基于机器视觉的线束连接器字符检测

针对线束连接器上印刷字符检测智能化程度不高的情况,提出了一种基于机器视觉的检测方法.首先,利用一阶导数获得印刷字符边缘点,并将边缘点拟合为线,由此定位字符的位置,并对字符的角度和位置进行比较;然后,对合格的字符分割、归一化,并以整个字符图像作为输入特征;最后,基于字符的特征,建立了用于印刷字符识别的BP神经网络,并对其进行了改进.实验证明:基于机器视觉的连接器印刷字符单个字符识别准确率为99.1%,检测时间为95ms,具有较高的识别准确率和速度.     

基于改进BP网络在车牌字符识别中的应用

本文研究针对传统神经网络在字符识别存在识别准确率低、效率低的问题,提出了一种基于误差反向传播的人工神经网络算法（BP神经网络算法）。该算法首先对字符图像进行归一化处理,然后对字符进行特征提取,采用PCA主成分分析对Gabort提取的特征进行降维处理,将提取字符特征输入到BP神经网络进行学习和识别,并采用动量因子和自适应学习速率对BP神经网络进行改进,加快其收敛速度,从而提高识别的实时性。     

一种基于结构特征的票据印刷号码识别方法

目的为保证含有号码印刷错误的票据不流入社会,研究一种新的用于票据印刷在线检测系统的号码识别方案。方法提出一种基于结构特征的票据号码识别方法。先对票据图像进行采集、灰度化、二值化、去噪、倾斜校正、字符定位、单字符分割及归一化等一系列预处理。建立一种基于结构特征的号码识别分类器,再根据票据中每个号码的结构特征值,对号码进行分类识别。结果实验结果表明,利用文中提出的结构特征方法,票据号码识别率达到99%以上。结论经过对大量实际发票号码的识别测试实验,该方法有较强的抗干扰性,识别算法速度快、精度高。     

基于多特征匹配的液晶屏字符缺陷检测

目的 为了实现电动滑板车包装前液晶屏字符检测高效、高精度的目标,以及为了解决液晶屏字符中Led段码字体难以精确分割、匹配算法复杂等问题。方法 通过Hough直线检测实现字符区域的位置校正,投影法实现分割字符区域,形态学处理、连通域分析实现各字符的提取,采用BP神经网络模型对字符进行识别,最后通过改进的几何特征检测字符缺线、漏线,灰度特征检测字符亮度不均匀。结果 液晶屏字符实验结果表明,每个字符平均识别时间为0.16s,每个屏幕平均识别时间为0.6s,液晶屏字符缺陷加权识别率为96%。结论 该算法具有较高的可靠性、效率、识别率,解决了液晶屏字符在几何、亮度缺陷下高效、高精度检测实际工程的问题,为同类产品的检测提供了算法经验。     

基于卷积神经网络的模糊车牌自动识别

目前,清晰的车牌识别算法已经成熟,但是对于人眼不能识别的模糊车牌,传统车牌识别算法的识别率较低或者根本无法识别。鉴于此,提出了一种基于卷积神经网络的车牌字符识别算法。制作了含9 720幅模糊字符样本集,用8 748幅样本对卷积神经网络进行训练,测试样本时,先对模糊车牌字符进行盲分割等预处理,再调用训练好的卷积神经网络对盲分割后的字符进行识别。实验结果表明:该算法对训练集的准确识别率约为99.17%,对测试集的准确识别率约为93.32%,这说明该算法对模糊车牌的识别具有鲁棒性,能应用于各种场景。     

基于BP神经网络的数字识别系统

系统通过对图像的一系列预处理,采用BP算法神经网络,根据数字字符特征进行识别。用该算法实现的数字字符识别系统识别率高,误识率低,可以单独使用,也可以把它作为一个识别系统的软件核心应用到车牌识别、运动员号码识别、车厢识别等系统中去。     

复杂背景下基于HSV空间和模板匹配的车牌识别方法研究

车牌识别技术作为交通管理自动化的重要手段,在交通监视和控制中占有很重要的地位.车牌识别过程可分为车牌定位、车牌校正、字符分割和字符识别四个部分.在车牌定位中,若单纯采用纹理特征或颜色特征来进行定位,往往适用于背景较为简单的场景,对复杂背景的定位效果尚有待改进.在字符分割中,目前单行车牌的分割已比较成熟,但双行车牌的分割仍不理想.提出一种在HSV空间下两次颜色标定和纹理特征相结合的定位方法和一种单双行车牌的字符分割方法.该定位方法利用车牌固定颜色搭配特性,对图片两次标记并利用投影法定位车牌,对200张不同背景图片测试,定位准确率达到98％.在字符分割部分,利用改进的模板匹配方法对字符分割,可适用于单、双行车牌分割,准确率达到95％.     

