采用改进的EAST网络检测火车票中的文本区域,并从中提取出站名拼音区域及车次区域;进而,应用改进的CRNN网络识别出站名拼音及车次信息,最后通过匹对数据库,将站名拼音匹配度最高的站名汉字作为最终的火车票站名识别结果。实验证明,本文的识别方法识别准确率为98.3%,单张图片平均处理时间为1.24ms,能够在不同光照、阴影和图像抖动的情况下,准确地实时地识别出火车票站名。

CRNN在食管鳞癌癌化区域的表达研究

目的:探讨Cornulin(CRNN)基因在食管癌早期癌化区域与食管癌组织、正常食管组织间的表达。方法:选取我院2016年1~12月病理诊断的食管鳞癌切除标本68例,通过Real-Time PCR法从RNA水平检测CRNN在食管鳞状细胞癌组织、癌化区域组织和正常食管黏膜组织中的表达。结果:CRNN基因在食管鳞状细胞癌组织与正常食管黏膜组织中表达差异具有统计学意义(P<0.05),在癌化区域组织与正常食管黏膜组织中表达差异有统计学意义(P<0.05)。结论:CRNN基因在各组织中表达具有差异,在食管癌组织中高表达。

基于改进CRNN算法的电动自行车车牌识别研究

基于成熟的机动车违章牌照识别系统及电动自行车车牌和机动车车牌的相似性,提出了基于深度学习的电动自行车车牌识别算法:对数据集使用了数据增强以及增加仿造车牌的方法进行扩充,有效提升了数据质量;将所有车牌图像输入改进的卷积神经网络并提取特征,通过双向长短期记忆(bidirectional long short-term memory,BiLSTM)循环神经网络和时序分类网络进行字符序列的识别;对于卷积循环神经网络(convolutional recurrent neural network,CRNN),本文在卷积网络部分减少了层数,调整了隐藏层的神经元个数。在广西柳州电动自行车车牌数据集上,本文提出的识别算法精准率达到98.40%,比CRNN模型提升2.80%,且对于污垢、形变、模糊等复杂自然场景下的车牌,本文的方法也能够实现有效识别,具有广泛的应用场景。

基于CRNN的中文手写识别方法研究

针对基于字符分割的中文手写识别方法存在字符分割准确率影响识别准确率和速度的问题,文中设计了一种基于卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)的中文手写识别方法,方法将特征提取、序列预测、序列对齐算法集成到同一网络,实现端到端(End-to-End)的训练和识别。模型仅需输入待识别中文手写图像,中文字符免分割,即可输出识别结果,识别的准确率(Accuracy)相较基于结构特征点字符分割识别算法提高了2.29%,同时少了识别的时间。

基于DBNet和CRNN算法的端到端企业实体识别

随着深度学习技术的发展,文字识别与自然语言处理近年来受到广泛关注.结合文字识别与自然语言处理技术解决传统方法无法处理的问题,成为企业提高自身竞争力的重要利器.自然场景文字识别分为文字的检测和识别,两者缺一不可.本研究针对传统算法存在准确率低、识别速度慢及模型不轻量化等问题,提出一种基于DBNet的检测算法,结合CRNN的识别算法,辅以CTC loss来实现端到端的企业实体识别.此外,增加命名实体识别模块,提升了识别的准确度.在实验阶段,选择准确率(Precision,P)和识别速率(False Alarm,FA)作为评价指标,实验结果表明,本算法在数据集上,有较高的准确率和较快的识别速率,验证了所提出的改进方法并具有较好的效果.

基于CRNN的CSI动作识别

随着Wi-Fi感知技术的发展,出现了大量使用Wi-Fi信道状态信息(channel state information, CSI)进行动作识别的应用。然而大多数的方法在数据预处理和训练阶段都依赖于人工构建特征,构建过程耗时耗力并且需要专家的领域知识。针对上述问题,提出一种基于CRNN(convolutional recurrent neural network)的CSI动作识别方法。将不同手势的CSI数据做低通滤波处理后,通过自组织映射(self organizing maps, SOM)聚类的结果选择最佳子载波,并对该子载波上的CSI数据进行扩增。然后,使用格拉姆角求和场(Gramian angular summation fields, GASF)方法将一维CSI数据转换成二维GASF图像,作为CNN、LSTM构成的CRNN网络的输入数据,训练过程中使用链接时序分类(connectionist temporal classification, CTC)作为损失函数。实验结果表明,该方法能在训练数据较少的情况下达到较高的识别精度,且无需手动构建特征。

