CN111259880A - 一种基于卷积神经网络的电力操作票文字识别方法 - Google Patents

一种基于卷积神经网络的电力操作票文字识别方法 Download PDF

Info

Publication number
CN111259880A
CN111259880A CN202010022127.9A CN202010022127A CN111259880A CN 111259880 A CN111259880 A CN 111259880A CN 202010022127 A CN202010022127 A CN 202010022127A CN 111259880 A CN111259880 A CN 111259880A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
handwriting
power operation
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010022127.9A
Other languages
English (en)
Other versions
CN111259880B (zh
Inventor
罗麟
位一鸣
苗晓君
张引贤
熊安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhoushan Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010022127.9A priority Critical patent/CN111259880B/zh
Publication of CN111259880A publication Critical patent/CN111259880A/zh
Priority to PCT/CN2020/111550 priority patent/WO2021139175A1/zh
Application granted granted Critical
Publication of CN111259880B publication Critical patent/CN111259880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种基于卷积神经网络的电力操作票文字识别方法,涉及一种文字识别方法。目前电力操作票的文字识别不清楚。本发明包括步骤：构建仅具有3层卷积层，无池化层，无全连接层的卷积神经网络模型，训练得到非线性映射函数，提升图像的峰值信噪比；采用笔迹特征计算方法，分别获得电力操作票图像文字的假想笔画特征、路径签名特征和8方向特征；构建具有6层卷积层、5层池化层和1层全连接层的集成卷积神经网络模型，结合假想笔画特征、路径签名特征和8方向特征，训练得到文字识别模型；本技术方案利用卷积神经网络优越的空间特征学习能力，使用基于卷积神经网络的图像增强方法和文字识别方法，提高了电力操作票图像文字识别的准确度。

