CN114724151A - 一种基于卷积神经网络的古筝简谱识别方法及系统 - Google Patents
一种基于卷积神经网络的古筝简谱识别方法及系统 Download PDFInfo
- Publication number
- CN114724151A CN114724151A CN202210430507.5A CN202210430507A CN114724151A CN 114724151 A CN114724151 A CN 114724151A CN 202210430507 A CN202210430507 A CN 202210430507A CN 114724151 A CN114724151 A CN 114724151A
- Authority
- CN
- China
- Prior art keywords
- musical notation
- numbered musical
- lines
- note
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 53
- 238000003708 edge detection Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 239000011295 pitch Substances 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 230000036961 partial effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Character Discrimination (AREA)
Abstract
本发明提供了乐谱识别技术领域的一种基于卷积神经网络的古筝简谱识别方法及系统,方法包括如下步骤:步骤S10、获取古筝简谱图像,并对所述古筝简谱图像进行预处理;步骤S20、通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;步骤S30、结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;步骤S40、将各所述简谱特征填入mus i cXML模板中,完成古筝简谱的识别。本发明的优点在于:极大的提升了古筝简谱的识别精度。
Description
技术领域
本发明涉及乐谱识别技术领域,特别指一种基于卷积神经网络的古筝简谱识别方法及系统。
背景技术
乐谱是一种用符号来记录音乐的方法,对于音乐的初学者来说,如何读懂乐谱至关重要,如果不能掌握乐谱,也就不能演奏出美妙的音乐,因此产生了识别乐谱以进行辅助教学的需求,类似英语点读机识别英文单词。然而,针对古筝简谱的识别,传统的方法容易受古筝简谱印刷质量的影响,即古筝简谱产生印刷问题或者印刷不清晰时,识别精度将大打折扣。
因此,如何提供一种基于卷积神经网络的古筝简谱识别方法及系统,实现提升古筝简谱的识别精度,成为一个亟待解决的技术问题。
发明内容
本发明要解决的技术问题,在于提供一种基于卷积神经网络的古筝简谱识别方法及系统,实现提升古筝简谱的识别精度。
第一方面,本发明提供了一种基于卷积神经网络的古筝简谱识别方法,包括如下步骤:
步骤S10、获取古筝简谱图像,并对所述古筝简谱图像进行预处理;
步骤S20、通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;
步骤S30、结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;
步骤S40、将各所述简谱特征填入musicXML模板中,完成古筝简谱的识别。
进一步地,所述步骤S10具体为:
获取古筝简谱图像,并对所述古筝简谱图像进行灰度二值化的预处理。
进一步地,所述步骤S20具体为:
通过水平垂直投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行,并丢弃所述汉字行。
进一步地,所述步骤S30具体为:
通过卷积神经网络创建的调号识别模型,从所述属性行识别调号;
通过水平投影法确定所述属性行里拍号的分数线,再通过卷积神经网络创建的拍号识别模型,从所述属性行识别拍号;
通过边缘检测法从所述音符行里识别音符,通过卷积神经网络创建的音级识别模型识别所述音符的音级,通过投影法获取所述音符的音符类型,通过边缘检测法以及投影法获取所述音符的音高;
删除识别出的所述音符,接着通过垂直投影法确定所述音符行里的小节线;
基于所述音符类型确定倚音;
设定一距离阈值,从所述音符行的一个黑点开始,将所述距离阈值内的所有黑点纳入同一个轮廓框,通过卷积神经网络创建的指法识别模型识别所述轮廓框内的指法;
基于所述指法以及连音的位置和大小,从所述音符行里识别出连音。
进一步地,所述步骤S40具体为:
将各所述调号、拍号、音符、小节线、倚音、指法以及连音填入musicXML模板中,完成古筝简谱的识别。
第二方面,本发明提供了一种基于卷积神经网络的古筝简谱识别系统,包括如下模块:
古筝简谱图像预处理模块,用于获取古筝简谱图像,并对所述古筝简谱图像进行预处理;
古筝简谱图像分行模块,用于通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;
简谱特征提取模块,用于结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;
