基于卷积神经网络的图像验证码识别

验证码作为一种安全手段,被广泛应用于互联网领域.本文提出了一种基于卷积神经网络的图像验证码识别方法,通过卷积层级联、残差学习、全局池化、分组卷积等技术手段,在保证识别准确率不受影响的前提下,大大降低了网络的参数量.本文以铁路购票网站验证码和正方教务系统验证码为例来测试模型性能.对于铁路购票网站验证码,实验结果显示本文提出的识别方法参数量最少,对图形和中文词组验证码的识别准确率分别达到98.76%和99.14%;对于正方教务系统验证码,本文方法参数量最少且识别准确率为87.30%.     

花垣锰矿配低磷矿冶炼碳素锰铁的探索试验

一、前言花垣锰矿是一大型碳酸盐锰矿,含磷偏高。为寻求利用这种矿石资源的多种途径,选择了与外地低磷矿搭配冶炼锰铁含金的试验方案。通过试验探索出适宜的搭配比例以及主材料消耗定额和合理的技术经济指标。试验在1800千伏安(实际使用1500千伏安)电炉内进行,历时八个小班。试验中炉况稳定,共生产锰铁18.44吨,合格率达100％。二、试验原料和配料依据 1.试验原料冶炼锰铁的主要原燃料化学成分如表1。     

基于多尺度特征融合CNN模型的车辆精细型号识别

车辆精细型号是车辆识别的主要线索之一,也是智能交通系统的重要组成部分。针对车辆精细型号种类繁多、车辆所处环境复杂多变等因素,提出一种基于多尺度特征融合的车辆精细型号识别方法。该方法基于传统的卷积神经网络,通过提取并融合来自网络底层和高层的车辆特征,完成对车辆精细型号的识别。与其他基于卷积神经网络的车辆精细型号识别方法相比,该方法在提高分类准确率的同时还大幅度降低了整体网络的参数规模。实验结果表明,在公开数据集CompCars的监控场景下其识别精度达到了98.43%,且模型参数大小仅为3.93 MB,平均每张图片只需0.83 ms的分类时间。