摘要：针对现有神经网络数字识别模型因结构复杂在终端设备部署面临的计算性能瓶颈,设计了一种轻型数字识别网络EmbedNet,来降低模型对高性能硬件的依赖.同时针对模型识别真实图片效果差的问题,使用迁移学习和灰度分布调整结合的方法提高模型的识别准确度.实验结果显示:轻量级网络EmbedNet在数据集MNIST中的识别精度达到97.4%,经改进迁移学习方法训练后,模型对真实样本的识别准确率从29%提高到82%,该方法有效提升了模型的识别能力.整体方案能够在嵌入式设备中运行.

摘要：针对人工抄表所带来的繁杂、耗时等弊端,以及智能电表普及所需的大量成本和工作量,提出了两种方案实现电能表数字自动识别算法。同时,为了提高目标检测准确率,通过优化Faster R-CNN网络中的特征提取层提出了Enhanced Faster R-CNN网络(简称EFaster R-CNN)。在方案设计中,方案一首先使用EFaster R-CNN网络识别电能表的液晶屏区域,然后基于传统图像处理方法分割液晶屏区域中的数字,最后使用ResNet50识别分割得到的数字;方案二首先使用EFaster R-CNN网络识别电能表的液晶屏区域,然后同样使用EFaster R-CNN对液晶屏区域进行数字检测得到识别结果。实验结果显示,液晶屏检测的mAP为99.6%,数字分割只能满足于质量较好的图像,数字识别准确率为99.3%,数字检测的mAP为98.8%。

摘要：介绍了离散Hopfield神经网络的基本概念;以MATLAB为工具,根据Hopfield神经网络的相关知识,设计了一个具有联想记忆功能的离散型Hopfield神经网络,并给出了设计思路、设计步骤和测试结果。实验结果表明,通过联想记忆,对于带有一定噪声的数字点阵,Hopfield网络可以正确地进行识别,且当噪声强度为0.1时的识别效果较好。

摘要：针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法。与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法。附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难。而自适应学习速率法可以自动把学习速率调整到一个合适的数值,也可以加快网络的收敛速度,但不能避免陷入局部极小。通过将两者结合起来形成新的改进算法,既可以避免陷入局部极小又可以加快网络的收敛速度。并在此基础上设计一个基于BP神经网络的数字识别系统,此系统可以作为核心部分应用到诸如票据等数字识别中去。实验结果表明,该方法成功的避免了BP算法陷入局部极小,而且收敛速度比标准BP算法提高了17.5倍。

摘要：数显仪表中数字的识别技术在仪表自动识别领域中应用广泛,改善其识别准确率有助于提高仪表自动化水平。文中采用Otsu算法实现图像二值化,基于孤立像素连通域法对二值图像去噪,并利用垂直投影算法完成字符的分割,利用模块法进行特征提取。构建了3层BP神经网络,采用自适应带动量项的方法对BP神经网络进行参数调整。基于动态链接库方法,文中设计了结合Matlab和C#的数字识别系统。测试结果表明,单字符图像识别准确率可达98%,多字符图像识别准确率可达92.5%。

摘要：为有效识别水表数字区域的半字符和提高数字识别准确率,设计一种基于Lenet-5网络组合特征融合的水表数字识别算法。对水表原始图像进行预处理,获取完整字符和半字符数字组成的数据集;在Tensor Flow深度学习框架下搭建卷积神经网络,选取卷积核为3×3、1×3、3×1的卷积层作为改进网络的卷积层,增加卷积层的层数,并对非对称卷积前后的组合特征进行融合,提高网络对半字符的识别能力;用图像集训练和检测改进网络的识别性能。实验结果表明,迭代次数为10 000、学习率为0.001 5的改进网络模型在测试集上识别准确率达到99.025%,识别准确率高于原Lenet-5网络和一些典型的水表数字识别算法。

摘要：介绍一种新型神经网络算法,并将其应用于数字识别。在识别过程中,数字摄像头在现场摄取的数字图像传输到计算机中经过预处理后,采用有监督的ART神经网络算法识别并得到识别结果。通过实验证明,有监督的ART神经网络算法可以提高识别速度和正确率,具有较大的实用价值。

摘要：数字识别系统是通过使用灰度转化、二值化等图像处理的方法对原始的含有数字的图像进行处理,然后再用模式识别技术对处理之后的图像进行识别,最后得到数字图像中数字的一个图像处理系统。该系统不仅可以单独用来识别一般图片上的数字,而且可以用到诸如车牌识别系统中去。

摘要：本文介绍了神经网络的基本原理及BP网络，并根据数字字符识别的原理，设计了应用于识别的BP网络模型，最后采用VisualC＋＋6．0实现该BP网络。应用结果表明，该网络对数字字符识别具有很高的识别率，此网络的实现具有广阔的应用前景。

摘要：以机器学习的神经网络算法进行数字的识别,研究卷积神经网络,分析卷积神经网络输入层、卷积层、激励层、池化层和全连接层的原理和作用,对现有卷积神经网络LeNet-5模型进行简要分析。对图像数字的大小格式进行灰度处理,合理设计LeNet-5层级结构,进行摄像头图片的特征提取,并对参数进行设置,对向前向后传播方式进行深入了解,并对梯度下降方式进行选取以及分类层的设计;利用OpenMV摄像头模块,基于Phython语言进行了程序设计,对数字识别的试验结果进行分析比对,评估本系统的识别准确度和辨识度等性能指标。