基于HALCON平台快速开发光学字符识别系统的研究

HALCON平台提供了成熟的算法包、开放式结构的功能模块及光学字符识别助手,有利于快速开发光学字符识别系统,具有功能强大、开发成本低及操作简单的优点。文章应用了平台自带的多个分类器模板对字母和数字进行识别测试,结果证明HALCON平台自带分类器模板对部分大写字母和数字的识别具有较高的准确率。在平台上创建了开放式的分类器模板,建立样本训练集文件,对分类器进行训练,使用训练后的分类器模板对汉字进行识别测试,识别准确率也较高。     

一种基于数值计算的改进BP神经网络加速算法

为增加神经网络收敛的稳定性与收敛速度,提出了一种改进的网络优化加速算法.在权值调整期间加入前N期权值结果,增强了训练的稳定性;使用Steffensen迭代算法进行加速,使网络训练较快地收敛;有效地解决了传统BP神经网络的缺点.进行数值实验,将10幅二值化后的车牌数字字符图片作为训练样本送入改进的网络与传统的BP神经网络中分别进行训练,可以看出传统BP算法在训练过程中出现了振荡且收敛速度较慢.而改进的算法误差稳步下降,没有出现传统算法中振荡的现象,且较传统算法早达到收敛稳定.     

基于BP人工神经网络的数字字符识别

提出一种基于BP人工神经网络来识别含有噪声的数字字符的方法.通过对BP网络模型进行训练,并选择纯净和带有噪声的数字字符组成样本,借助Matlab7.0实现数字字符识别,识别率为96%,达到了设计要求.     

蚁群神经网络传感器故障识别法在二次测爆装置中的应用

文章针对煤矿井下二次测爆装置中传感器主要故障,提出利用蚁群神经网络故障识别的新方法。通过蚁群算法对数据进行多次寻优,找到理想的权值,再将它们输入BP神经网络系统进行训练。此法有收敛速度快,能防止BP网络陷入局部极小点的优势。最后根据实际矿井情况模拟仿真,实验证明这种方法对比单纯使用BP网络算法,效果明显提升。     

基于卷积神经网络的纸病识别算法研究

为提升识别算法对纸病多样性的适应性,提出基于卷积神经网络的纸病识别算法。根据纸病类别多样性且形式复杂的特点,采用MSER分割算法对图像进行预处理,并利用卷积神经网络的逐层学习特性,结合Softmax分类器,建立卷积神经网络模型。对比实验表明,卷积神经网络模型具有更快的收敛速度和更高的检测准确率,验证了该识别模型的有效性。     

受限制Boltzmann机深度置信网络与手写数字识别

手写数字因为每个人的书写习惯不同而差异很大。手写数字快速有效的识别一直是图像识别领域的热门话题。提出了一种基于受限制Boltzmann机组成的深度置信网络应用于手写数字识别的算法。对训练样本图片中的手写数字进行定位,分块,计算每块的特征值;用由受限制Boltzmann机组成的深度置信网络对样本特征值进行无监督学习;使用训练好的神经网络对待测样本进行深度特征提取。结果表明:该算法可行,相对于浅层学习,深度学习在图像特征提取上有了很大提高。     

基于SqueezeNet的卷烟小盒外观检测算法在低成本硬件上的实现

文章设计一种基于SqueezeNet卷积神经网络,实现对小包外观检测.SqueezeNet卷积神经网络所使用数据集采集自昆明卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,对训练集进行数据增强及均值减法的预处理之后,送入卷积神经网络进行特征提取与分类.在MATLAB平台上进行学习与测试,使用数据集,小包外观识别准确率可达99.66％,效果较好.之后,使用树莓派作为算法实现硬件,将经过验证的SqueezeNet算法部署到树莓派中.经过验证,算法运行正常.     

基于蚁群BP神经网络算法的六维力传感器解耦研究

针对传统BP神经网络在六维力传感器解耦训练过程中,由于其初始参数的选取不确定性导致神经网络出现震荡、收敛速度缓慢和陷入局部极值等问题,提出一种基于蚁群BP神经网络算法并应用于六维力传感器解耦研究。该算法利用蚁群算法在种群寻优方面的优越性,通过局部和全局信息素更新相结合的方式更新信息素,提高蚁群算法搜索的效率,为BP神经网络提供一组最优的训练初始参数,网络收敛速度得到很大地提高,同时局部极值和震荡等缺点也有一定的改善。实验仿真结果表明,在六维力传感器神经网络模型训练过程中,达到同样的目标误差,基于蚁群BP神经网络算法的迭代次数N比传统算法少50%,运行时间T快60%。这说明蚁群BP神经网络算法在六维力传感器解耦研究中有着很好的应用效果。     

车辆牌照识别系统综述

基于图像和字符识别技术的智能化交通管理系统－车辆牌照识别系统,一般要先对原始图像进行转换、压缩、增强、水平校正等预处理,再用边缘检测法对牌照进行定位与分割,而字符识别多采用特征提取与模式匹配等方法。从中可以看出：多种预处理与识别技术有机结合以提高系统识别能力,在有效、实用的原则下将神经网络与人工智能技术相结合将成为模式识别研究的两个重要发展趋势。     