Description

一种基于卷积神经网络的电力操作票文字识别方法
技术领域
本发明涉及一种文字识别方法，尤其涉及一种基于卷积神经网络的电力操作票文字识别方法。
背景技术
传统基于卷积神经网络的文字识别方法直接使用CNN方法训练手写汉字图片样本集，进而得到文字分类模型。此类方法仅使用CNN方法学习图像空间特征信息，训练高效、设计简单。但是，CNN方法在训练的过程中样本有限，无法学习所有可能存在的手写字体特征，其网络结构简单，图像表示能力有限，训练易过拟合。此类方法的识别性能有待进一步提高。
为进一步提高文字识别的准确度，目前也出现了基于改进卷积神经网络的文字识别方法，使用图像变形网络GTN、仿射变形AD、弹性变形ED等文字变形方法丰富手写字体样本集，克服样本局限性；使用分数池化方法FMP、训练方法DropSample、松弛卷积神经网络R-CNN等方法优化卷积神经网络性能，克服训练过拟合、空间特征表达简单等问题。此类方法仅考虑样本集扩增、网络结构优化等方面，忽略了手写字体更深层次、细粒度的笔迹特征，如笔迹方向变化等，使得电力操作票图像文字识别的准确度低。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于卷积神经网络的电力操作票文字识别方法，以提高文字识别准确度目的。为此，本发明采取以下技术方案。
一种基于卷积神经网络的电力操作票文字识别方法，其特征在于包括以下步骤：
1)获取样本图像，得到训练集；
2)构建仅具有3层卷积层，无池化层，无全连接层的卷积神经网络模型C0；
3)定义C0的损失函数，
4)训练得到非线性映射函数Fλ(p),遍历训练集c中所有样本图像，训练输出图像增强计算函数，即非线性映射函数Fλ(p)；
5)基于非线性映射函数Fλ(p)，计算输出图像p的高峰值信噪比图像；
6)使用笔迹特征计算方法，计算高峰值信噪比图像的假想笔画特征、路径签名特征与8方向特征；
7)构建具有6层卷积层、5层池化层和1层全连接层的集成卷积神经网络模型C1；
8)遍历训练集中所有样本图像，结合假想笔画特征、路径签名特征与8个方向特征，训练得到电力操作票文字识别模型；
9)获取需要识别的电力操作票，通过电力操作票文字识别模型进行文字识别。
作为优选技术手段：在步骤1)中，针对样本图像pi(pi∈c,1≤i≤N)得到训练集，其中N是训练集c包含的样本图像总数，获取pi的M×M数值矩阵Ai，及其对应的清晰图像数值矩阵Bi。
作为优选技术手段：在步骤2)中构建三层卷积神经网络模型C0，仅含卷积层，选择激活函数ReLU，步长设置为1，不对卷积运算填充0，网络结构为：
Figure BDA0002361185920000031
作为优选技术手段：在步骤3)中定义损失函数，损失函数目的是获得最小F范数，计算公式如下：
Figure BDA0002361185920000032
其中λ＝{Wj,bj}；其中
Figure BDA0002361185920000033
Figure BDA0002361185920000034
为卷积网络第j层的卷积矩阵，bj为偏差值，nj为卷积网络第j层的卷积核个数。
作为优选技术手段：在步骤5)中使用非线性映射函数Fλ(p)，计算训练集c中每一个样本图像pi对应的增强图像Pi，得到新训练集C(Pi∈C,1≤i≤N)。
作为优选技术手段：步骤6)包括步骤：
a)假想笔画特征提取笔迹方向变化程度，针对每一相邻像素点，计算公式如下：
Figure BDA0002361185920000035
其中，θ为不同笔画之间相连构成的夹角度数(180≤θ≤180)，l为笔画长度，
Figure BDA0002361185920000036
w＝1/8；比较不同像素点dcd的值，计算得到Pi的假想笔画矩阵；
b)路径签名特征提取笔迹曲率值，给定笔迹起止区间为[s,t]，其曲率特征定义如下：
Figure BDA0002361185920000041
若k＝0，则0重积分特征计算结果为1，表示笔迹的二值图像特征；若k＝1，则1重积分特征表示笔迹的位移特征；若k＝2，则2重积分特征表示笔迹的曲率特征；k值可取任意值，正常情况下不宜取值太大，否则会导致计算复杂度指数级增加，却不能获取更多有效笔迹特征；针对每一相邻像素点，计算得到Pi的路径签名矩阵；
c)8方向特征能够出色地拟合汉字的横竖撇捺等笔画，可用于提取笔迹方向信息；假设给定一个二维坐标，8方向特征分别从0°，45°，90°，135°，180°225°，270°，315°计算笔迹梯度大小；给定一段笔迹的起止坐标(x1,y1)与(x2,y2)，梯度计算公式如下：
Figure BDA0002361185920000042
Figure BDA0002361185920000043
其中dx＝|x2-x1|，dy＝|y2-y1|，
Figure BDA0002361185920000044
针对每一相邻像素点，计算得到Pi的8方向矩阵。
作为优选技术手段：在步骤7)中，集成卷积神经网络模型C1的第1层卷积网络的卷积核大小设置为3×3，卷积核个数为80，且依次递增80；第2～6层卷积网络的卷积核大小设置为2×2；选择激活函数ReLU，选择补0卷积运算，步长取1；池化层矩阵大小均为2×2；集成卷积神经网络模型C1结构为：
表2集成卷积神经网络模型C1结构
Figure BDA0002361185920000045
Figure BDA0002361185920000051
其中n表示笔迹特征维度个数。
