CN111275043A - 一种基于pcnn处理的纸质简谱电子化播放装置 - Google Patents
一种基于pcnn处理的纸质简谱电子化播放装置 Download PDFInfo
- Publication number
- CN111275043A CN111275043A CN202010073751.1A CN202010073751A CN111275043A CN 111275043 A CN111275043 A CN 111275043A CN 202010073751 A CN202010073751 A CN 202010073751A CN 111275043 A CN111275043 A CN 111275043A
- Authority
- CN
- China
- Prior art keywords
- musical notation
- numbered musical
- image
- music
- segmentation
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000003909 pattern recognition Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 240000007651 Rubus glaucus Species 0.000 claims description 9
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 9
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000011161 development Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229940082150 encore Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/685—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using automatically derived transcript of audio data, e.g. lyrics
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
- G10H1/00—Details of electrophonic musical instruments
- G10H1/0008—Associated control or indicating means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于PCNN处理的纸质简谱电子化播放装置，属于电子播放技术领域。由硬件部分和软件两部分组成，其中硬件部分包括通信接收模块和音乐播放模块；软件部分包括计算机图像处理模块、模式识别模块和通信模块。本发明中的纸质简谱电子化技术突破了纯手工的乐谱数字化瓶颈，为乐谱数字化提供了一条智能、高效、快捷的新途径。不仅是为建立数字音乐图书馆提供了技术支撑，同时多媒体音乐教学逐渐成为音乐课堂的重要教学方式，利用纸质简谱识别技术进行自动演唱，有利于简谱在音乐教学中的普及和发展；本发明不仅对传统文化的保护和传承具有重要研究意义，在应用领域也具有潜在的市场推广价值。
Description
技术领域
本发明属于电子播放技术领域，具体涉及一种基于PCNN处理的纸质简谱电子化播放装置。
背景技术
音乐是人类的第二语言，是人类精神生活中的一个重要且最具魅力的领域。乐谱类型分为五线谱与简谱，简谱虽然不是国际上常用的形式，但是在我国是应用最普遍的记谱法之一。纸质简谱电子化装置的实现不仅仅为建立数字音乐图书馆提供了技术支撑。同时多媒体音乐教学逐渐成为音乐课堂的重要教学方式，利用纸质简谱识别技术进行自动演唱，有利于简谱在音乐教学中的普及和发展；在数字娱乐行业中，实现纸质简谱图像歌词自动转化和播放，应用于数字产品，有潜在的商业应用价值。
目前计算机光学乐谱识别(OMR)技术正处于发展阶段，并没有大规模的生产和应用。随着社会进步和科技的进步，计算机光学乐谱识别(OMR)技术将会越来越受到人们的青睐。也正是因为计算机光学乐谱识别(OMR)技术处于发展阶段，他还存在着一些较为普遍的问题。
在计算机多媒体技术决速发展的今天，各种音乐编辑软件层出不穷,如Encore、GoldWave等,它们使“乐谱进入计算机”已经不成为问题。然而,目前利用编辑软件进行乐谱数字化大部分还是一种纯手工的方式,即“手工录入—校对—修改”的方法,这样就要求录入人员必须其有一定的音乐专业知识,而且输人工作量大，效率低。因此，在纸质乐谱电子化的进程中,不可避免地产生了低速的音乐信息输人与高速信息处理之间的矛盾。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于PCNN处理的纸质简谱电子化播放装置，实现将纸质简谱中的简谱部分及歌词信息完整地提取出来，并转化为播放器可识别的数据文件。