YOLOv3在教室内人数识别中的应用

针对教室内人数的自动识别场景,研究了深度学习目标检测架构YOLOv3的识别模型训练及应用。通过分析YOLOv3神经网络的全卷积架构,标注训练数据的坐标与类型,调整单一目标识别网络设置,迭代优化神经网络参数,训练出损失收敛的神经网络识别模型。经数据集验证并统计结果,分析了模型识别的精确率、召回率和准确率。实验结果表明,在100张教室截图验证测试中,其人数识别的平均准确率达到93.58%,可为学校教学管理提供相关参考数据。     

我国木材材种识别技术的新进展

介绍了传统的板材识别方法,包括人工经验识别法、对分式检索表法和穿孔卡片检索表法.总结了基于计算机识别技术的各种木材识别方法:数据库查询检索法、木材图像识别法、利用神经元网络和木材表面颜色特征对木材进行分级的方法、基于语义数据模型的识别方法、基于最大相似原理的材种判别法和木材细胞模型系统的研究进展,重点论述了基于板材端面细胞实体检测图像的数字特征参数识别法.还总结了木材识别理念的更新和进展,指出基于板材端面细胞实体检测图像的数字特征参数识别法大幅度地加快了识别和比较计算的速度,减少了传统依赖图像像素特征识别比较的不确定性.     

卷积神经网络在储粮害虫图像识别中的应用研究

立足于当今储粮害虫图像识别领域面临的技术需求,针对现有的储粮害虫图像识别算法网络结构相对复杂,辨认率低,为此,引入卷积神经网络实现储粮害虫图像的识别。简要阐述了卷积神经网络发展过程,分析其网络结构,选用5种储粮害虫作为训练样本,分析了储粮害虫图像识别过程,最后通过实验得出了基于卷积神经网络的Alexnet模型对储粮害虫图像识别的精确度达97.62%,说明基于CNN对储粮害虫图像识别具有较高的准确率。     

基于智能优化型径向基神经网络的板形模式识别研究

针对传统基于神经网络的板形模式识别方法具有网络精度较低、在线识别速度慢和网络模型建模复杂等技术问题,提出了一种基于智能优化型径向基神经网络的板形模式识别方法.在基于训练数据进行神经网络建模过程中,采用一种改进的粒子群优化控制算法进行网络架构节点数目和网络参数值的离线优化,因而所得方法具有网络结构简单、泛化能力强等优点.仿真实验结果表明,该方法是一种有效板形模式识别方法,有利于提高板形控制精度.     

基于人工神经网络的多指标综合评价方法研究

研究了利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，并以建设工程项目招标评标为背景，建立了相应的多指标综合评价BP模型。引入附加动量法和变步长算法对BP网络算法进行改造，大大提高了标准BP神经网络收敛速度与学习训练速度，为解决多指标综合评价问题提供了一条有效途径。     

基于卷积神经网络的汉服关键尺寸自动测量

在样本数据稀缺的情况下,为快速准确地获取古代汉服的关键尺寸数据,提出一种基于卷积神经网络的汉服尺寸测量方案。首先搭建1个二阶段卷积神经网络模型GlobalNet-RefineNet进行关键点检测,通过2次迁移学习和反复迭代训练提高关键点识别准确率;再利用算法得到坐标点的像素距离,结合博物馆或发掘报告中给出的汉服平铺图和至少1个真实测量尺寸,通过比例映射得到全衣的尺寸数据。以汉服上衣为例进行实验验证,结果表明:经过2次迁移学习,卷积神经网络模型的收敛程度高,训练效果好,通过该方案测得的汉服上衣尺寸相对误差在0.59%~4.17%之间;该方案为传统服饰的复原研究和文物尺寸测量工作提供了新思路。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于遗传算法和BP网络的造纸废水处理预测研究

在造纸废水处理过程建立出水COD预测模型中,针对BP算法易陷入局部极小、收敛速度慢等缺点,根据遗传算法(Genetic Algorithm-GA)具有全局寻优的特点,将两者结合起来形成一种训练神经网络的混合算法--GA-BP算法;仿真结果表明,预测模型具有较强的学习能力和泛化能力,同时,建立的GA-BP模型预测输出的平均误差仅为0.88%,说明此模型可以有效、可靠地预测造纸废水出水COD.     

基于形态学处理算法的条烟复核技术

为解决传统人工条烟复核方法与现有高速自动卷烟分拣系统不匹配等问题,基于形态学处理算法,利用条烟条码唯一性,提出了一种条烟图像自动识别方法。采用正方形自适应结构元素形态学算法处理二值化图像,减少条码内部条空区域对连通域的干扰,得到多个候选子连通域;采用子区域筛选方法定位条码区域,通过投影法定位可识别的字符并分割数字,完成条烟信息识别。以不同姿态不同品种的条烟图片在Matlab中进行仿真实验,测试条码定位分割算法的鲁棒性。结果表明:①该方法能够有效避免条烟表面字符、图形信息及光照噪声带来的干扰。②投影法可将供人识别字符与条空区域快速分割开,实现数字的有效定位,对于条码倾斜、低像素图像的数字分割效果良好。③加权模板匹配法结合模糊判别准则的数字识别算法,对于低品质数字以及易混淆数字均具有较好的识别效果。④在现场测试条件下,系统识别效率可达2686次/h,准确率达95.2%。在满足系统要求下,采用该方法能够大幅提升条烟图像识别效率和准确性。