刻划字符识别中的关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 刻划字符特点 | 第12页 |
| 1.2.2 刻划字符识别中的关键技术分析 | 第12-13页 |
| 1.3 研究内容和结构安排 | 第13-14页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 结构安排 | 第13-14页 |
| 第2章 刻划字符图像的采集 | 第14-19页 |
| 2.1 采集图像的硬件组成 | 第14-16页 |
| 2.2 照明方案 | 第16-17页 |
| 2.3 适用于刻划字符的照明方案 | 第17页 |
| 2.4 实验及分析 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 字符图像处理 | 第19-25页 |
| 3.1 字符倾斜校正 | 第19-21页 |
| 3.1.1 算法基本原理 | 第19页 |
| 3.1.2 算法的实现 | 第19-21页 |
| 3.1.3 算法的改进 | 第21页 |
| 3.2 倾斜矫正及分割实验结果 | 第21-23页 |
| 3.3 数据集的制作 | 第23-24页 |
| 3.4 本章小结 | 第24-25页 |
| 第4章 基于自编码的字符识别和缺陷检测方法 | 第25-45页 |
| 4.1 常用特征提取方法 | 第25-26页 |
| 4.2 自编码器 | 第26-28页 |
| 4.2.1 自编码器结构 | 第26-27页 |
| 4.2.2 自编码器和神经网络 | 第27-28页 |
| 4.3 堆栈自编码 | 第28-29页 |
| 4.3.1 堆栈自编码结构 | 第28页 |
| 4.3.2 表示能力与层的大小和深度 | 第28-29页 |
| 4.4 其他种类的自编码 | 第29-35页 |
| 4.4.1 欠完备自编码 | 第29-30页 |
| 4.4.2 稀疏自编码 | 第30-31页 |
| 4.4.3 降噪自编码 | 第31页 |
| 4.4.4 变分自编码 | 第31-35页 |
| 4.5 基于自编码的字符识别与检错模型 | 第35-37页 |
| 4.5.1 K近邻算法(KNN) | 第35-36页 |
| 4.5.2 支持向量机(SVM) | 第36页 |
| 4.5.3 BP神经网络(BPNN) | 第36-37页 |
| 4.6 实验配置及结果 | 第37-44页 |
| 4.6.1 自编码模型的配置 | 第37-38页 |
| 4.6.2 堆栈欠完备自编码实验结果 | 第38-40页 |
| 4.6.3 堆栈变分自编码实验结果 | 第40-43页 |
| 4.6.4 实验分析 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第5章 基于卷积神经网络的字符识别和缺陷检测方法 | 第45-59页 |
| 5.1 卷积神经网络基本结构 | 第45-49页 |
| 5.2 卷积神经网络的训练过程 | 第49-51页 |
| 5.3 参数优化方法 | 第51页 |
| 5.4 卷积神经网络的特点 | 第51页 |
| 5.5 基于卷积神经网络的字符识别与检错模型 | 第51-52页 |
| 5.5.1 模型结构 | 第51-52页 |
| 5.5.2 随机森林(RF) | 第52页 |
| 5.6 实验配置及结果 | 第52-58页 |
| 5.6.1 卷积神经网络模型的配置 | 第53-54页 |
| 5.6.2 卷积神经网络实验结果 | 第54-56页 |
| 5.6.3 实验结果分析 | 第56页 |
| 5.6.4 卷积神经网络的可视化 | 第56-58页 |
| 5.7 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间论文发表及科研情况 | 第66页 |