为了实现上述发明目的，本发明采用以下技术方案：
一种基于PCNN处理的纸质简谱电子化播放装置，由硬件和软件两部分组成，其中硬件部分包括通信接收模块和音乐播放模块；而软件部分则包括计算机图像处理模块、模式识别模块和通信模块。
利用PCNN处理的纸质简谱电子化播放装置的方法，包括如下步骤：
1)拍摄任意光照条件下的简谱图像，获取真实拍摄的待处理纸质简谱图像。
2)对待处理的纸质简谱图像，采用自适应分块PCNN的处理方法，再通过构造的DNN神经网络得到分割图像，建立分块图像数据集，利用分块PCNN进行迭代处理，人工标注分割次数，测定每个分块的灰度特征与PCNN迭代次数的关系。
3)对简谱图像进行预处理，将步骤2)处理得到的全局分割图进行简谱图像的倾斜校正和斑点去噪。
4)采用预设的水平投影法，分别实现对音符区域中的音调、音符和汉字区域中歌词的准确提取。
5)采用预设的卷积神经网络对提取出的音调、音符以及歌词进行识别，从而生成音乐文件。
6)通过UDP协议中的Socket通信来将音乐文件传送给树莓派，并用其自带的aplay软件对接收到的音乐文件进行自动播放。
利用PCNN实现对简谱分块图像的分割，通过各种模式识别等技术将分割的简谱图像进行倾斜校正及去噪处理，并对简谱及歌词进行分割、提取与识别，进而形成音乐编译器可读取的数据文件；获取用于音乐编译器识别的数字化乐谱数据的方法，包括如下步骤：
1)人工拍摄各种光照条件下的简谱图像，并对完整的简谱图像进行自适应的分块处理，采用脉冲耦合神经网络对其进行自适应分割，同时选择每一分块图像的分割图。
2)记录真实分块简谱图像中像素的方差及均值，对其数值与PCNN分割迭代次数之间的关系进行分析，构造一种能自动选取分割的深度神经网络模型，并对选取的分割图像进行了连通域滤除处理。
3)对简谱分割图进行预处理，基于滤除连通域的方法将简谱分割图只保留小节符，再利用小节符水平投影特征对整幅简谱图像进行大尺度梯度下降法的粗调整，分析水平投影的数值与简谱图像位置的关系。
4)分析简谱图像中音符、歌词与标题等区域在图像中的分布结构，再根据音符、歌词与标题各区域的不同分布特征，利用水平投影法与垂直投影法，完成对简谱图像音符及歌词的提取。
5)依据上述提取出的音符及歌词，分别构造大量真实的训练样本对，然后针对各种架构的CNN神经网络对样本对进行训练，分别记录训练的情况，最后选取一种具有较好回归特性的CNN架构提取出的音符及歌词进行识别，从而实现简谱的数字化过程。
进一步地，所述分割图像预处理利用小尺度梯度下降法再对整幅简谱图像进行精细调整。
本发明的有益效果是：本发明中的纸质简谱电子化技术突破了纯手工的乐谱数字化瓶颈，为乐谱数字化提供了一条智能、高效、快捷的新途径。不仅是为建立数字音乐图书馆提供了技术支撑，同时多媒体音乐教学逐渐成为音乐课堂的重要教学方式，利用纸质简谱识别技术进行自动演唱，有利于简谱在音乐教学中的普及和发展；在数字娱乐行业中，实现中文简谱图像歌词自动转化和播放，应用于数字产品，有潜在的商业应用价值。本发明不仅对传统文化的保护和传承具有重要研究意义，在应用领域也具有潜在的市场推广价值。
附图说明
图1为本发明的结构示意图；
图2为本发明中利用PCNN处理的纸质简谱电子化播放装置的方法的结构示意图。
图3为图2中步骤3)的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
以下实施例中涉及的零部件、结构、机构等，如无特殊说明，则均为常规市售产品。
实施例1：
一种基于PCNN处理的纸质简谱电子化播放装置，由硬件和软件两部分组成，其中硬件部分包括通信接收模块和音乐播放模块；而软件部分则包括计算机图像处理模块、模式识别模块和通信模块。该计算机图像处理模块主要用于对真实拍摄的简谱图像进行预处理，基于PCNN得到全局分割图，同时在此基础上进行简谱图像的倾斜校正和斑点去噪，为后续操作奠定基础。模式识别模块根据上一模块得到的二值图像，进而实现音符区域中的音调、音符和汉字区域中每个文字的准确提取及识别。通信模块主要作用是将简谱的电子化文件与树莓派进行连接通信。音乐播放模块主要是树莓派在接收简谱图像电子化文件的前提下，完成对简谱的自动播放。整个系统包括简谱音调的变化和歌词的连贯播放。
利用PCNN处理的纸质简谱电子化播放装置的方法，包括如下步骤：
1)拍摄任意光照条件下的简谱图像，获取真实拍摄的待处理纸质简谱图像。
