数显仪表数字实时识别系统的设计与实现

为了对数显仪表数字识别系统进行改进和优化设计,提出了一种新的识别和研究方法,并设计了一个七段数码管和液晶屏数显示仪表的实时数字自动识别系统.先对仪表数字图像二值化、去除噪声等预处理算法进行了研究,利用各数字背景四连通区域对象的个数和标识矩阵元素的分布来构造识别特征从而对数字进行分类识别,采用基于模型编程的方法结合系统仿真软件Simulink建立仿真模型.该系统识别率达98.6%以上,实验结果表明了该模型和方法的有效性和实用性.     

印刷体数字快速识别算法在身份证编号数字识别中的应用

探讨了一种印刷体数字快速识别的算法及该算法在身份证图像编号数字识别中的应用,该算法根据印刷体数字字符结构,抽取数字特征；然后根据这些特征构造编码器，进行编码识别。实验表明该算法速度快，精度高，抗干扰性强。     

基于神经网络数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出一种基于特征提取和粗糙集特征约简的神经网络数字识别方法;该方法首先利用数字图像预处理技术处理图像并利用特征提取方法提取数字图像特征,然后利用粗糙集理论进行特征约简,最后将约简后的信息输入到训练好的神经网络进行识别;实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,具有较高的实用价值;并且该方法在保留神经网络高鲁棒性的同时,为快速准确地进行数字识别开辟了新的途径。     

数字仪表液晶显示识别设计

随着生产智能化的发展,自动化设备广泛应用于工业控制、交通、生产领域。由于技术的进步以及成本的降低,液晶显示屏逐渐取代数码管,成为自动化仪表的关键显示设备,显示包括温度、湿度、指标、参数等重要数据。为了实现生产和监控的自动化,往往需要对仪表液晶显示屏的值进行识别。由于各类仪表液晶显示数值差别较大,数值识别方法各异,导致识别的成功率较低。本文研究自动化仪表液晶显示识别的技术现状,分析自动化仪表液晶显示识别的原理。研究中,根据自动化仪表液晶显示的特定字符,利用定位数字区域、数字特征提取和神经网络识别算法设计判定识别的方法。经实验仿真能够准确识别仪表的液晶显示区域的数字。     

合谋安全的卷积指纹信息码

数字指纹是一种发行商通过在数字作品拷贝中添加唯一用户身份标记,使得能够识别出制作非法拷贝"叛逆者"的技术.目前,数字指纹方案中普遍存在着大用户数下指纹码构造过长以及无法有效叛逆跟踪的问题和缺陷.为了解决这些问题,在Boneh-Shaw的基础上,给出了指纹信息码的定义,并将卷积码与一般指纹码相结合,提出一种实际构造方法.同时,通过引入"备选子码集"的概念对Viterbi译码算法予以改进,给出了指纹信息码的译码算法.在理论与实例两方面对编码安全性质和性能的证明和分析结果均表明,所提出方案具有更短的用户信息编码长度,并实现了大用户集下有效叛逆用户的搜索.     

基于Matlab和C#的数显仪表数字识别系统

数显仪表中数字的识别技术在仪表自动识别领域中应用广泛,改善其识别准确率有助于提高仪表自动化水平。文中采用Otsu算法实现图像二值化,基于孤立像素连通域法对二值图像去噪,并利用垂直投影算法完成字符的分割,利用模块法进行特征提取。构建了3层BP神经网络,采用自适应带动量项的方法对BP神经网络进行参数调整。基于动态链接库方法,文中设计了结合Matlab和C#的数字识别系统。测试结果表明,单字符图像识别准确率可达98%,多字符图像识别准确率可达92.5%。     

一种基于骨架特征顺序编码的脱机手写体数字识别方法

本文提出了并实现了一种基于数字骨架顺序编码的脱机手写体识别方法,该方法利用绑架化等预处理操作得到手写体数字的骨架,然后对数字骨架进行跟踪,按顺序得到一系列曲线段,并以12种线型对这些曲线段进行拟合,从而得到一组数字骨架的顺序编码,最终利用这组顺序编码和样本训练生成的识别字典完成对数字的识别,本方法具有较高的识别可靠率,已在成绩单自动录入和识别系统中得到了成功的应用。     

一种有效的汉语连呼数字识别算法

模板匹配技术用于连呼数字识别,其存在的主要问题是巨大的计算量。本文在分析了汉语连呼数字发音参数特征的基础上,提出了一种集预分割和非预分割方法为一体的连呼数字识别算法,该算法的运算量与多级匹配方法,相比有了大幅度下降,本文同时还探讨了语音参数考模板的建立方法对识别性能的影响及通过加入基音信息进一步提高识别性能的途径。     