有益效果：
1)使用自定义三层卷积神经网络训练得到非线性映射函数，输出高峰值信噪比值图像，解决输入图像低清晰度问题，有利于后续文字的准确识别；
2)基于笔迹特征方法，分别计算手写字体的假想笔画特征、路径签名特征与8方向特征，解决卷积神经网络图像空间特征学习的局限性，准确地表达了手写字体笔迹信息；
3)通过融合笔迹特征，使用集成卷积神经网络模型训练得到电力操作票文字识别模型，有效地提升了文字识别的准确度。
附图说明
图1是本发明的流程图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，本发明包括步骤：
1)获取样本图像，得到训练集；
2)构建仅具有3层卷积层，无池化层，无全连接层的卷积神经网络模型C0；
3)定义C0的损失函数，
4)训练得到非线性映射函数Fλ(p),遍历训练集c中所有样本图像，训练输出图像增强计算函数，即非线性映射函数Fλ(p)；
5)基于非线性映射函数Fλ(p)，计算输出图像p的高峰值信噪比图像；
6)使用笔迹特征计算方法，计算高峰值信噪比图像的假想笔画特征、路径签名特征与8方向特征；
7)构建具有6层卷积层、5层池化层和1层全连接层的集成卷积神经网络模型C1；
8)遍历训练集中所有样本图像，结合假想笔画特征、路径签名特征与8个方向特征，训练得到电力操作票文字识别模型；
9)获取需要识别的电力操作票，通过电力操作票文字识别模型进行文字识别。
以上步骤分为图像增强处理、文字识别处理两个阶段。
以下就各阶段进行具体的说明：
图像增强处理阶段
图像增强处理的步骤如下：
步骤1，针对样本图像pi(pi∈c,1≤i≤N)，其中N是训练集c包含的样本图像总数，获取pi的M×M数值矩阵Ai，及其对应的清晰图像数值矩阵Bi。
步骤2，构建三层卷积神经网络模型C0，仅含卷积层，选择激活函数ReLU，步长设置为1，不对卷积运算填充0，网络结构如表1所示：
表1自定义卷积神经网络模型C0结构
Figure BDA0002361185920000061
Figure BDA0002361185920000071
步骤3，定义损失函数，与Bi相比较，损失函数目的是获得最小F范数，计算公式如下：
Figure BDA0002361185920000072
其中λ＝{Wj,bj}。其中
Figure BDA0002361185920000073
Figure BDA0002361185920000074
为卷积网络第j层的卷积矩阵，bj为偏差值，nj为卷积网络第j层的卷积核个数。
步骤4，遍历训练集c中所有样本图像，训练输出图像增强计算函数，即非线性映射函数Fλ(p)。
文字识别处理阶段
文字识别处理的步骤如下：
步骤1，使用非线性映射函数Fλ(p)，计算训练集c中每一个样本图像pi对应的增强图像Pi，得到新训练集C(Pi∈C,1≤i≤N)。
步骤2，基于笔迹特征计算方法，分别计算Pi的假想笔画特征、路径签名特征与8方向特征。具体计算方法如下：
d)假想笔画特征提取笔迹方向变化程度，针对每一相邻像素点，计算公式如下：
Figure BDA0002361185920000075
其中，θ为不同笔画之间相连构成的夹角度数(180≤θ≤180)，l为笔画长度，
Figure BDA0002361185920000076
w＝1/8。比较不同像素点dcd的值，计算得到Pi的假想笔画矩阵。
e)路径签名特征提取笔迹曲率值，给定笔迹起止区间为[s,t]，其曲率特征定义如下：
Figure BDA0002361185920000081
若k＝0，则0重积分特征计算结果为1，表示笔迹的二值图像特征；若k＝1，则1重积分特征表示笔迹的位移特征；若k＝2，则2重积分特征表示笔迹的曲率特征。k值可取任意值，正常情况下不宜取值太大，否则会导致计算复杂度指数级增加，却不能获取更多有效笔迹特征。针对每一相邻像素点，计算得到Pi的路径签名矩阵。
f)8方向特征能够出色地拟合汉字的横竖撇捺等笔画，可用于提取笔迹方向信息。假设给定一个二维坐标，8方向特征分别从0°，45°，90°，135°，180°225°，270°，315°计算笔迹梯度大小。给定一段笔迹的起止坐标(x1,y1)与(x2,y2)，梯度计算公式如下：
Figure BDA0002361185920000082
Figure BDA0002361185920000083
其中dx＝|x2-x1|，dy＝|y2-y1|，
Figure BDA0002361185920000084
针对每一相邻像素点，计算得到Pi的8方向矩阵。
步骤3，构建集成卷积网络模型C1，该模型包含6层卷积网络，前5层卷积网络下一层均配置池化层，第6层卷积网络的下一层配置全连接层。第1层卷积网络的卷积核大小设置为3×3，卷积核个数为80，且依次递增80；第2～6层卷积网络的卷积核大小设置为2×2；选择激活函数ReLU，选择补0卷积运算，步长取1。池化层矩阵大小均为2×2。模型结构如表2所示，其中n表示笔迹特征维度个数。
表2集成卷积神经网络模型C1结构
Figure BDA0002361185920000085
Figure BDA0002361185920000091
步骤4，遍历训练集C中所有样本图像，结合假想笔画特征、路径签名特征与8方向特征，训练输出文字识别模型。
以上图1所示的一种基于卷积神经网络的电力操作票文字识别方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

