6篇关于CRNN的计算机毕业论文

今天分享的是关于CRNN的6篇计算机毕业论文范文, 如果你的论文涉及到CRNN等主题,本文能够帮助到你

基于表格识别技术的茶叶检测报告识别研究与应用

这是一篇关于茶叶检测报告,表格布局识别,表格逻辑识别,CRNN,自注意力机制的论文, 主要内容为茶叶检测报告数据是衡量茶叶质量安全的重要指标。从大量茶叶检测报告中挖掘信息和内在价值,服务于政府和公众,已经成为当前我国茶叶信息化建设的必然要求。但是目前茶叶检测报告大部分仍采用纸质文档或电子图像的形式,这种非结构化的数据无法直接在计算机中进行数据分析处理,使得大量的检测信息无法被充分利用起来。如何快速有效地识别与提取茶叶检测报告图像中的信息,形成茶叶质量数据库,对于提高茶叶品质、保障茶叶质量安全具有重要的意义。本文是在湖北省技术创新专项重大项目“基于GAP的茶叶生产过程及质量安全智能控制关键技术研究”的支持下,针对项目中构建茶叶质量物联检测在线服务平台的需求,围绕茶叶检测报告中表格信息的自动识别展开研究工作,设计并实现了一个茶叶检测报告自动识别系统。本文将茶叶检测报告表格识别分为表格布局结构识别与表格逻辑结构识别两项任务。主要研究工作和创新如下:1.设计并实现了一个针对茶叶检测报告表格的布局结构识别系统。针对茶叶检测报告图像中有红色印章造成对表格数据遮挡的问题,进行红章去除等预处理工作;通过形态学操作膨胀与腐蚀来完成表格框线检测工作,并通过实验寻找出合适的腐蚀结构元素与膨胀结构单元;最后采用CNN+Bi-GRU+CTC结合的深度学习模型完成单元格中文字的识别。实验结果表明了本系统的有效性。2.提出了一个多特征融合的表格单元格分类模型MFFCCM,实现了表格逻辑结构识别。首先分别基于词向量和字向量从不同粒度对单元格文本进行表示,并通过拼接的方式实现字词向量的融合,通过Text CNN进行单元格文本特征提取;融合单元格的文本特征与空间位置特征,采用自注意力机制提取单元格之间的相互关系特征;使用MLP作为分类器,完成单元格分类任务;最后针对茶叶检测报告中的表格单元格之间逻辑匹配关系,给出了对应的匹配算法,实现了标题单元格与内容单元格的匹配,完成了表格的自动识别。实验结果验证了本文模型的有效性。3.开发了一个茶叶检测报告表格识别系统。在以上研究的基础上,针对茶叶质量物联检测在线服务平台的需求,实现了茶叶质量物联检测在线服务平台中茶叶检测报告的自动识别。系统采用灵活性更高的微服务架构,前端采用Vue框架,使用http协议进行前后端交互,采用Nginx作为负载均衡,网关API采用Spring Cloud Gateway,服务注册发现采用Spring Cloud Netflix Eureka,授权认证采用OAuth2.0。

基于表格识别技术的茶叶检测报告识别研究与应用

基于智能批阅的教学助手平台的设计与实现

这是一篇关于智能批阅,文本检测,文本识别,DBNet,CRNN的论文, 主要内容为在线作业批阅系统是为班级学生和任课教师提供服务的一种教学网络平台,任课教师利用此网络平台布置作业,系统将作业分发给指定班级或学生。教师可以获取作业的统计情况,选择已提交作业进行批阅,并反馈信息给学生。学生将账号与班级进行绑定,在线获取所有的课程作业,提交作业的同时由系统对作业状态进行更新,有效避免遗漏作业,实现作业的交互处理。本教学助手平台以Web端作为后台管理系统,采用微服务架构和Vue.js框架进行开发,管理教育局、学校、班级、师生及应用信息,并显性控制企业微信小程序和微信小程序的使用及停用;企业微信作为教师的工作平台,主要功能包括作业布置、作业详情、作业统计和作业批阅等;微信小程序作为家长及学生的学习平台,主要功能包括作业列表、作业完成和作业墙等;后端采用Spring Boot框架,数据库采用My SQL、Redis和Mongo DB以实现整个系统的大数据存储和实时云计算的需求,致力于为师生提供完善的在线作业全场景解决方案。本教学助手平台为教师提供数学速算智能批阅服务,该服务主要包含三个模块,分别是文本检测、文本识别和计算推演。该服务的文本检测模块采用基于分割算法的DBNet,在网络结构中加入CBAM注意力机制模块,提高各个特征在通道和空间上的联系,更有利于提取目标的有效特征;该服务的文本识别模块采用CRNN和CTC框架,针对小学作业扭曲字体的场景,在其中加入STN(空间转换网络)处理扭曲字符,并使用Bi LSTM和改进的En CTC模型,以提升网络的识别能力;该服务的计算推演模块设计并实现了一个自定义字符串计算器,对文本识别阶段识别的计算题文本进行计算,验证计算结果的正确性。该数学速算智能批阅服务可以对作业进行自动识别和判分,批改精准度达到98%。

