摘要：端子排文本识别是实现变电站端子排线路智能巡检的重要环节.端子排编号和电缆套管编号字符稠密、尺度变化大、文本区域界定不明显,给端子排文本识别带来挑战.针对该问题,提出一种基于多尺度注意力及卷积递归神经网络(multi-scale attention and convolution recurrent neural network,简称MSA-CRNN)方法,用于端子排文本识别.在文本检测阶段,使用多尺度注意力(multi-scale attention,简称MSA)模块对文本进行检测,解决文本区域界定不明显和文字尺度变化大的问题.在字符识别阶段,使用卷积递归神经网络(convolution recurrent neural network,简称CRNN)对文字进行识别,以提高识别的准确率.实验结果表明:相对于其他4种方法,MSA-CRNN方法更适用于端子排文本识别,有更高的计算性能,识别结果更接近人工标注结果.

摘要：工厂生产线上的商品包装外箱文本印刷存在残缺,无法及时检出会影响流通销售。制作工业商品外观信息数据集,提出基于深度学习的工业视觉箱体字符识别与匹配判断方法。合并YOLOv3中的卷积层和批量归一化层,引入GIoU作为边界框损失函数并设计自适应调整定位坐标的方法,优化在原始图像上进行文本检测定位的速度与精度。同时,训练并对比CRNN和Tesseract两种识别引擎在已裁剪文本图片上的识别性能,设计字符匹配方法判断字符识别正确与否并输出结果,从而减少误判。对基于该方法的系统进行生产线实测,实验结果表明,其识别准确率可达99.5%,单件商品的外观拍照、检测识别、输出结果耗时仅3 s左右,表明所提方法能够实现实时监测。

摘要：本文基于OCR和图像检测技术设计并实现了一个解决盖章文书图像审核耗时、低效、准确率无保障问题的自动审核方法。具体包括三个部分:文字识别、印章识别和表格内容审核。其中文字识别部分包括带有角度的文本检测算法SegLink以及卷积递归神经网络(convolutional recurrent neural network, CRNN);印章识别部分包括印章识别与提取算法YOLOv3和印章内容识别方法 DD极坐标变换法;表格内容审核部分根据预设的规则对表格内容进行完备性和正确性检测。实验结果表明,该方法对此类盖章文书图像具有较高的审核准确率。

摘要：为解决板坯喷涂面标实时识别问题,构建文本检测和识别模型。改进可微二值化算法网络,引入高效通道注意力模块SENet,进行自适应空间特征融合(ASFF),增强特征金字塔预测多尺度目标的能力。识别模型改进卷积递归神经网络的VGG网络,将卷积与循环神经网络联合训练。实验结果表明,检测模型的精确率、召回率和调和平均值达到93.30%、86.45%、89.85%,提升显著;识别模型平均准确率达到86.01%,精度提升4.99%。模型满足实时与准确性要求。

摘要：在自然场景中对中英文文本的检测与识别受限于图像本身包含的噪声数据,为提高检测识别效率,提出基于YOLOv3与CRNN的自然场景文本识别方法。进行文本角度预测,根据角度预测值旋转图像;采用YOLOv3文本区域检测算法计算若干组固定宽度的文本框;使用聚类算法将这些固定宽度的文本框连接成一个包含完整语义的文本框;采用CRNN算法识别文本检测框中的文本。实验结果表明,YOLOv3与CRNN模型识别100幅图像用时0.4258 s,在同等实验环境中CTPN与DenseNet模型用时0.8250 s,验证了YOLOv3与CRNN模型比CTPN与DenseNet模型具有更高的识别效率。

摘要：针对复杂自然场景中文本识别精确度不高的问题,提出了采用STN的文本修正与改进CRNN的文本识别方法,并设计了Res_CRNN文本识别模型。通过采取性能更好的残差网络Resnet50提取更为复杂的序列信息,运用新设计的CTC损失函数进行训练。实验结果表明,将STN文本修正网络与Res_CRNN模型相结合,即可形成了一个端到端的文本修正与识别模式,在该模式下能有效地提高文本识别的精度与效率。