2)对待处理的纸质简谱图像，采用自适应分块PCNN的处理方法，再通过构造的DNN神经网络得到分割图像，建立分块图像数据集，利用分块PCNN进行迭代处理，人工标注分割次数，测定每个分块的灰度特征与PCNN迭代次数的关系。
3)对简谱图像进行预处理，将步骤2)处理得到的全局分割图进行简谱图像的倾斜校正和斑点去噪。
4)采用预设的水平投影法，分别实现对音符区域中的音调、音符和汉字区域中歌词的准确提取。
5)采用预设的卷积神经网络对提取出的音调、音符以及歌词进行识别，从而生成音乐文件。
6)通过UDP协议中的Socket通信来将音乐文件传送给树莓派，并用其自带的aplay软件对接收到的音乐文件进行自动播放。
纸质简谱电子化播放装置，其工作原理如下：
(1)拍摄任意光照条件下的简谱图像，并对完整的简谱图像进行自适应的分块处理，采用脉冲耦合神经网络(PCNN)对其进行自适应分割，从而得到简谱图像的分割图。
(2)在得到最优分割图的基础上，图像处理模块将对分割图进行预处理操作，在滤除斑点噪声的同时，利用多尺度梯度下降法，提出一种能根据小节线水平投影值自动实现倾斜简谱校正的算法.完成对输入的简谱图像进行去噪及倾斜校正处理。
(3)模式识别模块实现对音符、音调以及歌词的提取和识别。根据音符区域和文字区域分别与水平投影值之间的关系，分析图像中的排版结构和不同区域的水平投影特征信息，运用垂直投影法对两种区域分别进行处理，实现两种区域中的每个音符和文字的准确提取，进而在卷积神经网络中对提取出的音符及汉字进行准确识别。
(4)在完成音调、音符和汉字的识别之后，自动生成树莓派能接收和识别的乐谱文件(MusicXML文件等)，同时通过UDP协议中的Socket通信来将音乐文件传送给树莓派。之所以选用UDP协议，是因为它具有面对非连接协议的特点，无需进某种连接，而是直接将所需数据传送给另一端接收方，从而使得通信效率非常的高。
(5)当树莓派通过通信模块接收到完整的音乐文件之后，树莓派中自带的aplay软件可以对接收到的音乐进行自动播放。
PCNN在用于全局灰度分布不均匀的图像处理时，往往会出现分割不均匀的情况。利用对全局图像分块处理的方式，确定分块模式及数量与分割之间的关系，进一步通过直方图分析的方法，掌握简谱图像整体灰度分布与分块模式之间的关系。通过测定每个分块的灰度特征与PCNN迭代次数之间的关系，构造合适的DNN神经网络以实现迭代次数的自适应选择，从而提出一种基于PCNN的简谱图像全局分割算法。简谱分割图预处理主要包括斑点噪声滤除和倾斜校正两个方面。通过对PCNN脉冲发放特性与网络参数之间关系的测定，掌握PCNN用于斑点噪声滤除的参数设置方法。进一步运用水平投影法，分析简谱图像中的小节线及其水平投影与倾斜角度之间的关系，掌握简谱分割图像倾斜角度对水平投影全局最小值的影响情况，利用多尺度梯度下降法，提出一种能根据小节线水平投影值自动实现倾斜简谱校正的算法。根据音符区域和文字区域分别与水平投影值之间的关系，分析图像中的排版结构和不同区域的水平投影特征信息，确定两种区域与水平投影值变化点之间的关系，从而给出一种分别对音符区域和文字区域进行划分和提取的算法。在此基础上，运用垂直投影法对两种区域分别进行处理，掌握垂直投影值与音符、高低音符号、时值线等垂直位置的关系，进而实现两种区域中的每个音符和文字的准确提取。通过对简谱中的音符、高低音符号以及歌词分别归纳，构造大量训练样本对用于卷积神经网络的训练，测定网络层数、激活函数、池化方法对识别效果的影响，从而设计一种适合音符和歌词识别的卷积神经网络。
利用PCNN实现对简谱分块图像的分割，通过各种模式识别等技术将分割的简谱图像进行倾斜校正及去噪处理，并对简谱及歌词进行分割、提取与识别，进而形成音乐编译器可读取的数据文件；获取用于音乐编译器识别的数字化乐谱数据的方法，包括如下步骤：
1)人工拍摄各种光照条件下的简谱图像，并对完整的简谱图像进行自适应的分块处理，采用脉冲耦合神经网络对其进行自适应分割，同时选择每一分块图像的分割图。
2)记录真实分块简谱图像中像素的方差及均值，对其数值与PCNN分割迭代次数之间的关系进行分析，构造一种能自动选取分割的深度神经网络模型，并对选取的分割图像进行了连通域滤除处理。
3)对简谱分割图进行预处理，基于滤除连通域的方法将简谱分割图只保留小节符，再利用小节符水平投影特征对整幅简谱图像进行大尺度梯度下降法的粗调整，分析水平投影的数值与简谱图像位置的关系，所述分割图像预处理利用小尺度梯度下降法再对整幅简谱图像进行精细调整。
4)分析简谱图像中音符、歌词与标题等区域在图像中的分布结构，再根据音符、歌词与标题各区域的不同分布特征，利用水平投影法与垂直投影法，完成对简谱图像音符及歌词的提取。
5)依据上述提取出的音符及歌词，分别构造大量真实的训练样本对，然后针对各种架构的CNN神经网络对样本对进行训练，分别记录训练的情况，最后选取一种具有较好回归特性的CNN架构提取出的音符及歌词进行识别，从而实现简谱的数字化过程。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于PCNN处理的纸质简谱电子化播放装置，其特征在于由硬件部分和软件两部分组成，其中硬件部分包括通信接收模块和音乐播放模块；软件部分包括计算机图像处理模块、模式识别模块和通信模块。