基于深度学习的渔船牌号检测与识别研究

这是一篇关于渔船牌号检测与识别,DBNet,CRNN,多头注意力机制,双路径网络的论文, 主要内容为渔船牌号的检测与识别是提高渔港科学智能化管理的重要技术手段之一,对于解决传统人工监管渔船方式中存在的耗时耗力问题具有重要意义。目前,渔船牌号检测与识别在应用过程中依然存在着各种各样的问题,例如与船牌相关的数据量少、船牌悬挂位置不统一、背景颜色和字符个数不一致以及船牌图片质量差等问题,这些因素很大程度上影响着渔船牌号检测与识别准确率的提升。随着人工智能的发展,深度学习技术不断进步,渔船牌号检测与识别所面临的问题在慢慢得到解决。深度学习具有较强的学习能力和泛化能力,可以提高监控视频中的渔船牌号检测与识别的精确度和鲁棒性。本文通过研究文字检测网络算法DBNet和文字识别算法CRNN,完成了渔船牌号检测数据集和渔船牌号文字识别数据集的制作、渔船牌号的检测和识别算法的改进等。本文的主要研究内容如下:(1)提出了一种融合双路径网络和卷积注意力模块的可微二值化网络(Differentiable Binarization network with Dual Path Networks and convolutional block attention module,DP-CBAM-DBNet)的渔船牌号文本检测方法,该方法是将卷积注意力模块(convolutional block attention module,CBAM)加入到双路径网络(Dual Path Networks,DPN)中并将其一同替换掉DBNet网络中原始的特征提取部分,通过改进后的特征提取层进行特征提取,获得更多渔船牌号的细节特征,从而提升总体渔船牌号文本检测准确率。针对自然场景下的渔船牌号图像存在位置变化不规律、颜色背景不统一、船牌图片边界不清晰等问题,本文在DBNet网络的基础上进行研究和改进,实现了基于上述问题情景下的渔船牌号图片的检测,提高了渔船牌号文本检测的精准率。DP-CBAM-DBNet模型与原始网络采用Res Net18和Res Net50网络的方法,在检测准确率有2.54%和1.49%的提升,并且模型参数量相比于Res Net18时模型参数量仅增加了1M,相比于Res Net50时减小了11.9M,由此可以得出,DP-CBAM-DBNet模型在检测渔船牌号方面有较好的性能。(2)提出了一种融合多头注意力机制的卷积循环神经网络(Convolutional Recurrent Neural Network with Multi-head-attention Mechanism,MHA-CRNN)的渔船牌号文字识别方法。该方法首先是对卷积层进行优化,将性能良好的Res Net网络替换掉模型参数较高且消耗更多计算资源的VGG16网络,同时将Res Net网络中的Re LU激活函数更新为Mish激活函数,从而使得更多的数据可以加入到网络的训练中,进而使得模型拥有更佳的精确度与泛化能力;其次对循环层进行优化,在循环层中融合了多头注意力机制(Multi-head-attention Mechanism,MHA),能更加有效的获取长文本字符之间的依赖关系,可以得到渔船牌号文字不同维度的特征。针对渔船牌号长度不一、渔船牌号图像不清晰等问题,本文在CRNN网络的基础上进行了研究和改进,提高了渔船牌号识别的准确率。MHA-CRNN网络与原始CRNN网络相比,在准确率方面综合提升了11.53%,因此,该模型在渔船牌号文字识别方面有较好的识别能力。(3)设计并实现了渔船牌号检测与识别系统。采用改进后的渔船牌号文本检测DP-CBAM-DBNet模型和改进后的渔船牌号文字识别MHA-CRNN模型,实现了一种两阶段双模型的渔船牌号检测和识别方法。基于渔港周围的高点视频监控数据,针对渔船禁渔期渔船违规出海捕捞、渔船不在规定母港停靠的现象,实现了对渔船的动态可视化智能监管,同时海上监管的滞后性得到有效解决,能够对违规渔船进行有效查处,辅助相关管理部门对渔港的科学智能化管理,降低相关部门在渔港监管方面各种资源的耗费。