基于CRNN的车牌识别方法

车牌识别是道路交通、智慧城市建设的重要组成部分,传统的车牌识别需要先检测出车牌位置,然后通过像素映射等方法分割出单个字符,最后利用模板匹配等方法进行识别。整个过程不仅速度慢,而且操作繁琐,分割或识别的效果也很难令人满意。本文基于YOLOv4-tiny和卷积循环神经网络(Convolution Recurrent Neural Network, CRNN)提出了一种端到端的方法。该方法利用注意力机制与YOLO4-tiny的融合,有效且快速的检测车牌位置,然后利用空间变换网络(Spatial Transformer Networks, STN)、残差学习(Residual Learning)以及注意力机制(Attention)与CRNN的融合高效的识别车牌信息。本文使用平均精度(Average Precision, AP)和识别准确率(Accuracy)作为检测和识别结果的主要评估指标。实验结果表明,车牌检测模型在交并比(Intersection-over-Union, IoU)为0.5的前提下AP值达到了93.60%,并且识别模型在蓝牌、绿牌的混合车牌下达到了92.15%左右的识别准确率。该方法相比于之前的车牌识别模型,不但识别准确率更高,而且能够直接通过该模型识别混合车牌,大大减少了现实情况下车牌识别的复杂度。

一种基于CRNN的车牌识别算法研究与应用

近些年来,深度学习已逐渐替代机器学习而走进大众的生活当中,尤其是机器视觉,在拍照识图、光学字符识别(OCR)、自动驾驶等领域发挥着重要作用。文章针对智能交通中的车牌识别,提出一种基于CRNN的文本序列模型。该模型实现了端到端、免分割的车牌文字识别方法,充分体现了卷积神经网络的优势,在很多场景下都表现出较好的性能。经多次测试统计,该模型的识别准确率高达98.5%,平均响应时间为100 ms,测试效果良好。

食管鳞癌组织中抑癌基因Crnn的表达及其临床意义

目的:研究Crnn蛋白在食管鳞癌组织(ESCC)中的表达及其在ESCC发生、发展及预后中的作用。方法:采用免疫组织化学方法检测组织阵列仪取样的100例ESCC组织(观察组)和相应正常食管组织(对照组)中Crnn蛋白的表达情况,并探讨其与ESCC患者年龄、性别、肿瘤细胞分化程度、淋巴结转移、TNM分期、大体分型和5年生存率的关系。结果:ESCC组织中Crnn蛋白表达阳性率(45.6%)明显低于正常组织中的表达阳性率(93.7%)(P<0.05);肿瘤组织Crnn表达下调率为53.2%;Crnn基因表达与淋巴结转移、TNM分期有关,而与年龄、性别、肿瘤细胞分化程度、和大体分型无关;Crnn蛋白表达下调的食管鳞癌患者的5年生存率明显低于Crnn蛋白正常表达的食管鳞癌患者。结论:Crnn基因表达下调可能会促进食管鳞癌的发生、发展,是食管鳞癌组织中候选的抑癌基因。

Text-CRNN+attention架构下的多类别文本信息分类

迄今为止,传统机器学习方法依赖人工提取特征,复杂度高;深度学习网络本身特征表达能力强,但模型可解释性弱导致关键特征信息丢失。为此,以网络层次结合的方式设计了CRNN并引入attention机制,提出一种Text-CRNN+attention模型用于文本分类。首先利用CNN处理局部特征的位置不变性,提取高效局部特征信息;然后在RNN进行序列特征建模时引入attention机制对每一时刻输出序列信息进行自动加权,减少关键特征的丢失,最后完成时间和空间上的特征提取。实验结果表明,提出模型较其他模型准确率提升了2%~3%;在提取文本特征时,该模型既保证了数据的局部相关性又起到强化序列特征的有效组合能力。

音频标记一致性约束CRNN声音事件检测

级联卷积神经网络(CNN)结构和循环神经网络(RNN)结构的卷积循环神经网络(CRNN)及其改进是当前主流的声音事件检测模型。然而,以端到端方式训练的CRNN声音事件检测模型无法从功能上约束CNN和RNN结构的作用。针对这一问题,该文提出了音频标记一致性约束CRNN声音事件检测方法(ATCC-CRNN)。该方法在CRNN模型的声音事件分类网络中添加了CRNN音频标记分支,同时增加了CNN音频标记网络对CRNN网络CNN结构输出的特征图进行音频标记。然后,通过在模型训练阶段限定CNN和CRNN的音频标记预测结果一致使CRNN模型的CNN结构更关注音频标记任务,RNN结构更关注建立音频样本的帧间关系。从而使CRNN模型的CNN和RNN结构具备了不同的特征描述功能。该文在IEEE DCASE 2019国际竞赛家庭环境声音事件检测任务(任务4)的数据集上进行了实验。实验结果显示:提出的ATCC-CRNN方法显著提高了CRNN模型的声音事件检测性能,在验证集和评估集上的F1得分提高了3.7%以上。这表明提出的ATCC-CRNN方法促进了CRNN模型的功能划分,有效改善了CRNN声音事件检测模型的泛化能力。

基于CRNN和EnCTC的英文手写体识别研究

手写体识别一直是OCR领域的一个热点与难点,随着深度学习快速发展,在OCR领域取得不错的成果。论文设计了一种基于卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)和最大熵CTC(EnCTC)损失函数进行离线手写体英文识别方法,通过空间转换网络(STN)对数据样本进行几何转换,通过CNN网络提取文字图像特征序列,利用多层BiLSTM网络来学习特征序列的上下文信息,最后使用EnCTC损失函数来进行转录解码,在整个结构上实现了端到端(end-to-end)的识别,不需要对单词进行分开识别,通过对比实验来证明论文算法的有效性。