Claims (7)

1.一种基于卷积神经网络的电力操作票文字识别方法，其特征在于包括以下步骤：
1)获取样本图像，得到训练集；
2)构建仅具有3层卷积层，无池化层，无全连接层的卷积神经网络模型C0；
3)定义C0的损失函数；
4)训练得到非线性映射函数Fλ(p),遍历训练集c中所有样本图像，训练输出图像增强计算函数，即非线性映射函数Fλ(p)；
5)基于非线性映射函数Fλ(p)，计算输出图像p的高峰值信噪比图像；
6)使用笔迹特征计算方法，计算高峰值信噪比图像的假想笔画特征、路径签名特征与8方向特征；
7)构建具有6层卷积层、5层池化层和1层全连接层的集成卷积神经网络模型C1；
8)遍历训练集中所有样本图像，结合假想笔画特征、路径签名特征与8个方向特征，训练得到电力操作票文字识别模型；
9)获取需要识别的电力操作票，通过电力操作票文字识别模型进行文字识别。
2.根据权利要求1所述的一种基于卷积神经网络的电力操作票文字识别方法，其特征在于：在步骤1)中，针对样本图像pi(pi∈c,1≤i≤N)得到训练集，其中N是训练集c包含的样本图像总数，获取pi的M×M数值矩阵Ai，及其对应的清晰图像数值矩阵Bi。
3.根据权利要求2所述的一种基于卷积神经网络的电力操作票文字识别方法，其特征在于：在步骤2)中构建三层卷积神经网络模型C0，仅含卷积层，选择激活函数ReLU，步长设置为1，不对卷积运算填充0，网络结构为：
Figure FDA0002361185910000021
4.根据权利要求3所述的一种基于卷积神经网络的电力操作票文字识别方法，其特征在于：在步骤3)中定义损失函数，损失函数目的是获得最小F范数，计算公式如下：
Figure FDA0002361185910000022
其中λ＝{Wj,bj}；其中
Figure FDA0002361185910000023
Figure FDA0002361185910000024
为卷积网络第j层的卷积矩阵，bj为偏差值，nj为卷积网络第j层的卷积核个数。
5.根据权利要求4所述的一种基于卷积神经网络的电力操作票文字识别方法，其特征在于：在步骤5)中使用非线性映射函数Fλ(p)，计算训练集c中每一个样本图像pi对应的增强图像Pi，得到新训练集C(Pi∈C,1≤i≤N)。
6.根据权利要求5所述的一种基于卷积神经网络的电力操作票文字识别方法，其特征在于：步骤6)包括步骤：
a)假想笔画特征提取笔迹方向变化程度，针对每一相邻像素点，计算公式如下：
Figure FDA0002361185910000025
其中，θ为不同笔画之间相连构成的夹角度数(180≤θ≤180)，l为笔画长度，
Figure FDA0002361185910000031
w＝1/8；比较不同像素点dcd的值，计算得到Pi的假想笔画矩阵；
b)路径签名特征提取笔迹曲率值，给定笔迹起止区间为[s,t]，其曲率特征定义如下：
Figure FDA0002361185910000032
若k＝0，则0重积分特征计算结果为1，表示笔迹的二值图像特征；若k＝1，则1重积分特征表示笔迹的位移特征；若k＝2，则2重积分特征表示笔迹的曲率特征；k值可取任意值，正常情况下不宜取值太大，否则会导致计算复杂度指数级增加，却不能获取更多有效笔迹特征；针对每一相邻像素点，计算得到Pi的路径签名矩阵；
c)8方向特征能够出色地拟合汉字的横竖撇捺等笔画，可用于提取笔迹方向信息；假设给定一个二维坐标，8方向特征分别从0°，45°，90°，135°，180°225°，270°，315°计算笔迹梯度大小；给定一段笔迹的起止坐标(x1,y1)与(x2,y2)，梯度计算公式如下：
Figure FDA0002361185910000033
Figure FDA0002361185910000034
其中dx＝|x2-x1|，dy＝|y2-y1|，
Figure FDA0002361185910000035
针对每一相邻像素点，计算得到Pi的8方向矩阵。
7.根据权利要求6所述的一种基于卷积神经网络的电力操作票文字识别方法，其特征在于：在步骤7)中，集成卷积神经网络模型C1的第1层卷积网络的卷积核大小设置为3×3，卷积核个数为80，且依次递增80；第2～6层卷积网络的卷积核大小设置为2×2；选择激活函数ReLU，选择补0卷积运算，步长取1；池化层矩阵大小均为2×2；集成卷积神经网络模型C1结构为：
表2集成卷积神经网络模型C1结构
Figure FDA0002361185910000041
其中n表示笔迹特征维度个数。
CN202010022127.9A 2020-01-09 2020-01-09 一种基于卷积神经网络的电力操作票文字识别方法 Active CN111259880B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010022127.9A CN111259880B (zh) 2020-01-09 2020-01-09 一种基于卷积神经网络的电力操作票文字识别方法
PCT/CN2020/111550 WO2021139175A1 (zh) 2020-01-09 2020-08-27 一种基于卷积神经网络的电力操作票文字识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010022127.9A CN111259880B (zh) 2020-01-09 2020-01-09 一种基于卷积神经网络的电力操作票文字识别方法