基于改进CRNN模型的手写化学方程式识别方法研究

这是一篇关于轻量化,神经网络,手写化学方程式识别,CRNN,MobileNetV3的论文, 主要内容为化学方程式的应用在我们日常生活中无处不在,影响我们的方方面面。化学方程式作为化工领域的基础,有着重要的地位。近年来随着化学研究的不断深入,相关文献大量出现,化学方程式因其是一个二维结构只能保存为图片,占用了大量的空间,而将其识别并进行一维编码化后,既节省了空间,也方便了存储和传输。此外,推导出新的化学方程式是化学研究中的一个重要组成部分,科研人员通过实验总结出反应前后的化学组成部分,并通过推导等方式来得到化学方程式,而化学方程式的推导中的一个重要步骤就是配平,而通过计算机配平则相对麻烦。如果在纸上进行配平,则可以用不同颜色的笔在任何位置进行标注,更加容易得到一个完整的化学方程式,再通过拍照识别的方式高效地录入到计算机之中。在教育领域,则可以将其应用于化学学科的试卷和作业批改中,将试卷扫描后识别为文本序列后就可以用计算机进行高效地批改。企业中最重要的目标之一就是提高利润,而减少产品成本是降低利润的有效方式之一。近年来内存条的价格居高不下,减少网络的模型参数所占用的空间就可以搭载在内存更小的边缘设备上,从而降低生产成本。所以本文的研究目标就是将识别化学方程式的模型进行轻量化,方便搭载在轻量化设备上。本文主要针对手写化学方程式识别做了以下工作:(1)针对目前网上没有现成的化学方程式数据集的问题,本文构建了一个手写化学方程式数据集,收集了170种常见的化学方程式和离子方程式,每个化学方程式请不同的自愿者抄十遍,得到1700张图片,然后以半径为1的高斯模糊对数据集进行扩充,得到3400张图像,再将数据集按照9:1的比例进行划分为训练集和测试集。此外,为了解决化学方式因二维编码无法直接识别的问题,提出了一种新的化学方程式编码方式,将二维编码转换为一维编码的表达式,方便后面的识别和标记。在编码方面,先对化学方程式中不同的元素进行分类,包括化学分子式、反应符号、上标、下标等,对不同的编码方式进行不同的编码,并且这些编码方式是一一对应的,能够将编码后的结构转换为二维结构,并方便其展示。(2)针对网络的参数太大,不易搭载在轻量化设备上的问题,本文在文本识别模型CRNN(Convolutional Recurrent Neural Network)的基础上,提出了一种新的轻量化网络模型LCRNN,该模型的卷积层使用了Mobile Net V3M模型。此外,该模型的循环层则是用了Bi GRU来进一步减少模型的参数和加快训练的速度。通过实验发现,在循环层使用Bi GRU时,在卷积层使用VGG、Mobile Net V3和Mobile Net V3M的APc(字符准确率)分别为99.65%、90.00%和97.51%。在循环层使用Bi LSTM时,卷积层使用VGG、Mobile Net V3和Mobile Net V3M的APc(字符准确率)分别为99.61%、92.88%和97.69%。实验结果说明Mobile Net V3M能够在参数少的请况下使其达到和VGG差不多的效果。(3)为了进一步提高LCRNN模型的识别准确率,本文在LCRNN模型的基础上加入了多尺度融合,并命名为MSF-LCRNN,该模型使用了两个不同的下采样方式得到两个不同的尺度,并将较大的尺度上采样后与较小的尺度进行融合,从而优势互补,提高识别的准确率。在化学方程式数据集上,LCRNN的APc(字符准确率)是97.51%,而MSF-LCRNN的APc(字符准确率)是98.34%。