musicXML模板更新模块,用于将各所述简谱特征填入musicXML模板中,完成古筝简谱的识别。
进一步地,所述古筝简谱图像预处理模块具体为:
获取古筝简谱图像,并对所述古筝简谱图像进行灰度二值化的预处理。
进一步地,所述古筝简谱图像分行模块具体为:
通过水平垂直投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行,并丢弃所述汉字行。
进一步地,所述简谱特征提取模块具体为:
通过卷积神经网络创建的调号识别模型,从所述属性行识别调号;
通过水平投影法确定所述属性行里拍号的分数线,再通过卷积神经网络创建的拍号识别模型,从所述属性行识别拍号;
通过边缘检测法从所述音符行里识别音符,通过卷积神经网络创建的音级识别模型识别所述音符的音级,通过投影法获取所述音符的音符类型,通过边缘检测法以及投影法获取所述音符的音高;
删除识别出的所述音符,接着通过垂直投影法确定所述音符行里的小节线;
基于所述音符类型确定倚音;
设定一距离阈值,从所述音符行的一个黑点开始,将所述距离阈值内的所有黑点纳入同一个轮廓框,通过卷积神经网络创建的指法识别模型识别所述轮廓框内的指法;
基于所述指法以及连音的位置和大小,从所述音符行里识别出连音。
进一步地,所述musicXML模板更新模块具体为:
将各所述调号、拍号、音符、小节线、倚音、指法以及连音填入musicXML模板中,完成古筝简谱的识别。
本发明的优点在于:
通过对获取的古筝简谱图像进行灰度二值化的预处理,再通过投影法对预处理后的古筝简谱图像进行分行,接着结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取分行得到的属性行和音符行的简谱特征,最后将简谱特征填入musicXML模板以完成古筝简谱的识别,即针对每种简谱特征各自的特点分别采取不同的方法来进行提取,以克服印刷问题,最终极大的提升了古筝简谱的识别精度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于卷积神经网络的古筝简谱识别方法的流程图。
图2是本发明一种基于卷积神经网络的古筝简谱识别系统的结构示意图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取古筝简谱图像分行得到的属性行和音符行的简谱特征,即针对每种简谱特征各自的特点分别采取不同的方法来进行提取,以克服印刷问题,以提升古筝简谱的识别精度。
请参照图1至图2所示,本发明一种基于卷积神经网络的古筝简谱识别方法的较佳实施例,包括如下步骤:
步骤S10、获取古筝简谱图像,并对所述古筝简谱图像进行预处理;
步骤S20、通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;
步骤S30、结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;
步骤S40、将各所述简谱特征填入musicXML模板中,完成古筝简谱的识别。
所述步骤S10具体为:
获取古筝简谱图像,并对所述古筝简谱图像进行灰度二值化和校正的预处理。
所述步骤S20具体为:
通过水平垂直投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行,并丢弃所述汉字行(歌词行)。
所述步骤S30具体为:
通过卷积神经网络创建的调号识别模型,从所述属性行识别调号;一般调号的形式为“1=A”,通过调号识别模型分别识别1和一个字母即可得到调号;
通过水平投影法确定所述属性行里拍号的分数线,再通过卷积神经网络创建的拍号识别模型,从所述属性行识别拍号;拍号以分数形式存在,一般会产生印刷问题,故需通过水平投影法确定分数线,进行分割后再识别;
通过边缘检测法从所述音符行里识别音符,通过卷积神经网络创建的音级识别模型识别所述音符的音级,通过投影法获取所述音符的音符类型,通过边缘检测法以及投影法获取所述音符的音高;
删除识别出的所述音符,接着通过垂直投影法(垂直投影峰值法)确定所述音符行里的小节线;
传统上采用轮廓框检测计算比例或者使用水平投影提取峰值来获取小节线,但因为印刷不清晰以及古筝简谱有叠加的音符的缘故导致小节线识别不良好,本发明先利用之前的音符识别去除音符然后再进行投影取峰值,极大的提升了小节线的识别精度;
基于所述音符类型确定倚音;因为印刷不清晰,所以需要先确定音符类型,再确定倚音;
设定一距离阈值,从所述音符行的一个黑点开始,将所述距离阈值内的所有黑点纳入同一个轮廓框,通过卷积神经网络创建的指法识别模型识别所述轮廓框内的指法;该方法能有效克服印刷不清晰而导致指法识别失败的问题;
基于所述指法以及连音的位置和大小,从所述音符行里识别出连音。由于连音与指法中的“勾”很相似,因此放在指法识别中进行,通过位置大小的匹配区分开指法与连音。
所述步骤S40具体为:
将各所述调号、拍号、音符、小节线、倚音、指法以及连音填入musicXML模板中,完成古筝简谱的识别。
本发明一种基于卷积神经网络的古筝简谱识别系统的较佳实施例,包括如下模块:
古筝简谱图像预处理模块,用于获取古筝简谱图像,并对所述古筝简谱图像进行预处理;
古筝简谱图像分行模块,用于通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;
简谱特征提取模块,用于结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;
musicXML模板更新模块,用于将各所述简谱特征填入musicXML模板中,完成古筝简谱的识别。
所述古筝简谱图像预处理模块具体为:
获取古筝简谱图像,并对所述古筝简谱图像进行灰度二值化和校正的预处理。
所述古筝简谱图像分行模块具体为:
通过水平垂直投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行,并丢弃所述汉字行(歌词行)。
所述简谱特征提取模块具体为:
通过卷积神经网络创建的调号识别模型,从所述属性行识别调号;一般调号的形式为“1=A”,通过调号识别模型分别识别1和一个字母即可得到调号;
通过水平投影法确定所述属性行里拍号的分数线,再通过卷积神经网络创建的拍号识别模型,从所述属性行识别拍号;拍号以分数形式存在,一般会产生印刷问题,故需通过水平投影法确定分数线,进行分割后再识别;
通过边缘检测法从所述音符行里识别音符,通过卷积神经网络创建的音级识别模型识别所述音符的音级,通过投影法获取所述音符的音符类型,通过边缘检测法以及投影法获取所述音符的音高;
删除识别出的所述音符,接着通过垂直投影法(垂直投影峰值法)确定所述音符行里的小节线;
传统上采用轮廓框检测计算比例或者使用水平投影提取峰值来获取小节线,但因为印刷不清晰以及古筝简谱有叠加的音符的缘故导致小节线识别不良好,本发明先利用之前的音符识别去除音符然后再进行投影取峰值,极大的提升了小节线的识别精度;
基于所述音符类型确定倚音;因为印刷不清晰,所以需要先确定音符类型,再确定倚音;
设定一距离阈值,从所述音符行的一个黑点开始,将所述距离阈值内的所有黑点纳入同一个轮廓框,通过卷积神经网络创建的指法识别模型识别所述轮廓框内的指法;该方法能有效克服印刷不清晰而导致指法识别失败的问题;
基于所述指法以及连音的位置和大小,从所述音符行里识别出连音。由于连音与指法中的“勾”很相似,因此放在指法识别中进行,通过位置大小的匹配区分开指法与连音。
所述musicXML模板更新模块具体为:
将各所述调号、拍号、音符、小节线、倚音、指法以及连音填入musicXML模板中,完成古筝简谱的识别。
综上所述,本发明的优点在于:
通过对获取的古筝简谱图像进行灰度二值化的预处理,再通过投影法对预处理后的古筝简谱图像进行分行,接着结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取分行得到的属性行和音符行的简谱特征,最后将简谱特征填入musicXML模板以完成古筝简谱的识别,即针对每种简谱特征各自的特点分别采取不同的方法来进行提取,以克服印刷问题,最终极大的提升了古筝简谱的识别精度。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种基于卷积神经网络的古筝简谱识别方法,其特征在于:包括如下步骤:
步骤S10、获取古筝简谱图像,并对所述古筝简谱图像进行预处理;
步骤S20、通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;
步骤S30、结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;
步骤S40、将各所述简谱特征填入musicXML模板中,完成古筝简谱的识别。
2.如权利要求1所述的一种基于卷积神经网络的古筝简谱识别方法,其特征在于:所述步骤S10具体为:
获取古筝简谱图像,并对所述古筝简谱图像进行灰度二值化的预处理。
3.如权利要求1所述的一种基于卷积神经网络的古筝简谱识别方法,其特征在于:所述步骤S20具体为:
通过水平垂直投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行,并丢弃所述汉字行。
4.如权利要求1所述的一种基于卷积神经网络的古筝简谱识别方法,其特征在于:所述步骤S30具体为:
通过卷积神经网络创建的调号识别模型,从所述属性行识别调号;
通过水平投影法确定所述属性行里拍号的分数线,再通过卷积神经网络创建的拍号识别模型,从所述属性行识别拍号;
通过边缘检测法从所述音符行里识别音符,通过卷积神经网络创建的音级识别模型识别所述音符的音级,通过投影法获取所述音符的音符类型,通过边缘检测法以及投影法获取所述音符的音高;
删除识别出的所述音符,接着通过垂直投影法确定所述音符行里的小节线;
基于所述音符类型确定倚音;
设定一距离阈值,从所述音符行的一个黑点开始,将所述距离阈值内的所有黑点纳入同一个轮廓框,通过卷积神经网络创建的指法识别模型识别所述轮廓框内的指法;
基于所述指法以及连音的位置和大小,从所述音符行里识别出连音。
5.如权利要求4所述的一种基于卷积神经网络的古筝简谱识别方法,其特征在于:所述步骤S40具体为:
将各所述调号、拍号、音符、小节线、倚音、指法以及连音填入musicXML模板中,完成古筝简谱的识别。
6.一种基于卷积神经网络的古筝简谱识别系统,其特征在于:包括如下模块:
古筝简谱图像预处理模块,用于获取古筝简谱图像,并对所述古筝简谱图像进行预处理;
古筝简谱图像分行模块,用于通过投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行;
简谱特征提取模块,用于结合卷积神经网络、投影法、模板匹配法以及边缘检测法,提取所述属性行和音符行的简谱特征;
musicXML模板更新模块,用于将各所述简谱特征填入musicXML模板中,完成古筝简谱的识别。
