基于卷积神经网络lenet-5的货运列车车号识别研究

《基于卷积神经网络lenet-5的货运列车车号识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于卷积神经网络LeNet?5的货运列车车号识别研究摘要：针对货运列车车号字符识别，提出了基于卷积神经网络LeNet?5的改进识别方法，考虑到卷积神经网络的层次化以及局部领域等结构特点，对网络中各层特征的数量及大小等参数进行相应的改进，形成了适用于货运车号识别的新网络模型。实验结果表明，该方法对车号的断裂、污损等问题的解决有较强的鲁棒性，达到了较高的识别率，为整个车号识别系统的精确性提供了保障。关键词：列车车号；车号识别；卷积神经网络；LeNet?5中图分类号：TN911.73?34；TP391文

2、献标识码：A文章编号：10042373X(2016)13?0063?04Abstract：Forthecharacterrecognitionoffreighttrainlicense,theimprovedrecognitionmethodbasedonconvolutionalneuralnetworkLeNet?5isproposed.Consideringthestructuralfeaturesofthehierarchicalconvolutionalneuralnetworkandl

3、ocalfield,theparametersofquantityandsizeofeachlayerfeaturepatterninthenetworkwereimprovedcorrespondinglytoformthenewnetworkmodelsuitableforthefreighttrainlicenserecognition.The基于卷积神经网络LeNet?5的货运列车车号识别研究摘要：针对货运列车车号字符识别，提出了基于卷积神经网络LeNet?5的改进识别方法，考虑到卷积神经

4、网络的层次化以及局部领域等结构特点，对网络中各层特征的数量及大小等参数进行相应的改进，形成了适用于货运车号识别的新网络模型。实验结果表明，该方法对车号的断裂、污损等问题的解决有较强的鲁棒性，达到了较高的识别率，为整个车号识别系统的精确性提供了保障。关键词：列车车号；车号识别；卷积神经网络；LeNet?5中图分类号：TN911.73?34；TP391文献标识码：A文章编号：10042373X(2016)13?0063?04Abstract：Forthecharacterrecognitionoffr

5、eighttrainlicense,theimprovedrecognitionmethodbasedonconvolutionalneuralnetworkLeNet?5isproposed.Consideringthestructuralfeaturesofthehierarchicalconvolutionalneuralnetworkandlocalfield,theparametersofquantityandsizeofeachlayerfeaturepatterninthenetwo

6、rkwereimprovedcorrespondinglytoformthenewnetworkmodelsuitableforthefreighttrainlicenserecognition.The基于卷积神经网络LeNet?5的货运列车车号识别研究摘要：针对货运列车车号字符识别，提出了基于卷积神经网络LeNet?5的改进识别方法，考虑到卷积神经网络的层次化以及局部领域等结构特点，对网络中各层特征的数量及大小等参数进行相应的改进，形成了适用于货运车号识别的新网络模型。实验结果表明，该方法对车号

7、的断裂、污损等问题的解决有较强的鲁棒性，达到了较高的识别率，为整个车号识别系统的精确性提供了保障。关键词：列车车号；车号识别；卷积神经网络；LeNet?5中图分类号：TN911.73?34；TP391文献标识码：A文章编号：10042373X(2016)13?0063?04Abstract：Forthecharacterrecognitionoffreighttrainlicense,theimprovedrecognitionmethodbasedonconvolutionalneuralnet

8、workLeNet?5isproposed.Consideringthestructuralfeaturesofthehierarchicalconvolutionalneuralnetworkandlocalfield,theparametersofquantityandsizeofeachlayerfeaturepatterninthenetworkwereimprovedcorrespondinglytoformthenewnetworkmodelsuitableforthe