8篇关于字符识别的计算机毕业论文

今天分享的是关于字符识别的8篇计算机毕业论文范文, 如果你的论文涉及到字符识别等主题,本文能够帮助到你

企业智能通讯系统研建

这是一篇关于字符识别,插件,通讯管理,双击拨号的论文, 主要内容为伴随着移动手机的普及与Internet技术在各个领域的广泛应用,企业中电话业务的需求越来越大,通话方式越来越多,如何对企业通讯进行高效管理成为企业发展的关键。目前多数企业采用的信息化设施缺乏智能通讯能力的支撑,而采用目前主流的技术方案,为CRM、ERP、OA等系统增添智能通讯能力,需要消耗大量的改造成本,亟需一款低成本、高效率的企业智能通讯方案支撑。本文分析了现有企业通讯管理的需求,基于Hibernate关系映射框架、Spring MVC开发框架、Bootstrap和Angular JS前端框架设计实现了一个手机、PC客户端、Web管理系统一体化的企业智能通讯管理系统。通过浏览器插件、光学字符识别、Excel插件以及钩子技术实现了双击号码直接呼叫,并集成了固话、手机、VOIP网络电话三种通讯形式,同时还支持多端通讯信息融合管理,以及通话数量统计等常见智能通讯功能,具体包括登录注册、企业信息管理、通话管理、内部通讯录管理与企业数据管理五个功能模块。本系统通过Web端监管员工通话情况、通过PC端和手机端完成快速拨号及管理通话过程,解决了手动拨号繁琐、多种通讯方式相互分割、通讯信息融合管理的难题,达到了便捷企业通讯管理,提高通讯效率,降低管理成本的目标,为企业提供了一套实用的智能通讯解决方案。

企业智能通讯系统研建

汽车轮胎字符识别方法研究及分组系统设计

这是一篇关于汽车轮胎,字符识别,分组系统,图像预处理,目标定位的论文, 主要内容为汽车轮胎字符是轮胎生产厂家在生产中通过模具压印在轮胎侧表面用于记录参数信息的字符,包含产地、工厂代码和生产日期等信息。为了保证流向市场的轮胎不是存放时间较长轮胎,厂家会在出库之前采用人工识别字符的方式,挑选出存放超过一定期限的轮胎。若轮胎存放超过一定期限,会导致橡胶老化,影响使用安全,对客户及厂家会造成巨大损失。如果采用自动识别技术对轮胎字符进行识别并对超期轮胎分组,则不仅可以减少人力物力的消耗,而且可以实现厂家对轮胎的追溯与管理。针对上述问题,本文设计了汽车轮胎字符识别与分组系统,主要工作内容集中在如下几方面:首先针对工厂仓库环境和轮胎成像特点,对整个系统进行结构设计,并选取合适的相机、镜头和光源等搭建出图像采集装置,对汽车轮胎进行实时采集。对采集到的图像进行图像预处理操作,增强轮胎字符区域与背景区域对比度,并通过极坐标转换将轮胎圆环区域转为矩形区域。之后对轮胎字符进行定位,由于DOT标识字符与被识别字符相对位置固定,通过定位DOT字符来确定被识别字符的位置信息,分别使用模板匹配、Faster R-CNN、Yolov4和改进Yolov4进行定位对比实验。经实验发现,替换Yolov4的主干网络,并引入注意力机制对Yolov4进行改进,对定位速度具有很大提升,每秒传输帧数达到101.4789,准确率达到97.76%,表明改进后的Yolov4对本文轮胎字符定位具有良好效果。其次对定位之后的轮胎字符进行识别,将字符图像提取多种特征送入支持向量机进行模型训练。针对经典LeNet-5网络提出改进,提出了引入BN层,添加Inception模块等改进方法。使用基于支持向量机、LeNet-5网络和改进LeNet-5网络进行识别实验,最终发现改进LeNet-5网络识别准确率有所提高,达到99.4%,相比于经典LeNet-5网络提升了3.3%,识别速度达到64毫秒每张。最后在Qt软件平台进行系统软件设计,系统加载预训练好的模型,可实现在线识别检测,能够在主界面直接查看识别结果和分组结果,并可以将识别数据上传至数据库,实现远程的操作查看,方便轮胎追溯管理。

企业智能通讯系统研建

电离层历史观测数据自动提取技术研究

这是一篇关于电离层数据,深度学习,字符检测,字符识别,图像处理的论文, 主要内容为电离层扰动会对通信、广播、定位和导航产生影响。为及时预测电离层的变化,降低对人类生活的影响,中国电波传播研究所对其展开观测和研究,并留存自上世纪40年代以来电离层观测站点的垂测报表数据图像,按照字体主要分为印刷体数据图像、手写体数据图像和针式打印体数据图像三种,将这些数据正确识别有利于后期数据管理与数据挖掘。本文针对电离层观测这一特定领域的历史观测图像数据,以提高文字识别率为目的,对图像预处理、文字检测与文字识别算法进行研究,主要工作如下:首先,对三种电离层历史观测数据图像的预处理方法进行了研究。针对印刷体数据图像中的文字缺少框线问题,提出通过水平投影和垂直投影重构文字框线的方法,在补充文字框线的基础上对图像切分。对手写体数据图像提出采用轮廓检测方法提取其中的表格区域,依据划分的分割线对表格区域图像进行切分。对针式打印体数据图像提出采用模板匹配方法,匹配图像中的分割标志字符,从而提取图像中的待识别文字区域,完成对针式打印体数据图像的预处理。其次,对基于深度学习的文字检测算法进行研究。印刷体和针式打印体数据图像中的字符分布比较规律,采用以Res Net50为骨干网络的DBNET对其进行文字检测。针对该网络对手写体数据图像检测效果不佳的问题,提出以Mobile Net V3为骨干网络的DBNET对手写体数据图像进行文字检测。通过对比常用的CTPN、EAST文字检测网络与本文检测网络在电离层数据图像上的检测结果得出,本文提出的检测算法具有较好的检测效果。最后,针对CRNN网络的识别精度难以满足项目需求问题,通过改进CRNN实现对电离层数据图像的识别。为解决字符相似导致的误识别问题,统计相似字符,对数据集扩充并进行模型训练。本文提出的识别算法使得印刷体数据图像字符识别率达到98%以上,手写体数据图像字符识别率达到97%以上,针式打印体数据图像字符识别率达到96%以上。在完成文字检测与文字识别的基础上,为将识别结果以表格形式存储,利用RARE算法实现电离层历史观测数据的表格恢复。