基于行程编码的二值图像数字隐写算法

针对二值图像仅有两种颜色,对像素修改敏感的特点,提出了一种基于行程编码的二值图像数字隐写算法.将原始图像划分成子块,并以zigzag扫描的顺序对块内像素进行行程编码,通过修改较大的行程来嵌入信息.修改行程时采用行程拆分与合并策略.并考虑对应像素的"可翻转度".同时.秘密信息嵌入时利用纠错码数字隐写的原理,通过使用共享密钥来进一步增强算法的安全性.实验结果表明,该算法不仅具有一定的隐藏容量,而且保证了我密图像质量,并能够较好地保持行程统计特性,从而说明该算法具有较高的安全性.     

无指针式仪表表盘数字识别方法的研究

针对无指针式仪表表盘的数字识别问题,提出了一种基于特征提取和粗糙集特征约简的神经网络数字识别方法.首先利用数字图像预处理技术处理图像,并利用特征提取方法提取数字图像特征;然后利用粗糙集理论进行特征约简;最后将约简后的信息输入到训练好的神经网络进行识别.实验表明,相对于传统方法,该方法具有识别率高、速度快的特点,实用价值较高.     

基于改进卷积神经网络的多源数字识别算法

现有的数字识别算法多是对单一类型数字进行识别,无法应对识别多源数字。针对包含手写体数字与数码管数字的字符识别场景,提出一种基于改进卷积神经网络（CNN）的多源数字识别算法。首先,使用从数显仪表生产企业现场采集的样本,结合MINIST数据集,建立起包含手写体和数码管的混合数据集;然后,考虑更好的鲁棒性,提出一种改进的CNN,并用上述混合数据集对其训练,实现了一个网络识别多类型数字;最后,训练好的神经网络模型被成功应用于RoboMaster机甲大赛的多源数字识别场景中。测试结果表明,所提算法整体识别准确率稳定且较高,具有较好的鲁棒性和泛化能力。     

一种改进的模板匹配的数字识别算法

提出了一种改进的模板匹配的数字识别算法,该算法是预先将字符分成若干个集合,经细化得到数字中央的骨骼部分,再对待识别数字提取特征并与训练库中的数字特征加权比较,利用欧式距离最小原则来对数字作出判决,试验结果表明,加权的模板匹配法保证了数字识别的正确率,而对数字进行预分类和细化处理,可以大大缩小模板匹配的识别速度,弥补了模板匹配算法对于大量数字耗时多的缺点,提升了系统速度。     

一种数字仪表显示值快速识别方法

提出了一种数字仪表显示值的快速识别方法。该方法首先由计算机自动定位分割图像中的数字区域并实现单个数字的切分,然后对每个数字图像提取了一组具有较高区分度且计算简单的典型特征,最后,基于模糊识别的最大隶属原则,构造了一种数字识别器,实现了仪表显示值的实时识别。试验表明:该方法的识别率高达99%,对7位数字的识别时间不超过20毫秒,并且具有较强的抗干扰能力,达到了仪表显示值识别的速度和准确率要求。     

组合结构特征的自由手写体数字识别算法研究

自由手写体因其书写风格差异大、上下文无关及识别准确度要求高等原因导致其识别难度大的问题。针对手写体数字识别的特点及要求,提出一种新的基于组合结构特征的自由手写体数字识别算法。通过扩展的字符结构特征识别算法自动、鲁棒地提取手写体数字字符端点、分叉点、横线等多种结构特征,并组合应用这些结构特征构造决策树完成手写体字符的自动识别。实验结果表明基于组合结构特征的自由手写体数字识别算法的鲁棒性和识别率明显优于传统方法。     

Farsi/Arabic handwritten digit recognition based on ensemble of SVD classifiers and reliable multi-phase PSO combination rule