Publications (2)

Publication Number Publication Date
CN111259880A true CN111259880A (zh) 2020-06-09
CN111259880B CN111259880B (zh) 2022-11-18

Family

ID=70954083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010022127.9A Active CN111259880B (zh) 2020-01-09 2020-01-09 一种基于卷积神经网络的电力操作票文字识别方法

Country Status (2)

Country Link
CN (1) CN111259880B (zh)
WO (1) WO2021139175A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139175A1 (zh) * 2020-01-09 2021-07-15 国网浙江省电力有限公司舟山供电公司 一种基于卷积神经网络的电力操作票文字识别方法
CN113159604A (zh) * 2021-04-30 2021-07-23 贵州电网有限责任公司 一种基于增强现实的电力系统调度操作可视化方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113959071B (zh) * 2021-07-21 2023-05-26 北京金茂绿建科技有限公司 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法
CN113780306B (zh) * 2021-08-11 2024-04-09 北京工业大学 一种基于深度卷积神经网络的废旧手机颜色识别方法
CN114218984B (zh) * 2021-12-07 2024-03-22 桂林电子科技大学 一种基于样本多视图学习的射频指纹识别方法
CN114221334B (zh) * 2021-12-13 2024-08-13 国网江苏省电力有限公司 一种基于图神经网络的快速状态估计方法
CN116187313B (zh) * 2023-04-27 2023-06-27 南方电网数字电网研究院有限公司 基于自然语言处理技术的电力操作票设备识别与勘误方法
CN116824306B (zh) * 2023-08-28 2023-11-17 天津大学 基于多模态元数据的笔石化石图像识别模型的训练方法
CN117272244B (zh) * 2023-11-21 2024-03-15 中国石油大学(华东) 一种融合特征提取和自适应构图的软测量建模方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140363082A1 (en) * 2013-06-09 2014-12-11 Apple Inc. Integrating stroke-distribution information into spatial feature extraction for automatic handwriting recognition
CN104751422A (zh) * 2015-03-12 2015-07-01 中南大学 一种影印文档图像增强及二值化方法
US20180349743A1 (en) * 2017-05-30 2018-12-06 Abbyy Development Llc Character recognition using artificial intelligence
CN109583449A (zh) * 2018-10-29 2019-04-05 深圳市华尊科技股份有限公司 字符识别方法及相关产品
CN110008917A (zh) * 2019-04-11 2019-07-12 国网河南省电力公司电力科学研究院 基于表格理解的继电保护装置定值单数据的故障检测方法
CN110210468A (zh) * 2019-05-29 2019-09-06 电子科技大学 一种基于卷积神经网络特征融合迁移的文字识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335754A (zh) * 2015-10-29 2016-02-17 小米科技有限责任公司 文字识别方法及装置
CN111259880B (zh) * 2020-01-09 2022-11-18 国网浙江省电力有限公司舟山供电公司 一种基于卷积神经网络的电力操作票文字识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140363082A1 (en) * 2013-06-09 2014-12-11 Apple Inc. Integrating stroke-distribution information into spatial feature extraction for automatic handwriting recognition
CN104751422A (zh) * 2015-03-12 2015-07-01 中南大学 一种影印文档图像增强及二值化方法
US20180349743A1 (en) * 2017-05-30 2018-12-06 Abbyy Development Llc Character recognition using artificial intelligence
CN109583449A (zh) * 2018-10-29 2019-04-05 深圳市华尊科技股份有限公司 字符识别方法及相关产品
CN110008917A (zh) * 2019-04-11 2019-07-12 国网河南省电力公司电力科学研究院 基于表格理解的继电保护装置定值单数据的故障检测方法
CN110210468A (zh) * 2019-05-29 2019-09-06 电子科技大学 一种基于卷积神经网络特征融合迁移的文字识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
葛明涛 等: "基于多重卷积神经网络的大模式联机手写文字识别", 《现代电子技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139175A1 (zh) * 2020-01-09 2021-07-15 国网浙江省电力有限公司舟山供电公司 一种基于卷积神经网络的电力操作票文字识别方法
CN113159604A (zh) * 2021-04-30 2021-07-23 贵州电网有限责任公司 一种基于增强现实的电力系统调度操作可视化方法