基于深度学习的字符验证码识别研究

这是一篇关于字符验证码,字符分割,字符识别,轻量级网络,深度学习的论文, 主要内容为验证码是一种图灵测试手段,旨在识别出哪些操作是由人类执行的,哪些操作是由计算机程序执行。这种测试通常用在用户注册、登录、信息验证等阶段,用于保障互联网中人机交互的安全。由于字符验证码具有制作简单、易于维护等特点,因此成为众多验证码种类中最常用的一种验证码。对字符验证码的识别研究,能够发现字符验证码在设计过程中存在的缺陷,从而完善其设计机制,从而增强网站抵御非法入侵的能力,保护用户的网络隐私,使用户有一个安全的网络环境。目前研究者在针对字符验证码的研究上,提出了许多方法,有基于深度学习的字符验证码识别方法也有基于分割算法的字符验证码识别方法,但是基于深度学习的方法使用的神经网络模型较为复杂,而基于传统分割算法的方法又存在着分割准确率低,或者是识别结果不如人意的问题,因此针对上述的问题,本文提出了两种字符验证码识别算法,具体工作如下:1、针对传统的分割算法对粘连、扭曲字符分割准确率低,以及容易受到字符验证码图像背景干扰等问题,提出了一种基于字符分割的字符验证码识别算法。该算法在预处理阶段运用了图像处理的知识对字符验证码图像进行预处理;在字符分割阶段,结合了垂直投影分割算法和颜色填充分割算法的特点,并对其进行了改进,增加了对字符进行二次分割处理的步骤;最后,本文引入全局平均池化来代替全连接层,构建了一个9层的卷积神经网络对字符进行识别。实验结果表明,本文方法对于非粘连验证码和粘连验证码,分割效率以及字符识别准确率均有一定的提升。2、针对深度学习方法在字符验证码识别领域存在的网络模型复杂,运算量大等缺点,提出了一种基于轻量级网络的字符验证码识别算法。该算法在轻量级Le Net-5网络的基础上进行改进,首先,我们将输入层设置为160*60像素,以便适应输入的字符验证码图片的尺寸;其次,在卷积层引用空洞卷积来代替标准卷积,以获得更大的感受野;之后,我们引入BN层用来接收每层卷积层的输入,利用BN层将接收到的参数进行归一化处理,以提高网络性能;除此之外,改进和优化了激活函数与损失函数,引入Leaky Re LU激活函数以及Softmax交叉熵损失函数。实验结果证明,本文提出的算法性能良好,在计算速度快的同时,准确率也有一定的提高。

基于FPGA和Lenet-5的字符识别系统设计与实现

这是一篇关于FPGA,Lenet-5,字符识别,流水线设计,首地址锚定法的论文, 主要内容为FPGA(Field Programmable Gate Array)由于具有多通道同时运算、可单独运作以及可反复修改功能等特点,在航空航天领域、战略军事武器、芯片设计及验证、5G通信以及医疗领域有着广泛的应用。本文的主要研究内容如下:考虑到不同光照条件对检测精度的影响,本文分析了不同光照条件下不同的图像预处理算法对字符识别系统检测精度的影响,对于后续目标识别的项目提供了一定的实验基础,对于以深度学习网络为手段实现的目标识别算法在FPGA平台的部署提供了很好的实验资料。分析了国内外FPGA平台实现卷积神经网络的难点之后,以提高字符识别系统的实时性和卷积神经网络基本计算模块的复用性为目的,对Lenet-5卷积神经网络在FPGA平台的网络推演过程进行了深入的理论研究并提出了卷积神经网络在FPGA平台的实现方案。针对卷积计算数据读取问题和XC7k325tffg-676-2型号的FPGA平台的特性提出了卷积计算地址读取方案——首地址锚定法;针对特征图中间数据存储问题提出了适用于提出了卷积神经网络在FPGA平台上层间通信和流水线设计的方案;针对FPGA平台无法进行小数计算的问题提出了Lenet-5计算权值在FPGA平台的量化方案并保证了可允许范围内的精度损失。对卷积神经网络在FPGA平台的实现方案进行理论研究之后,在FPGA平台搭建了Lenet-5卷积神经网络的硬件电路,并对其进行仿真调试,实现了字符识别功能。通过在不同计算层间加入使能信号,实现了Lenet-5卷积神经网络不同层之间的层间通信和层级递进的计算协同;通过研究补码计算规律,提出了数值计算的防溢出方案;通过在相邻计算层间加入Block RAM实现了网络中间数据的存储和网络流水线设计,提高了整体运行速度;针对后续模块复用问题规范化了卷积神经网络基本计算模块并完成IP测试与封装,如Convolution IP核、Pooling IP核以及Full Connection IP核等。经过实验验证了在保证字符识别精度的情况下Lenet-5在FPGA平台上的运行速度的提高。为之后实现复杂的深度学习网络在FPGA平台的推演工程项目设计打下了坚实的基础。