摘要：手写体中文的自动识别是中文文档数字化的前提和基础,由于中文字符数目繁多、相似性强、字体种类繁多、书写随意、缺乏统一规范等原因,一直是计算机视觉领域中一个具有挑战性的问题.为解决这一难题,提出了一种基于卷积神经网络的手写体中文识别方法.在经典lenet-5网络模型的基础上进行改进,提出了一种lenet-Ⅱ模型.利用改进的Inception模块和空洞卷积,设计了一种并行的双路卷积神经网络结构;两路分支可分别提取手写中文图像中不同尺度的特征,获得多个尺度的特征图像;通过对其进行特征融合,可以达到丰富特征图像多样性、提升识别准确率的目的;最后经过全连接层进行分类.利用经典手写体中文数据集进行训练,利用该模型实现了3755类手写体中文字符及相关文本的自动识别.实验结果表明,基于改进lenet-5模型的手写体中文识别方法,在同一训练数据集上的收敛速度和识别准确率明显优于经典lenet-5模型,对经典数据集的识别准确率可以达到95.21%,也高于其他传统算法;此外,对4幅手写体中文文本的平均识别准确率达到97.30%,超出了人类表现,取得了理想的实际效果.

摘要：针对卷积神经网络层数设计和参数优化问题,改进和测试了lenet-5模型。通过MNIST字符库,分析了卷积层参数滤波器数量、核大小、池化方法、激活函数和网络学习速率等对机器手写体识别性能的影响。实验结果表明,改进后的网络结构简单,预处理工作量小,可扩展性强,识别速度快,识别率达到0.993 9,有效缓解了过拟合。

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。

摘要：垃圾分类已成为全国新风尚,但是垃圾分类的过程中,由于垃圾品类复杂而繁多,群众反应存在分类困难。为了更好地解决垃圾分类困难这一社会热点问题,为垃圾分类提供一种自动化、智能化的解决方法迫在眉睫。论文改进了垃圾图像识别技术,提出了一种基于深度学习的智能分类垃圾桶。论文设计了“Y”字型物理模型,运用了lenet-5深度学习模型,集成了舵机、超声波、蓝牙等模块,最终实现了精准识别垃圾种类、自动化分类垃圾、满桶提醒和蓝牙传输等功能。实验表明,论文设计的基于深度学习的智能分类垃圾桶具有较好的智能性,提高了垃圾分类的准确率和效率,方便了群众垃圾分类。

摘要：目前,卷积神经网络在图像识别和分类领域取得了良好的效果, 但网络结构和参数的选择对图像识别和分类的效 果与效率影响很大。为了提高卷积网络的图像分类性能,本文结合理论分析和对比实验, 对卷积神经网络模型进行了详细的 理论分析, 并且本文设计了一个具有8层卷积层的深度卷积网络, 并结合批量归一化处理,在CIFAR-10数据集上进行了相 关的分类实验, 得到了88.1%的分类精度,相比于传统的分类设计有效地改善了卷积神经网络的图像识别分类效果。