欢迎来到天天文库
浏览记录
ID:37065568
大小:2.12 MB
页数:73页
时间:2019-05-16
《基于深度学习的矢量图字符识别研究 (1)》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、分类号:TP301单位代码:10183研究生学号:2015532094密级:公开吉林大学硕士学位论文(学术学位)基于深度学习的矢量图字符识别研究ResearchonCharacterRecognitionofVectorgraphBasedonDeepLearning作者姓名:吴玲云专业:工学硕士研究方向:智能控制与嵌入式指导教师:秦贵和教授培养单位:计算机科学与技术学院2018年4月基于深度学习的矢量图字符识别研究ResearchonCharacterRecognitionofVectorgraphBasedonDeepLearning作者姓名:吴玲云专业名称:计算机应用技术指导教师:
2、秦贵和教授学位类别:工学硕士答辩日期:年月日未经本论文作者的书面授权,依法收存和保管本论文书面版本、电子版本的任何单位和个人,均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用(但纯学术性使用不在此限)。否则,应承担侵权的法律责任。吉林大学硕士学位论文原创性声明本人郑重声明:所呈交的硕士学位论文,是本人在指导教师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担
3、。学位论文作者签名:日期:年月日《中国优秀博硕士学位论文全文数据库》投稿声明研究生院:本人同意《中国优秀博硕士学位论文全文数据库》出版章程的内容,愿意将本人的学位论文委托研究生院向中国学术期刊(光盘版)电子杂志社的《中国优秀博硕士学位论文全文数据库》投稿,希望《中国优秀博硕士学位论文全文数据库》给予出版,并同意在《中国博硕士学位论文评价数据库》和CNKI系列数据库中使用,同意按章程规定享受相关权益。论文级别:■硕士□博士学科专业:计算机应用技术论文题目:基于深度学习的矢量图字符识别研究作者签名:指导教师签名:年月日作者联系地址(邮编):吉林大学计算机学院130012作者联系电话:1576
4、4384532摘要摘要基于深度学习的矢量图字符识别研究随着经济的快速发展,汽车行业发展迅速,汽车维修人员的工作量加大,如何将电路图有效的读取到数据库中,并通过对电路图进行数据抽取、数据变化和数据重构等操作完成电路图的WEB信息重构,以方便对维修人员进行维修指导和快速培训等任务。将电路图中的信息提取是该项目中很重要的一部分研究内容,电路图中的信息非常复杂,字符信息则是电路图中信息提取的重中之重,电路图中的字符包含大量信息,如线路长短、器件名称、连接方式等等,如何能够有效地对电路图中的字符信息进行提取是本文的研究重点。图像中的字符识别属于模式识别领域,传统的字符识别方法也是按照模式识别的方法
5、展开的,原有的字符识别模型识别步骤繁琐,识别效果较差,且人工操作较多,因此结合快速发展的科学技术,提出一套行之有效的检测模型是本文的研究重点。结合字符识别模型的过程,且通过研究电路图中的字符特点,深入研究了深度学习的多个网络模型,尤其典型的卷积神经网络,提出了基于FasterRCNN的模型融合定位信息+Tesseract的字符识别模型,本文的主要工作有:第一,分析传统的字符识别模型,通过对传统的字符识别模型进行研究,结合深度学习的多种网络特点,将电路图中的字符识别模型简化为字符区域定位和字符识别两部分的内容。第二,跳出原有的字符识别模型框架,对电路中的字符区域进行定位。目前常见的目标检测
6、方法都是基于卷积神经网络的,使用卷积神经网络可以减少对图像的一系列预处理操作,非常简单方便。通过对卷积神经网络进行研究,使用将RPN和FastRCNN结合的FasterRCNN网络模型,该网络的目标检测的准确率相对较高,制作电路图数据集,使用人工标注的方法对数据集进行标注,并将该数据集对网络模型进行训练,通过实验发现,分别将ResNet网络和VGG网络作为基础特征提取网络的检测I摘要准确度要低于将两个模型位置信息融合后的准确度。因此通过实验将两种FasterRCNN模型得出的位置信息进行融合,得到最终的位置信息。第三,电路图中存在大量的字符,但是由于字符表示的意义不同,字符的长短,方向不
7、定,且有些时候为多行字符,将框出区域的字符进行切割,然后识别,此外对特殊的电路图基于模型提出了更有效的解决方案。通过实验显示,对电路图中的字符的识别效果较好。关键词:电路图,字符识别,深度学习,FasterRCNN,TesseractIIAbstractAbstractResearchonCharacterRecognitionofVectorgraphBasedonDeepLearningWiththerapideconomicd
此文档下载收益归作者所有