基于深度学习的模板化手写表单信息提取方法

手写纸质表单作为制造企业各部门之间信息传递的重要数据载体,其关键信息的提取对于企业生产、管理和决策具有重要意义。然而,当前手写表单信息提取方案在复杂文本布局中很难准确快速地抽取关键信息。为解决这一问题,提出了一种两阶段的模板化手写表单信息提取方法,仅需一张图片即可完成模板搭建,聚焦于用户关心的信息,并规避了传统关系抽取任务在复杂表格中潜在的逻辑错误。首先,对于一个特定种类的表格图片,直接在图像上标注希望识别的区域,并为这些区域分配对应的key值。然后,采用高分辨率网络提高对小文本的检测精确率,并提出多分辨率均匀分割的混洗的策略使得检测模型在性能和参数都取得良好表现。同时引入时域卷积网络和自注意力机制使得识别模型能够较好地应对手写字体由于书写速度和书写工具的原因造成的字迹模糊、不清晰和笔画缺失等情况。识别完成后,系统将识别结果与预设的key值进行绑定,形成结构化的输出。实验结果表明,与典型ResNet50模型相比,在模型参数几乎相等的情况下,小文本检测准确性提升15.8百分点。文本识别任务中,模型在CASIA-HWDB2.0-2.2数据集上的字符准精确率可达99.30%。在文本框未完全涵盖整个文本行的情况下,字符准精确率仅下降0.55百分点,表明文本识别模型具有较好的鲁棒性。

票据中手写体数字串的提取

针对票据识别中 ,手写体数字串常与表格线粘连的情况 ,提出一种提取手写体数字串的办法 .先通过对票据进行预处理 ,去掉表格线 ,并得出特征点 ,通过计算伪去除区域两端的一些特征参量 ,对伪去除区域进行恢复 ,从而提出完整的数字串 .

手写表格识别系统研究和实现

对手写表格数字识别系统进行研究,提出了输出规则的概念,解决了常用表格数据识别处理的输出描述问题。用此方法已成功地开发出手写数字表格识别处理系统,该系统具有运算量小、抗干扰性强、通用性好、识别率高等特点。

自由手写体数字表格自动识别系统

自由手写体的识别是模式识别的一个重要课题,该文论述了一个面向具体应用领域的集数据表格的描扫、识别、数据自动入库为一体的软件系统,研究了数字的切分、快速识别等关键技术。采用了一种基于笔道方向的手写体数字识别的方法。

自由手写体数字表格自动识别录入系统的研制

介绍了自由手写体数字表格自动识别录入系统的研制情况及该系统的组成结构和相关 技术。

基于BP神经网络的规范手写体数字离线识别

手写体数字离线识别一直是模式识别研究的热点问题。手写体数字具有多变性和随意性较强的特点,在实际应用中对识别率要求较高,针对这一问题,设计了基于BP神经网络的手写体数字离线识别分类器,并按照规范手写体标准设计了训练样本和测试样本,通过仿真验证了此方法的有效性,识别率达到了81%。

表格手写数字自动录入软件系统的研究

阐述了一种实用的表格自动处理系统的实现方法.并针对表格自动处理系统中的一些问题提出了新的算法,如表格体的倾斜校正快速算法、手写数字多余横向笔画的去除算法等.这些算法的提出使整个表格处理系统的处理效率和处理精度都得到了一定的提高.

基于 OCR 技术的金融和财务票据自动录入与管理系统

讨论了ＯＣＲ技术与金融和财务票据自动录入中的应用，以及自动录入系统的总体分析与设计。

手写数字识别研究

图像中手写数字的识别一直被人研究探索,目前国内外提出的识别方法大致分为两种:基于BP神经网络统计特征识别算法、基于几何形体结构特征识别算法。文章在前人探索的形体结构特征算法基础上进行改进优化,利用孔洞、端点、交叉点等特征进行识别外,同时发现新的特征、新的方法:离心率、行列扫描区域数量、区域骨架搜索。组合这些形体特征和方法,可完成手写数字的识别。实验证明手写数字识别在识别准确率上优于先前传统形体结构特征方法。

基于层次分类的脱机手写字符识别

人类在进行字符识别活动时,会根据对象复杂度的不同,采用不同的识别方法。对于结构简单的字符,利用宏观整体信息识别;对于易混淆的形近字,利用微观具体信息区分。为了模拟人类智能进行字符识别活动的过程,设计了一种基于层次分类的脱机手写字符识别算法。该算法将分类器划分为宏观层和微观层,宏观层模拟简单字符识别过程,利用基于梯度的统计特征描述整体信息,完成识别;微观层模拟形近字识别过程,利用基于主曲线的结构特征描述具体信息,完成区分。算法还引入了可信度概念,用以量度推理过程及识别结果的不确定性程度。给出了形近字的定义及区分规则。实验表明,提出的算法有效地提高了脱机手写字符的识别率,对形近字的区分效果尤佳。

手写体汉字集成识别技术的研究

手写体汉字的计算机自动识别是一个高难度的模式识别问题 ,用单一识别方法难以达到理想的识别率 .本文首先分析了汉字识别方法的基本特点以及字符集成识别技术中存在的问题 ,然后结合认知科学的研究成果 ,提出了手写体汉字层次集成识别的思想 .

基于深度卷积神经网络的智能试卷合分系统

传统的纸质试卷合分需要依靠人工进行分数的识别与汇总,这种方法难免会出现耗费人力、时间、精力,合分效率很低且易出错误等问题.结合上述实际问题,该文设计并实现了一种基于深度卷积神经网络的智能试卷合分系统,利用摄像头实时获取试卷卷头分数栏信息,实现带有小数点的手写分数的识别与各题分数求和功能,且能够适应不同种类的试卷,具有较强的鲁棒性.该设计基于Mask R-CNN的网络结构进行表格检测定位,并应用了LeNet-5网络对手写数字进行识别,最后将每道题识别出来的分数与通过函数计算得到的总分显示在GUI界面中.实验表明,该系统能够实现对含有小数点的手写试卷分数进行识别与求和,具有较大的实际应用前景.

基于深度学习的手写表格识别系统研究与实现

为了对非固定样式的手写表格文档进行批量识别处理,实现自动录入功能,首先通过空表识别生成单元格信息,分析版面结构;其次对图片进行去噪、倾斜校正、二值化等处理,对手写内容进行分割;最后搭建识别手写字符的卷积神经网络。实验结果表明,最终实现的识别系统能对不同格式的手写表格进行识别并生成数据格式文件。基于空表识别得到单元格信息的手写表格识别系统能对不同样式的表格进行批量识别处理,且通过CNN搭建识别模型,手写汉字也能被识别,使系统通用性更好,便于应用扩展。

基于混合二值化的表格手写数字串的完整提取

对表格手写数字串的提取问题进行研究,提出一种基于混合二值化的单元格字符准确定位和完整提取方法,其核心是感兴趣单元格的定位与提取和断裂笔划的修复.该方法可克服书写时带来的各种常规影响,把表格中的手写数字完整提取出来.实验结果表明本文方法的有效性.