卷积神经网络在喷码字符识别中的应用

为实现易拉罐灌装过程中喷码字符实时检测,提出了一种基于卷积神经网络的实时检测方法。该方法首先对采集的图像进行直方图均衡化和OSTU处理,然后对图像进行形态学膨胀操作,通过连通域面积法提取出喷码字符区域并进行旋转矫正,再采用投影法将字符区域分割为单个字符,在离线状态下采用卷积神经网络对字符进行训练,从而在在线检测时进行识别。实验表明,该方法检测一帧图像平均时间为46 ms,准确率达98.97%,实时性和准确性较高,可以满足工业易拉罐喷码字符在线实时检测要求。     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

基于跨层卷积神经网络的石刻碑文识别

石刻碑文的研究具有重要的历史价值和文化价值,但是由于受到自然环境的风化、腐蚀和人为的破坏,碑刻文字存在很大的识别难度.传统的识别方法通过选择特征的提取方式,得到笔画、部首等浅层特征,准确率不高.卷积神经网络可以利用深层网络自动提取到更抽象的特征用于识别,具有更高的准确率.本文针对碑刻数据收集困难,数据量较少的问题,提出了一种基于VGG-16的跨层卷积神经网络进行石刻碑文的识别,使用投影分割改进法实现碑文的分割,该方法在本文构建的测试数据集上对石刻碑文的识别具有很好的效果.     

一种数码喷墨印花机的颜色特性化方法

目的为了提升数码印花中彩色图像的复现精度,提出一种在子空间采用遗传算法优化BP神经网络的颜色特性化方法。方法介绍遗传算法(GA)优化BP神经网络的基本原理,设计一种在L*a*b*颜色子空间建立的颜色特性化模型,并对1000个色样开展GA-BP神经网络模型训练实验,最终拟合出印花色样的L*a*b*色度值和输入的印花图像RGB驱动值之间的非线性关系。结果该方法对125个测试色样的颜色特性化预测结果显示,超过90%的色样色差分布在2.0以内,光谱均方根误差(RMSE)分布在0.02以内。结论该方法较未进行遗传算法优化BP神经网络,预测精度得到明显提升,能够达到较高的数码喷墨印花彩色图像复现精度。     

Convolutional Neural Network Based Intelligent Handwritten Document Recognition

This paper presents a handwritten document recognition system based on the convolutional neural network technique. In today’s world, handwritten document recognition is rapidly attaining the attention of researchers due to its promising behavior as assisting technology for visually impaired users. This technology is also helpful for the automatic data entry system. In the proposed system prepared a dataset of English language handwritten character images. The proposed system has been trained for the large set of sample data and tested on the sample images of user-defined handwritten documents. In this research, multiple experiments get very worthy recognition results. The proposed system will first perform image pre-processing stages to prepare data for training using a convolutional neural network. After this processing, the input document is segmented using line, word and character segmentation. The proposed system get the accuracy during the character segmentation up to 86%. Then these segmented characters are sent to a convolutional neural network for their recognition. The recognition and segmentation technique proposed in this paper is providing the most acceptable accurate results on a given dataset. The proposed work approaches to the accuracy of the result during convolutional neural network training up to 93%, and for validation that accuracy slightly decreases with 90.42%.     

基于GRNN-PNN神经网络的印铁缺陷分类方法

目的针对在印铁过程中缺陷检测系统存在不同缺陷类型检测精度不高,对于产品整体质量无法实现智能判断的问题,基于GRNN-PNN神经网络,提出一种适用于印铁在线检测的分类算法。方法对平面印刷铁片进行小波变换提取低频信息,在低频信息中进行缺陷定位并对缺陷区域进行标记和分割。通过缺陷面积、周长等评价指数和缺陷形状构建GRNN神经网络,对缺陷进行分类。通过构建PNN神经网络智能化判别整体产品是否属于合格产品。结果 GRNN-PNN平均耗时0.69s,达到了厂方对于缺陷在线检测的响应时间要求。GRNN-PNN多分类的准确率为86%,能够对印铁过程中产生的主要缺陷进行分类。二分类的灵敏度为96%,可以准确地判断产品整体的合格性。在5%的椒盐噪声干扰下,准确率为63%,具有良好的鲁棒性。结论该设计能够对印铁缺陷进行精确的分类和智能的判断,GRNN-PNN神经网络可以在印铁过程中进一步提高检测精度,GRNN-PNN神经网络可帮助质检员及时判断生产质量。     