The problem of handwritten digit recognition has long been an open problem in the field of pattern classification and of great importance in industry. The heart of the problem lies within the ability to design an efficient algorithm that can recognize digits written and submitted by users via a tablet, scanner, and other digital devices. From an engineering point of view, it is desirable to achieve a good performance within limited resources. To this end, we have developed a new approach for handwritten digit recognition that uses a small number of patterns for training phase. To improve the overall performance achieved in classification task, the literature suggests combining the decision of multiple classifiers rather than using the output of the best classifier in the ensemble; so, in this new approach, an ensemble of classifiers is used for the recognition of handwritten digit. The classifiers used in proposed system are based on singular value decomposition (SVD) algorithm. The experimental results and the literature show that the SVD algorithm is suitable for solving sparse matrices such as handwritten digit. The decisions obtained by SVD classifiers are combined by a novel proposed combination rule which we named reliable multi-phase particle swarm optimization. We call the method “Reliable” because we have introduced a novel reliability parameter which is applied to tackle the problem of PSO being trapped in local minima. In comparison with previous methods, one of the significant advantages of the proposed method is that it is not sensitive to the size of training set. Unlike other methods, the proposed method uses just 15 % of the dataset as a training set, while other methods usually use (60–75) % of the whole dataset as the training set. To evaluate the proposed method, we tested our algorithm on Farsi/Arabic handwritten digit dataset. What makes the recognition of the handwritten Farsi/Arabic digits more challenging is that some of the digits can be legally written in different shapes. Therefore, 6000 hard samples (600 samples per class) are chosen by K-nearest neighbor algorithm from the HODA dataset which is a standard Farsi/Arabic digit dataset. Experimental results have shown that the proposed method is fast, accurate, and robust against the local minima of PSO. Finally, the proposed method is compared with state of the art methods and some ensemble classifier based on MLP, RBF, and ANFIS with various combination rules.     

基于PCA初始化卷积核的CNN手写数字识别算法

针对卷积神经网络对手写数字识别训练在卷积核随机初始化情况下收敛速度慢和识别率低的问题，提出一种主成分分析（PCA）初始化卷积核的卷积神经网络（CNN）手写数字识别算法。算法首先选取训练样本集并将其送入CNN，在相应层对Feature Map进行全覆盖取图像块处理，然后进行分层PCA学习，将学习到的特征向量做为对应卷积层的卷积核参数进行初始化，最后再用这些卷积核对原始图像进行卷积操作。实验结果表明，与随机初始化卷积核的CNN手写数字识别算法相比，改进的算法在应用MNIST数据库训练时不仅收敛，而且在产生相同均方误差的情况下迭代次数少，识别率高。     

基于局部线性嵌入算法的汉语数字语音识别

语音信号转换到频域后维数较高,流行学习方法可以自主发现高维数据中潜在低维结构的规律性,提出采用流形学习的方法对高维数据降维来进行汉语数字语音识别。采用流形学习中的局部线性嵌入算法提取语音频域上高维数据的低维流形结构特征,再将低维数据输入动态时间规整识别器进行识别。仿真实验结果表明,采用局部线性嵌入算法的汉语数字语音识别相较于常用声学特征MFCC维数要少,识别率提高了1.2%,有效提高了识别速度。     

基于全局距离最优的抗污染极短纠错码设计

针对现有二维码在复杂环境中抗污染能力弱、解码速度慢的问题,提出了一种基于全局距离最优的抗污染极短纠错码。首先,构建了表征污染环境的凹凸多边形数学模型;然后,设计了采用3个编码点表示一个目标数据位的极短纠错码;最后,设计了在有限约束域内全局距离最优的编码点的编排方法,并给出了对应的解码算法。对极短纠错码的抗污染能力和识别速度进行了仿真评估,并与经典的BCH码进行了对比。结果表明,当目标数据长度为18、编码点数为63时,极短纠错码在同等污染环境中识别准确率接近BCH码,而解码速度是BCH码的130倍。所提编码还具有结构简洁明确、编码点数适应能力强、易于标准化推广应用等显著优点。     

VQ／HMM二级音节识别的研究

ＨＭＭ技术在语音识别是得到较为成功的应用，然而ＶＱ／ＨＭＭ对在词表的识别速度及识别率仍不理想，文中根据系统实现中的实时性和识别率的要求，提出了初始码本均匀法，对参加训练的各音先对其求平均，然后用各音的平均值组成初始矢量的空间，并采用码本快速迭代法以及标号直方图法与ＨＭＭ识别相结合的二级识别方法，提高了系统的识别率和识别速度，此方法简单，易于实时化。     

基于双重优化的卷积神经网络图像识别算法*

为了进一步提高卷积神经网络算法的收敛速度和识别精度,提出基于双重优化的卷积神经网络图像识别算法。在构建卷积神经网络的过程中,针对特征提取和回归分类建立双重优化模型,实现对卷积与全连接过程的集成优化,并与局部优化算法对比,分析各算法的识别率和收敛速度的差异。在手写数字集和人脸数据集上的实验表明,双重优化模型可以在较大程度上提高卷积神经网络的收敛速度和识别精度,并且这种优化策略可以进一步拓展到其它与卷积神经网络相关的深度学习算法中。