共查询到20条相似文献,搜索用时 453 毫秒
1.
2.
字符识别技术是用机器视觉进行模式识别的重要研究方向之一.烟草制造的工业现场环境恶劣,会引起所拍摄的图像失真、模糊、含噪声及字符产生缩放、平移旋转等情况.针对以上情况,首先对图像进行了前期预处理,并对字符特征进行了提取;之后,针对两种字符特征,用改进的BP算法设计了两个神经网络识别系统. 相似文献
3.
4.
5.
智能化车牌识别系统研究 总被引:2,自引:0,他引:2
通过车牌定位、车牌倾斜校正、字符切分和字符识别四个步骤完成了汽车牌照的识别,介绍了每一步骤的实验结果.采用网络数据库技术,构建了基于车牌照识别的高速公路不停车收费的模拟系统. 相似文献
6.
《仪表技术与传感器》2020,(8)
文中设计了一套基于机器视觉的汽车零部件检测系统,实现对零部件冲孔和字符的检测。在对冲孔进行检测时,先使用阈值分割方法,再利用像素点面积特征和圆度特征来提取冲孔区域,最终完成对冲孔直径的检测。在对零件字符进行检测时,使用了深度学习的方法,将自然场景下的文本检测方法应用到零部件的字符检测中,解决了字符遮挡、产品色差变化较大以及产品摆放倾斜造成的字符定位困难问题,并且无需显示加入字符分割,实现端到端的字符识别。经过现场的测试验证,该检测系统能够实现多种型号零件的检测,具有良好的检测效果。 相似文献
7.
重轨标识自动识别对于企业的质量控制至关重要,针对目前主要依靠人工检测法来观察重轨字符的现状,提出利用机器视觉获得图像进行标识识别的思想:在对图像的字符区域进行定位之后,利用基于粒子群算法的支持向量机参数选择方法对重轨标识进行分类。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的分类精度与检测效率,其训练集的字符识别准确率达到了99%,测试集的准确率达到了83%,训练时间为62.195s,各项指标高于遗传算法优化的支持向量机回归模型。能够用于重轨标识的在线检测。 相似文献
8.
基于神经网络的分阶车牌字符识别算法研究 总被引:1,自引:0,他引:1
为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。 相似文献
9.
10.
针对目前使用机器视觉方法对花生进行精选存在精度和效率较低的问题,本文通过搭建花生精选流水线,并将基于YOLO-V5的神经网络模型引入视觉检测部分,提高花生表面质量检测的准确率和效率。对训练后的模型,采用多类别测试集进行测试,并与不同神经网络模型进行对比。结果显示,在不考虑缺陷类别的情况下,缺陷检测准确率达到99%。发芽、发霉、白斑等难识别缺陷类别的检测准确率分别达到97.5%、98%、98.5%。与传统检测模型Faster R-CNN、YOLO-V3等传统模型相比,准确率和检测速度也更为优秀。通过现场应用验证了所用算法和整体系统的可用性。 相似文献
11.
12.
深度学习能够使包含多个处理层的计算模型去学习含有多层次抽象表示的数据。这种学习方式在最先进的语音识别、视觉物体识别、物体检测以及许多其它领域,比如生物基因学和医学等都带来了明显的改善。深度学习能够发现大数据中的复杂结构,而卷积神经网络作为深度学习的重要模型之一在处理语音、图像、视频和文本等方面带来了新的突破。它是利用BP算法来引导机器如何从前一层获取误差来调整本层的参数,从而使这些参数更有利于模型的计算。针对传统BP算法存在的收敛速度慢、常陷入局部极小点的不足,提出了一种快速的BP改进算法。利用改进后的卷积神经网络分别在数据集MNIST、英文字符识别以及医学图像中做实验验证,仿真结果表明了该算法的有效性。 相似文献
13.
《传动技术(上海)》2020,(1)
汽车动力总成装配线环境中,为有效保证装配质量,通常采用机器视觉方法进行零部件装配的防错检测。目前主流传统的机器视觉防错技术无法有效满足投产初期极高的准确率要求,且具有受现场环境变化影响大、成本高等缺点。提出了基于深度学习的机器视觉防错技术,采用卷积神经网络算法进行模型学习训练,获得99.99%以上的学习准确率;实际图像经预处理后导入深度学习模型进行识别判断;完成了系统的硬件选型和软件设计开发。两个实际应用案例均实现了99.95%以上的准确率,表明深度学习机器视觉防错技术能够有效适应图像扰动,满足高产能下的生产质量监控要求,同时可以降低硬件要求和成本,有效弥补传统机器视觉防错技术的不足。 相似文献
14.
15.
钱云 《气象水文海洋仪器》2006,5(3):69-72
车牌自动识别系统可以分为图像采集、图像预处理、车牌定位、车牌预处理、字符分割、字符识别几大部分.每个模块即相互关联的,又有其自身的特点和技术.车牌定位是车牌识别的基础,本文采用水平和垂直的车牌定位算法;车牌字符的分割是进行单个字符识别的前提,本文采用一种垂直投影的字符分割方法;字符识别采用了BP神经元网络的方法. 相似文献
16.
为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。 相似文献
17.
产品上的字符标识是人们了解产品的重要途径,产品字符的错印,漏印将影响产品信息的正确性,因此字符缺陷检测是产品生产的重要环节。相比于效率低,主观性强的人工检测方式,机器视觉检测方式具有检测速度快,精度高,稳定性强的特点。提出基于halcon的字符缺陷检测系统,主要研究内容如下:1)研究了基于halcon编程平台的图像采集方法;2)研究了图像的预处理算法;3)研究了基于halcon的字符缺陷检测方法;4)研究了基于halcon与C#软件设计。实验结果证明,基于halcon的字符缺陷检测系统能检测出字符中细小的缺陷,可用于生产中对产品的字符检测。 相似文献
18.
19.
20.
对于智能花椒采摘器中机器视觉部分在花椒枝干识别与采摘定位上的不足,本文通过将深度学习技术中的卷积神经网络模型与注意力机制这两种模型运用到智能花椒采摘器的机器视觉部分以提高采摘器的识别功效.结果 显示,经过优化后的卷积神经网络算法训练使采摘器对花椒簇的整体识别准确率由52.3%提高至96.7%,同时通过注意力机制算法提升了机器视觉对花椒树主枝干识别的抗干扰能力,帮助采摘器更加准确的判断出采摘点的位置.通过以上两种模型验证了深度学习技术在提高花椒采摘器机器视觉的算法准确性与抗干扰能力的有效性. 相似文献