基于改进YOLOv5s的药盒钢印日期识别方法

目的 药盒的钢印日期与背景对比度低,字符轮廓不明显,识别易受环境光线干扰,对此提出一种基于机器视觉的识别方法。方法 使用改进YOLOv5s模型,首先对采集的药盒数据集进行透视变换校正,并进行数据增强。通过在模型的骨干网络中融合位置注意力机制(CA),减少冗余信息的干扰;颈部网络根据加权双向特征金字塔网络(BiFPN)引入权重,更好地平衡不同尺寸图层的特征信息;引入动态聚焦损失函数(WIoU),降低高质量样本对训练的干预,提高模型的泛化能力。结果 在自建钢印字符数据集上的实验结果表明,改进网络对药盒钢印日期识别的平均精度值达到了99.41%,比原始模型提升了2.38%,帧率为80.01帧/s。结论 改进后的YOLOv5模型对药盒钢印日期的检测精度优于原有网络,对可以满足药盒生产线的实时性要求。     

基于机器视觉的玻璃瓶口缺陷检测方法

目的为提高玻璃瓶口缺陷检测精度,确保生产线包装效率。方法基于机器视觉设计一种瓶口缺陷检测方法,并简要介绍检测系统的整体框架。分别论述基于最大熵值法的图像分割方法、瓶口定位方法以及图像特征提取方法,其中图像特征主要包括周长、圆形度、相对圆心距离。利用BP神经网络实现瓶口缺陷的准确识别,将瓶口破损程度转换为具体数值,最后进行实验验证。结果文中检测方法对破损瓶口的检测成功率为99%,对于不同的破损类型均有较高的检测准确度。结论基于机器视觉的玻璃瓶口缺陷检测方法能够满足生产线对准确性和实时性的要求。     

Research on automatic identification system of tobacco diseases

In order to improve recognition accuracy of tobacco diseases, an identification method based on multi-feature and genetic algorithms optimizing BP neural network was proposed. First, Otsu method was used to obtain disease location information and GrabCut function was initialized for extracting diseased area effectively. Second, colour moments, disease contour and GLCM were used to get colour, multi-contour and texture features. Once again, BP neural network was optimized by genetic algorithm, and the optimal initial weights and thresholds were obtained, which shortened the training time and improved the accuracy of disease identification. Finally, BP neural network model for tobacco diseases diagnosis was established with the mobile client as input and the user services as output. The field experiment showed that the method could diagnose eight types of tobacco diseases effectively and automatically. The average recognition accuracy rate of selected tobacco diseases was about 92.5%.     

Ground Nephogram Recognition Algorithm Based on Selective Neural Network Ensemble

In view of the low accuracy of traditional ground nephogram recognition model, the authors put forward a k-means algorithm-acquired neural network ensemble method, which takes BP neural network ensemble model as the basis, uses k-means algorithm to choose the individual neural networks with partial diversities for integration, and builds the cloud form classification model. Through simulation experiments on ground nephogram samples, the results show that the algorithm proposed in the article can effectively improve the Classification accuracy of ground nephogram recognition in comparison with applying single BP neural network and traditional BP AdaBoost ensemble algorithm on classification of ground nephogram.     

基于1D-CNN-AdaBoost及电阻层析成像的两相流流型辨识

基于电阻层析成像(ERT)系统采集的垂直管气液两相流测量数据,将一维卷积神经网络(1D-CNN)与AdaBoost(Adaptive Boosting)相结合,构建1D-CNN-AdaBoost算法,进行了气液两相流流型辩识研究。该算法使用5个1D-CNN作为弱分类器,通过实验数据样本训练,结合AdaBoost形成最终的强分类器。将1D-CNN-AdaBoost算法与BP神经网络、支持向量机及决策树算法进行比较,结果表明,1D-CNN-AdaBoost算法辨识正确率高于其他算法,平均辨识正确率可达97%。