排序方式: 共有4条查询结果,搜索用时 93 毫秒
1
1.
大数据下的基于深度神经网的相似汉字识别 总被引:1,自引:0,他引:1
针对传统相似手写汉字识别系统(SHCCR)受特征提取方法的限制,提出采用深度神经网(DNN)对相似汉字自动学习有效特征并进行识别,介绍相似字符集生成方法和针对相似汉字识别的深度神经网络的具体结构,研究对比不同的训练数据规模对识别性能的影响.实验表明,DNN能有效地进行特征学习,避免了人工设计特征的不足,与传统基于梯度特征的支持向量机(SVM)和最近邻分类器(1-NN)方法相比,识别率有较大的提高;且随着训练样本增加的同时,DNN在提高识别性能上表现得更为优秀,大数据训练对提升深度神经网络的识别率作用明显. 相似文献
2.
3.
目的 随着工业领域智能分拣业务的兴起,目标检测引起越来越多的关注。然而为了适应工业现场快速部署和应用的需求,算法只能在获得少量目标样本的情况下调整参数;另外工控机运算资源有限,工业零件表面光滑、缺乏显著的纹理信息,都不利于基于深度学习的目标检测方法。目前普遍认为Line2D可以很好地用于小样本情况的低纹理目标快速匹配,但Line2D不能正确匹配形状相同而颜色不同的两个零件。对此,提出一种更为鲁棒的低纹理目标快速匹配框架CL2D (color Line2D)。方法 首先使用梯度方向特征作为物体形状的描述在输入图像快速匹配,获取粗匹配结果;然后通过非极大值抑制和颜色直方图比对完成精细匹配。最后根据工业分拣的特点,由坐标变换完成对目标的抓取点定位。结果 为了对算法性能进行测试,本文根据工业分拣的实际环境,提出了YNU-BBD 2020(YNU-building blocks datasets 2020)数据集。在YNU-BBD 2020数据集上的测试结果表明,CL2D可以在CPU平台上以平均2.15 s/幅的速度处理高分辨率图像,在精度上相比于经典算法和深度学习算法,mAP (mean average precision)分别提升了10%和7%。结论 本文针对工业零件分拣系统的特点,提出了一种快速低纹理目标检测方法,能够在CPU平台上高效完成目标检测任务,并且相较于现有方法具有显著优势。 相似文献
4.
计算机视觉技术不断发展,利用巡检机器人对钻井平台、水电工程等复
杂工业环境下的各种仪表设备进行定期检查成为可能,然而这些功能的实现依赖仪表的精准
定位。本文提出一种基于局部自适应核回归(Locally adaptive regression kernels,LARK)的方法进行仪表的快速定位。LARK算
法无需训练,可以快速搜索感兴趣的视觉对象,并且不需要进行过多的预处理,提高了
定位的效率。通过提取查询图像的显著特征,在目标图像中寻找所有可能相似的
对象,然后用非极大值抑制法保留最强相似点,实现目标对象的定位。实验选用从不同角度
拍摄的具有不同放缩比例的仪表图像作为实验所需数据。实验结果表明,该算法定位准确度
高,可以很好地满足工业环境下仪表的定位要求。 相似文献
1