2.根据权利要求1所述的一种利用PCNN处理的纸质简谱电子化播放装置的方法，其特征在于包括如下步骤：
1)拍摄任意光照条件下的简谱图像，获取真实拍摄的待处理纸质简谱图像；
2)对待处理的纸质简谱图像，采用自适应分块PCNN的处理方法，再通过构造的DNN神经网络得到分割图像，建立分块图像数据集，利用分块PCNN进行迭代处理，人工标注分割次数，测定每个分块的灰度特征与PCNN迭代次数的关系；
3)对简谱图像进行预处理，将步骤2)处理得到的全局分割图进行简谱图像的倾斜校正和斑点去噪；
4)采用预设的水平投影法，分别实现对音符区域中的音调、音符和汉字区域中歌词的准确提取；
5)采用预设的卷积神经网络对提取出的音调、音符以及歌词进行识别，从而生成音乐文件；
6)通过UDP协议中的Socket通信来将音乐文件传送给树莓派，并用其自带的aplay软件对接收到的音乐文件进行自动播放。
3.一种用于获取音乐编译器识别的数字化乐谱数据的方法，其特征在于包括如下步骤：
1)人工拍摄各种光照条件下的简谱图像，并对完整的简谱图像进行自适应的分块处理，采用脉冲耦合神经网络对其进行自适应分割，同时选择每一分块图像的分割图；
2)记录真实分块简谱图像中像素的方差及均值，对其数值与PCNN分割迭代次数之间的关系进行分析，构造一种能自动选取分割的深度神经网络模型，并对选取的分割图像进行了连通域滤除处理；
3)对简谱分割图进行预处理，基于滤除连通域的方法将简谱分割图只保留小节符，再利用小节符水平投影特征对整幅简谱图像进行大尺度梯度下降法的粗调整，分析水平投影的数值与简谱图像位置的关系；
4)分析简谱图像中音符、歌词与标题等区域在图像中的分布结构，再根据音符、歌词与标题各区域的不同分布特征，利用水平投影法与垂直投影法，完成对简谱图像音符及歌词的提取；
5)依据上述提取出的音符及歌词，分别构造大量真实的训练样本对，然后针对各种架构的CNN神经网络对样本对进行训练，分别记录训练的情况，最后选取一种具有较好回归特性的CNN架构提取出的音符及歌词进行识别，从而实现简谱的数字化过程。
4.根据权利要求3所述的一种用于获取音乐编译器识别的数字化乐谱数据的方法，其特征在于所述分割图像预处理利用小尺度梯度下降法再对整幅简谱图像进行精细调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073751.1A CN111275043B (zh) | 2020-01-22 | 2020-01-22 | 一种基于pcnn处理的纸质简谱电子化播放装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010073751.1A CN111275043B (zh) | 2020-01-22 | 2020-01-22 | 一种基于pcnn处理的纸质简谱电子化播放装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275043A true CN111275043A (zh) | 2020-06-12 |
| CN111275043B CN111275043B (zh) | 2021-08-20 |
Family
ID=71003473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010073751.1A Expired - Fee Related CN111275043B (zh) | 2020-01-22 | 2020-01-22 | 一种基于pcnn处理的纸质简谱电子化播放装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275043B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112133264A (zh) * | 2020-08-31 | 2020-12-25 | 广东工业大学 | 一种乐谱识别方法及装置 |
| CN114724151A (zh) * | 2022-04-22 | 2022-07-08 | 厦门大学 | 一种基于卷积神经网络的古筝简谱识别方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3624633A (en) * | 1969-11-13 | 1971-11-30 | Princeton Electronic Prod | Display system utilizing multifunction storage tube |
