基于深度学习的矢量图字符识别研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 字符识别研究现状 | 第13-15页 |
| 1.2.2 深度学习研究现状 | 第15-16页 |
| 1.2.3 卷积神经网络研究现状 | 第16-17页 |
| 1.3 研究目标及内容 | 第17-18页 |
| 1.3.1 研究目标 | 第17-18页 |
| 1.3.2 研究内容 | 第18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 字符识别基础理论 | 第20-28页 |
| 2.1 字符识别基本原理 | 第20-21页 |
| 2.2 字符识别特征提取 | 第21-25页 |
| 2.2.1 图像预处理 | 第21-23页 |
| 2.2.2 常用图像特征提取方法 | 第23-24页 |
| 2.2.3 模板匹配 | 第24-25页 |
| 2.3 字符识别模型 | 第25-26页 |
| 2.3.1 字符分割 | 第25页 |
| 2.3.2 常用字符识别模型 | 第25-26页 |
| 2.4 传统字符识别模型的不足之处 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 卷积神经网络 | 第28-43页 |
| 3.1 人工神经网络 | 第28-33页 |
| 3.1.1 基本神经元简介 | 第28-30页 |
| 3.1.2 感知器和多层前馈神经网络 | 第30-32页 |
| 3.1.3 反向传播算法 | 第32-33页 |
| 3.2 卷积神经网络的思想以及结构 | 第33-39页 |
| 3.2.1 卷积层 | 第35-36页 |
| 3.2.2 池化层 | 第36-38页 |
| 3.2.3 全连接层以及softmax输出层 | 第38-39页 |
| 3.3 卷积神经网络的训练 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于FasterRCNN的模型构建 | 第43-57页 |
| 4.1 FasterRCNN模型详解 | 第43-49页 |
| 4.2 本文模型融合方法 | 第49-51页 |
| 4.3 实验工具及配置 | 第51-54页 |
| 4.3.1 TensorFlow平台搭建 | 第51-52页 |
| 4.3.2 实验数据集 | 第52-54页 |
| 4.4 模型实验 | 第54-56页 |
| 4.4.1 实验步骤及设计 | 第54页 |
| 4.4.2 实验结果及分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 矢量图的字符识别 | 第57-64页 |
| 5.1 Tesseract原理 | 第57-58页 |
| 5.2 实验内容 | 第58-61页 |
| 5.2.1 实验数据集 | 第58-59页 |
| 5.2.2 生成box文件 | 第59页 |
| 5.2.3 生成Unicharset文件 | 第59页 |
| 5.2.4 实验结果及分析 | 第59-61页 |
| 5.3 特殊电路图的实验 | 第61-63页 |
| 5.3.1 特殊电路图 | 第61页 |
| 5.3.2 实验部分 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者简介及在学期间所取得的科研成果 | 第71-72页 |
| 致谢 | 第72页 |
