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.

改进DBNet与CRNN的面标识别方法

为解决板坯喷涂面标实时识别问题,构建文本检测和识别模型。改进可微二值化算法网络,引入高效通道注意力模块SENet,进行自适应空间特征融合(ASFF),增强特征金字塔预测多尺度目标的能力。识别模型改进卷积递归神经网络的VGG网络,将卷积与循环神经网络联合训练。实验结果表明,检测模型的精确率、召回率和调和平均值达到93.30%、86.45%、89.85%,提升显著;识别模型平均准确率达到86.01%,精度提升4.99%。模型满足实时与准确性要求。

光学识别技术在机车检修记录单电子化中的应用

由检修人员填写的机车检修记录单在电子化归档过程中,采用人工筛查分类,存在效率低、耗时长的问题。为此,文章提出一种改进的基于PaddlePaddle-OCR的文本识别方法,其能准确识别检修单中关键文本内容,并依据所识别的信息实现检修单的快速分类归档。该方法首先基于傅里叶变换进行文本倾斜角度检测校正;接着,采用以可微二值化模块为头部的分割网络来实现文本区域的检测;最后,采用卷积循环神经网络完成文本区域的文字识别。实验结果表明,采用该方法后,检修记录单中关键表头信息的识别准确率在0.94以上,单张图像识别耗时小于17 s,且可批量化操作,能满足机车检修单电子化分类归档的精度与效率要求;同时,相比原版PaddlePaddle-OCR,文中所提方法在文本倾斜场景下的识别效果更好。文章最后还探索了主干网络卷积核尺寸比例对文本检测器与文本识别器的影响。