| CN101297319A (zh) * | 2005-08-23 | 2008-10-29 | 株式会社理光 | 在电子文档中嵌入热点 |
| CN101667173A (zh) * | 2009-10-22 | 2010-03-10 | 邓鑫荣 | 一种音乐简谱输入编辑系统 |
| CN101964049A (zh) * | 2010-09-07 | 2011-02-02 | 东南大学 | 基于分段投影与乐符结构的谱线检测及删除方法 |
| CN102663423A (zh) * | 2012-03-28 | 2012-09-12 | 北京航空航天大学 | 一种简谱图像的自动识别和演奏的方法 |
| JP2013109061A (ja) * | 2011-11-18 | 2013-06-06 | Hitachi Ltd | 音声データ検索システムおよびそのためのプログラム |
| CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN106485983A (zh) * | 2016-10-19 | 2017-03-08 | 长江大学 | 乐器演奏分析和评测方法 |
| US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
| CN109377818A (zh) * | 2018-12-10 | 2019-02-22 | 北京金三惠科技有限公司 | 一种数字音乐教学系统的乐谱播放模块组件 |
| CN109522959A (zh) * | 2018-11-19 | 2019-03-26 | 哈尔滨理工大学 | 一种乐谱识别分类及演奏控制方法 |
| WO2019196301A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技（深圳）有限公司 | 电子装置、基于深度学习的乐谱识别方法、系统及存储介质 |
| CN111091124A (zh) * | 2019-12-04 | 2020-05-01 | 吉林大学 | 一种书脊文字识别方法 |
-
2020
- 2020-01-22 CN CN202010073751.1A patent/CN111275043B/zh not_active Expired - Fee Related
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3624633A (en) * | 1969-11-13 | 1971-11-30 | Princeton Electronic Prod | Display system utilizing multifunction storage tube |
| CN101297319A (zh) * | 2005-08-23 | 2008-10-29 | 株式会社理光 | 在电子文档中嵌入热点 |
| CN101667173A (zh) * | 2009-10-22 | 2010-03-10 | 邓鑫荣 | 一种音乐简谱输入编辑系统 |
| CN101964049A (zh) * | 2010-09-07 | 2011-02-02 | 东南大学 | 基于分段投影与乐符结构的谱线检测及删除方法 |
| JP2013109061A (ja) * | 2011-11-18 | 2013-06-06 | Hitachi Ltd | 音声データ検索システムおよびそのためのプログラム |
| CN102663423A (zh) * | 2012-03-28 | 2012-09-12 | 北京航空航天大学 | 一种简谱图像的自动识别和演奏的方法 |
| CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
| CN106485983A (zh) * | 2016-10-19 | 2017-03-08 | 长江大学 | 乐器演奏分析和评测方法 |
| US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
| WO2019196301A1 (zh) * | 2018-04-09 | 2019-10-17 | 平安科技（深圳）有限公司 | 电子装置、基于深度学习的乐谱识别方法、系统及存储介质 |
| CN109522959A (zh) * | 2018-11-19 | 2019-03-26 | 哈尔滨理工大学 | 一种乐谱识别分类及演奏控制方法 |
| CN109377818A (zh) * | 2018-12-10 | 2019-02-22 | 北京金三惠科技有限公司 | 一种数字音乐教学系统的乐谱播放模块组件 |