Also Published As

Publication number Publication date
WO2021139175A1 (zh) 2021-07-15
CN111259880B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN111259880B (zh) 一种基于卷积神经网络的电力操作票文字识别方法
CN109993160B (zh) 一种图像矫正及文本与位置识别方法及系统
CN111160352B (zh) 一种基于图像分割的工件金属表面文字识别方法及系统
CN110532900B (zh) 基于U-Net和LS-CNN的人脸表情识别方法
CN107451565B (zh) 一种半监督小样本深度学习图像模式分类识别方法
CN106408038A (zh) 一种基于卷积神经网络模型的旋转汉字识别方法
CN107341510B (zh) 基于稀疏正交的双图非负矩阵分解的图像聚类方法
CN109241995B (zh) 一种基于改进型ArcFace损失函数的图像识别方法
CN107122712B (zh) 基于cnn和双向vlad的掌纹图像识别方法
CN108898138A (zh) 基于深度学习的场景文本识别方法
CN110569738A (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN103236068B (zh) 一种局部图像匹配方法
CN105243139A (zh) 一种基于深度学习的三维模型检索方法及其检索装置
CN112070768A (zh) 基于Anchor-Free的实时实例分割方法
CN113920516B (zh) 一种基于孪生神经网络的书法字骨架匹配方法及系统
CN109766752B (zh) 一种基于深度学习的目标匹配和定位方法及系统、计算机
Dhande et al. Character recognition for cursive english handwriting to recognize medicine name from doctor's prescription
CN111401156A (zh) 基于Gabor卷积神经网络的图像识别方法
CN112733716A (zh) 基于srocrn网络的低分辨率文本图像识别方法
He et al. Context-aware mathematical expression recognition: An end-to-end framework and a benchmark
CN117058437B (zh) 一种基于知识蒸馏的花卉分类方法、系统、设备及介质
CN107292255B (zh) 基于特征矩阵相似度分析的手写数字识别方法
Cao Face recognition robot system based on intelligent machine vision image recognition
CN114694150A (zh) 一种提升数字图像分类模型泛化能力的方法及系统
Gan et al. Characters as graphs: Recognizing online handwritten chinese characters via spatial graph convolutional network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant