用于移动终端的工程图纸标识编码的端对端识别系统
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国内外OCR系统研究现状 | 第12-13页 |
| 1.2.2 OCR系统中的字符定位研究现状 | 第13-14页 |
| 1.2.3 OCR系统中的字符识别研究现状 | 第14-15页 |
| 1.3 主要研究内容及创新点 | 第15-16页 |
| 1.4 本文章节安排 | 第16-18页 |
| 第2章 OCR字符序列识别算法概述 | 第18-27页 |
| 2.1 传统定位方法 | 第18-19页 |
| 2.1.1 滑动窗口法 | 第18页 |
| 2.1.2 连通域算法 | 第18-19页 |
| 2.1.3 投影定位法 | 第19页 |
| 2.2 传统特征提取算法 | 第19-20页 |
| 2.3 传统分类方法 | 第20-21页 |
| 2.4 神经网络基本模型 | 第21-23页 |
| 2.4.1 神经网络基础模型 | 第21-22页 |
| 2.4.2 多层神经网络 | 第22页 |
| 2.4.3 反向传播 | 第22-23页 |
| 2.5 卷积神经网络 | 第23-24页 |
| 2.6 循环神经网络 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 工程图纸的分类以及字符定位算法 | 第27-37页 |
| 3.1 工程图纸分类以及字符定位的特殊情境 | 第27-28页 |
| 3.2 工程图纸的预分类 | 第28-29页 |
| 3.3 基于RANSAC的圆的检测 | 第29-32页 |
| 3.3.1 圆的检测方法概述 | 第29-30页 |
| 3.3.2 RANSAC检测圆 | 第30-32页 |
| 3.4 改进的RANSAC-table算法 | 第32-34页 |
| 3.4.1 表格的检测方法概述 | 第32-33页 |
| 3.4.2 改进的RANSAC-table算法 | 第33-34页 |
| 3.5 基于SWT的下划线检测 | 第34-35页 |
| 3.6 工程图纸字符序列定位 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 工程图纸字符序列的端对端识别算法 | 第37-53页 |
| 4.1 工程图纸字符序列识别的特殊情境 | 第37-39页 |
| 4.1.1 传统字符序列识别方法 | 第37-38页 |
| 4.1.2 端对端字符序列识别方法 | 第38-39页 |
| 4.2 改进的VGG-BLSTM神经网络架构 | 第39-40页 |
| 4.3 改进的VGG神经网络 | 第40-44页 |
| 4.3.1 VGG概述 | 第40-42页 |
| 4.3.2 改进的VGG网络用于字符特征提取 | 第42-44页 |
| 4.4 BLSTM网络 | 第44-47页 |
| 4.4.1 LSTM概述 | 第44-45页 |
| 4.4.2 BLSTM网络用于字符特征解码 | 第45-47页 |
| 4.5 CTC识别序列字符 | 第47-49页 |
| 4.5.1 CTC的输出表示 | 第48页 |
| 4.5.2 构建分类器 | 第48-49页 |
| 4.6 神经网络训练 | 第49-51页 |
| 4.6.1 训练过程 | 第49-50页 |
| 4.6.2 批量正则化算法 | 第50-51页 |
| 4.6.3 Adam优化算法 | 第51页 |
| 4.7 本章小结 | 第51-53页 |
| 第5章 实验与分析 | 第53-62页 |
| 5.1 工程图纸实验数据库 | 第53-57页 |
| 5.1.1 工程图纸分类数据库 | 第53-55页 |
| 5.1.2 工程图纸字符序列识别数据库 | 第55-57页 |
| 5.2 工程图纸分类实验 | 第57-60页 |
| 5.3 工程图纸字符序列识别实验 | 第60-61页 |
| 5.4 实验总结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间主要的研究成果 | 第70页 |