| CN111091124A (zh) * | 2019-12-04 | 2020-05-01 | 吉林大学 | 一种书脊文字识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| HOPE R. STRAYER: "From Neumes to Notes: The Evolution of Music Notation", 《MUSICAL OFFERINGS》 * |
| 高政威: "模拟生物群体智能的优化方法及其应用研究", 《中国博士学位论文全文数据库（信息科技辑）》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112133264A (zh) * | 2020-08-31 | 2020-12-25 | 广东工业大学 | 一种乐谱识别方法及装置 |
| CN112133264B (zh) * | 2020-08-31 | 2023-09-22 | 广东工业大学 | 一种乐谱识别方法及装置 |
| CN114724151A (zh) * | 2022-04-22 | 2022-07-08 | 厦门大学 | 一种基于卷积神经网络的古筝简谱识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275043B (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106485984B (zh) | 一种钢琴的智能教学方法和装置 | |
| CN112465008B (zh) | 一种基于自监督课程学习的语音和视觉关联性增强方法 | |
| CN110414519A (zh) | 一种图片文字的识别方法及其识别装置 | |
| CN111275043B (zh) | 一种基于pcnn处理的纸质简谱电子化播放装置 | |
| CN109697233A (zh) | 一种知识图谱体系搭建方法 | |
| CN108984683A (zh) | 结构化数据的提取方法、系统、设备及存储介质 | |
| CN102663423A (zh) | 一种简谱图像的自动识别和演奏的方法 | |
| KR101206351B1 (ko) | 악보인식시스템 및 이를 이용한 악보인식방법 | |
| CN113840109B (zh) | 一种课堂音视频智能笔记方法 | |
| US11790166B2 (en) | Quality assessment method for automatic annotation of speech data | |
| CN106982357A (zh) | 一种基于分布云的智能拍摄系统 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| Zhu et al. | Topic-guided attention for image captioning | |
| Hou et al. | Transfer learning for improving singing-voice detection in polyphonic instrumental music | |
| CN114022923A (zh) | 智能采编系统 | |
| CN110705535A (zh) | 一种试卷版面文字行自动检测的方法 | |
| CN112634841A (zh) | 一种基于声音识别的吉他谱自动生成方法 | |
| CN109240549B (zh) | 一种基于外接数位设备和大数据智能分析的书法矫正器 | |
| CN111785236A (zh) | 一种基于动机提取模型与神经网络的自动作曲方法 | |
| CN111274891A (zh) | 一种面向简谱图像的音高及对应歌词提取方法及系统 | |
| Zhao | Analysis of music teaching in basic education integrating scientific computing visualization and computer music technology | |
| CN111176544A (zh) | 一种基于图像处理的多功能琴谱显示设备及图像处理方法 | |
| CN110134823A (zh) | 基于归一化音符显马尔可夫模型的midi音乐流派分类方法 | |
| CN114972716A (zh) | 上课内容记录方法、相关装置和介质 | |
| CN114202763A (zh) | 一种音乐简谱语义翻译方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210820 Termination date: 20220122 |