7.如权利要求6所述的一种基于卷积神经网络的古筝简谱识别系统,其特征在于:所述古筝简谱图像预处理模块具体为:
获取古筝简谱图像,并对所述古筝简谱图像进行灰度二值化的预处理。
8.如权利要求6所述的一种基于卷积神经网络的古筝简谱识别系统,其特征在于:所述古筝简谱图像分行模块具体为:
通过水平垂直投影法对预处理后的所述古筝简谱图像进行分行,得到属性行、音符行以及汉字行,并丢弃所述汉字行。
9.如权利要求6所述的一种基于卷积神经网络的古筝简谱识别系统,其特征在于:所述简谱特征提取模块具体为:
通过卷积神经网络创建的调号识别模型,从所述属性行识别调号;
通过水平投影法确定所述属性行里拍号的分数线,再通过卷积神经网络创建的拍号识别模型,从所述属性行识别拍号;
通过边缘检测法从所述音符行里识别音符,通过卷积神经网络创建的音级识别模型识别所述音符的音级,通过投影法获取所述音符的音符类型,通过边缘检测法以及投影法获取所述音符的音高;
删除识别出的所述音符,接着通过垂直投影法确定所述音符行里的小节线;
基于所述音符类型确定倚音;
设定一距离阈值,从所述音符行的一个黑点开始,将所述距离阈值内的所有黑点纳入同一个轮廓框,通过卷积神经网络创建的指法识别模型识别所述轮廓框内的指法;
基于所述指法以及连音的位置和大小,从所述音符行里识别出连音。
10.如权利要求9所述的一种基于卷积神经网络的古筝简谱识别系统,其特征在于:所述musicXML模板更新模块具体为:
将各所述调号、拍号、音符、小节线、倚音、指法以及连音填入musicXML模板中,完成古筝简谱的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430507.5A CN114724151A (zh) | 2022-04-22 | 2022-04-22 | 一种基于卷积神经网络的古筝简谱识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430507.5A CN114724151A (zh) | 2022-04-22 | 2022-04-22 | 一种基于卷积神经网络的古筝简谱识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114724151A true CN114724151A (zh) | 2022-07-08 |
Family
ID=82246263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210430507.5A Pending CN114724151A (zh) | 2022-04-22 | 2022-04-22 | 一种基于卷积神经网络的古筝简谱识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114724151A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200941357A (en) * | 2008-03-17 | 2009-10-01 | Univ Nat Taiwan Science Tech | Recognition method for musical notation |
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 |
CN106951457A (zh) * | 2017-02-24 | 2017-07-14 | 北京银河润泰科技有限公司 | 曲谱的处理方法及装置 |
US20170351909A1 (en) * | 2016-06-03 | 2017-12-07 | Magic Leap, Inc. | Augmented reality identity verification |
CN109255113A (zh) * | 2018-09-04 | 2019-01-22 | 郑州信大壹密科技有限公司 | 智能校对系统 |
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 |
CN110598581A (zh) * | 2019-08-25 | 2019-12-20 | 南京理工大学 | 基于卷积神经网络的光学乐谱识别方法 |
CN111275043A (zh) * | 2020-01-22 | 2020-06-12 | 西北师范大学 | 一种基于pcnn处理的纸质简谱电子化播放装置 |
JP6985543B1 (ja) * | 2021-03-27 | 2021-12-22 | 知行 宍戸 | 楽譜画像から音楽情報を作成する方法とそのコンピューティングデバイスおよびプログラム |
CN114283432A (zh) * | 2021-08-13 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 一种文本块识别方法、装置及电子设备 |
-
2022
- 2022-04-22 CN CN202210430507.5A patent/CN114724151A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200941357A (en) * | 2008-03-17 | 2009-10-01 | Univ Nat Taiwan Science Tech | Recognition method for musical notation |
