浅谈大数据时代数据信息现状及发展

大数据开启了一个时代的转型,给人们带来一场生活、工作与思维的大变革。时代的变革需要以大数据为视角理解数据与信息。本文介绍了大数据时代出现的必然性,分析大数据时代数据的特点,从而阐述大数据时代背景下信息的特点。     

基于Sauvola算法和神经网络的图像自适应二值化方法

二值化处理是文档图像OCR识别中非常重要的一个环节。针对目前主流Sauvola二值化算法存在参数需要人为确定、效果受设定的参数影响等问题，提出了基于Sauvola算法和神经网络的图像自适应二值化方法。在针对Sauvola算法的参数进行分析的基础上，阐述了开窗大小r与参数k对二值化结果的影响。使用SWT算法实现了开窗大小r的计算，将二值化视为对像素点的二分类问题，根据Sauvola算法的思想提取窗内的灰度均值、灰度标准差及当前像素点灰度值作为特征向量，并搭建全连接神经网络进行训练，训练后的神经网络可为每个窗生成特定的参数k，并判定各个像素点的二值化结果。实验结果表明，相较于使用人工精确调节的全局参数k的Sauvola算法，所提出的方法具有更好的自适应性和二值化效果，且具有较好的实用性和普适性。     

针对文档图像的非对称式几何校正网络

目的 文档图形的几何校正是指通过图像处理的方法对图像采集过程中存在的扭曲、畸变和歪斜等几何干扰进行处理,以提升原始图像的视觉效果与光学字符识别（optical character recognition,OCR）精度。在深度学习普及以前,传统的图像处理方法需要使用激光扫描仪等辅助硬件或在多视角下对文档进行拍摄,且算法的鲁棒性欠佳。深度学习方法构建模型能规避传统算法的不足,但在现阶段这些模型还存在一定的局限性。针对现有算法的缺陷,提出了一种集成文档区域定位与校正的轻量化几何校正网络（asymmetric geometry correction network,AsymcNet）,端到端地实现文档图像的几何校正。方法 AsymcNet由用于文档区域定位的分割网络和用于校正网格回归的回归网络构成,两个子网络以级联的形式搭设。由于分割网络的存在,AsymcNet对于各种视野下的文档图像均能取得良好的校正效果。在回归网络部分,通过减小输出回归网格的分辨率来降低AsymcNet在训练及推理时的显存耗用和时长。结果 在自制的测试数据集中与业内最新的4种方法进行了比较,使用AsymcNet可以将原始图像的多尺度结构相似度（multi-scale structural similarity,MS-SSIM）从0.318提升至0.467,局部畸变（local distortion,LD）从33.608降低至11.615,字符错误率（character error rate,CER）从0.570降低至0.273。相比于业内效果较好的DFE-FC（displacement flow estimation with fully convolutional network）,AsymcNet的MS-SSIM提升了0.036,LD降低了2.193,CER降低了0.033,且AsymcNet处理单幅图像的平均耗时仅为DFE-FC的8.85%。结论 实验验证了本文所提出AsymcNet的有效性与先进性。     

基于改进YOLOv5算法的PCB裸板缺陷检测

目的 将基于深度学习的YOLOv5算法应用于PCB裸板的缺陷检测上,以提高检测的准确率。方法 通过增加特征融合通路,将C2、C3、C4层直接与P2、P3、P4层相连,从而减小信息的损耗;引入更浅层的C2、F2、P2特征图以增加图像的细节信息;并且使用注意力机制SE_block,大幅提高原算法的准确率。结果 改进后的网络的平均精度由91.54%提高至97.36%,提高了5.82%,并且对于各类缺陷,算法的检测精度都能保持在90%以上,满足工业的需求。结论 文中的算法提高了检测精度,体现了浅层信息在小目标检测上的作用,验证了多信息融合通路的优势,彰显了注意力机制的优越性,相比于原算法具有一定的优势。