基于CNN的工业环境字符识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第2章 工业字符数据集的建立和预处理方法 | 第14-20页 |
| 2.1 工业字符数据集的建立 | 第14-16页 |
| 2.2 数据集扩展方法 | 第16-18页 |
| 2.3 数据集预处理方法 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于CNN的字符识别算法 | 第20-31页 |
| 3.1 CNN基础理论的研究 | 第20-25页 |
| 3.2 CNN字符识别结构的建立 | 第25-30页 |
| 3.2.1 CNN对比结构实验 | 第25-30页 |
| 3.2.2 单一网络模型缺点 | 第30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 CNN字符识别算法策略的优化 | 第31-44页 |
| 4.1 CNN结构改进 | 第31-34页 |
| 4.2 CNN与集成学习方法的结合 | 第34-40页 |
| 4.2.1 集成学习方法 | 第34-36页 |
| 4.2.2 CNN集成模型 | 第36-40页 |
| 4.3 CNN训练方式的改进 | 第40-41页 |
| 4.3.1 离线训练 | 第40-41页 |
| 4.3.2 在线训练 | 第41页 |
| 4.4 一般生产线字符识别解决方案 | 第41-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 实验结果与分析 | 第44-51页 |
| 5.1 字符识别准确率对比实验 | 第44-45页 |
| 5.1.1 CNN集成模型与单一网络模型对比 | 第44-45页 |
| 5.1.2 CNN集成模型与其它方法对比 | 第45页 |
| 5.2 样本数量的影响 | 第45-47页 |
| 5.3 实验结果 | 第47-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58页 |