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 |
US20170351909A1 (en) * | 2016-06-03 | 2017-12-07 | Magic Leap, Inc. | Augmented reality identity verification |
CN106951457A (zh) * | 2017-02-24 | 2017-07-14 | 北京银河润泰科技有限公司 | 曲谱的处理方法及装置 |
CN109255113A (zh) * | 2018-09-04 | 2019-01-22 | 郑州信大壹密科技有限公司 | 智能校对系统 |
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 |
CN110598581A (zh) * | 2019-08-25 | 2019-12-20 | 南京理工大学 | 基于卷积神经网络的光学乐谱识别方法 |
CN111275043A (zh) * | 2020-01-22 | 2020-06-12 | 西北师范大学 | 一种基于pcnn处理的纸质简谱电子化播放装置 |
JP6985543B1 (ja) * | 2021-03-27 | 2021-12-22 | 知行 宍戸 | 楽譜画像から音楽情報を作成する方法とそのコンピューティングデバイスおよびプログラム |
CN114283432A (zh) * | 2021-08-13 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 一种文本块识别方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
姜一女;张引;张三元;: "简谱识别方法研究", 计算机工程与应用, no. 32, 11 November 2006 (2006-11-11) * |
肖杰: "五线谱、简谱记谱法的差异性", 湖北汽车工业学院学报, no. 04, 30 January 2002 (2002-01-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Blostein et al. | A critical survey of music image analysis | |
CN102663423B (zh) | 一种简谱图像的自动识别和演奏的方法 | |
Fujinaga | Optical music recognition using projections | |
JP5030144B2 (ja) | 楽譜認識装置およびプログラム | |
US9478201B1 (en) | System and method for optical music recognition | |
JP3206579B2 (ja) | 宛名領域検出装置 | |
JP4803797B2 (ja) | 楽譜認識装置および楽譜認識プログラム | |
US7847175B2 (en) | Musical score recognition device and computer program thereof | |
CN110598581A (zh) | 基于卷积神经网络的光学乐谱识别方法 | |
Bainbridge | Extensible optical music recognition | |
Novotný et al. | Introduction to Optical Music Recognition: Overview and Practical Challenges. | |
CN105022993B (zh) | 一种基于图像识别技术的五线谱播放方法 | |
CN111274891B (zh) | 一种面向简谱图像的音高及对应歌词提取方法及系统 | |
CN114724151A (zh) | 一种基于卷积神经网络的古筝简谱识别方法及系统 | |
JP4738135B2 (ja) | 楽譜認識装置および楽譜認識プログラム | |
CN114332877A (zh) | 一种基于深度学习的印刷体古筝简谱识别方法及系统 | |
KR101849933B1 (ko) | 공분산 기술자와 퍼지 모델을 이용한 심볼 인식장치 | |
CN113076967B (zh) | 一种基于图像和音频的乐谱双重识别系统 | |
JPH06102869A (ja) | 楽譜認識装置 | |
JPH06102870A (ja) | 楽譜認識装置 | |
JP2979409B2 (ja) | 楽譜認識方法及び装置 | |
Xiao et al. | Real-time optical music recognition system for dulcimer musical robot | |
JP3730073B2 (ja) | テンプレート作成方法、装置、およびテンプレート作成プログラムを記録した記録媒体 | |
JP2682383B2 (ja) | 楽譜認識装置 | |
JP2003242439A (ja) | 楽譜認識装置 |
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 |