轻量级柱面线杆标识牌字符识别算法

为全面、准确、快速地提取柱面电线杆标识牌信息,提出一种轻量级柱面电线杆标识牌字符识别算法Tiny-DBNet-CRNN。对柱面图像进行反投影矫正展平;融合注意力机制,利用深度可分离卷积残差块,构建轻量级文本检测网络分割出文本区域;构建字符识别模型CRNN输出标识牌字符信息。采用真实场景数据和ICDAR 2015数据进行实验,结果与当前流行模型相比,Tiny-DBNet-CRNN字符识别正确率提升了40.3%,达95.11%;在精度下降0.60%的微小损失下,检测速度提升3倍,参数规模上总体下降45.15%。

基于深度学习的工业视觉箱体字符识别与判断

工厂生产线上的商品包装外箱文本印刷存在残缺,无法及时检出会影响流通销售。制作工业商品外观信息数据集,提出基于深度学习的工业视觉箱体字符识别与匹配判断方法。合并YOLOv3中的卷积层和批量归一化层,引入GIoU作为边界框损失函数并设计自适应调整定位坐标的方法,优化在原始图像上进行文本检测定位的速度与精度。同时,训练并对比CRNN和Tesseract两种识别引擎在已裁剪文本图片上的识别性能,设计字符匹配方法判断字符识别正确与否并输出结果,从而减少误判。对基于该方法的系统进行生产线实测,实验结果表明,其识别准确率可达99.5%,单件商品的外观拍照、检测识别、输出结果耗时仅3 s左右,表明所提方法能够实现实时监测。

基于NVIDIA TX2的喷码字符检测算法

针对复杂商品背景下喷码字符漏喷、重叠、缺失等现象,提出一种基于YOLOv5+CRNN的喷码字符检测算法。喷码字符定位算法以YOLOv5为基础网络,结合注意力机制提高其检测精度,再通过稀疏训练和通道剪枝降低模型参数量与复杂度,最终检测精度提高了3.4个百分点,模型参数量降低了6.7 MB。对定位后的字符区域进行背景擦除和透视变换处理后送入CRNN网络实现喷码字符识别,最终将改进后的算法部署至NVIDIA TX2嵌入式平台。通过在食品包装工厂生产流水线实测,检测速度达到28 frame/s,字符定位精度99.4%,识别率95%,且具有很好的鲁棒性。

基于HOG特征提取的预算绩效系统设计

为进一步提升企业财务预算绩效管理水平,提出一种基于HOG特征提取结合深度学习的预算绩效系统。其中,在构建企业预算绩效系统整体框架基础上,重点就图像处理技术在预算绩效系统中的应用进行设计。为提高企业预算绩效系统的自动化能力,对预算的部分票据等采用HOG进行特征提取,对预算清单中的文本信息采用CRNN进行识别。仿真结果表明,HOG特征提取结合CRNN识别可有效识别预算文本信息,且识别精确率达到了97.9%。以上实验结果验证了本研究设计的预算绩效系统的可行性和合理性,具有一定的使用价值。