基于人工神经网络的汽车电路图字符识别方法设计与实现

发布时间：2021-11-29 10:42

　　人工智能的新时代的到来对人们的生活方式也带来了巨大的改变,深度学习作为人工智能的一个分支已经被广泛地使用到各个领域,它扩大了人工智能的领域,其中在特定环境下的字符检测和字符识别已经成功地应用。随着汽车与人工智能的不断结合,汽车电路图也更加精细和复杂,并且由于当前我国生产汽车型号的汽车电路图与国外些许差异,这使维修人员在汽车维修时降低了人工识别的效率且难度增加。深度学习中的字符识别技术可以对汽车电路图进行信息提取,将图片信息转化为文本信息,通过汽车电路维修协助系统将大大提高对汽车电路图的读取效率同时对维修人员的检修工作提供了重要的协助。在实际应用中通常使用传统算法来对图像中的字符进行识别和提取,但是由于人工制定特征不普遍,使应用具有一定的局限性。常用的目标检测算法在实时性和准确性虽有一定程度地提高但仍有很大的改进空间,字符识别算法不仅在传输过程中会产生信息损失且提高了计算成本,在区分不同的姿势和和其他方面的差异性的效果不是很好。因此本文创新地使用了如今发展相对成熟的人工神经网络实现对于汽车电路图的字符提取,从字符检测和字符识别两个方面设计系统。人工神经网络训练得到的网络模型具有很强的泛化... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

感知机结构图

第2章神经网络概述9图2.2常用激活函数曲线图Sigmoid函数计算如公式2.2所示。该函数的取值范围为[0,1]，是Logistic函数的特例，可用于二分类。也称为神经元的饱和激发率(firingrate)：xex11)(………………………………（2.2）tanh函数计算如公式2.3所示。该函数的取值范围为[-1,1]并且穿过零点：xxxxeeeexf)(……………………………（2.3）ReLU函数计算如式子2.4所示该函数在x>0范围内保持梯度增加，减少梯度消失的概率并提高计算效率。激活函数曲线图如图2.4所示：xxf),0max()(…………………………（2.4）LeakyReLU函数计算如式子2.5所示。该函数避免出现神经元“kill”的现象：xxx),01.0max()(……………………（2.5）ELU函数计算如式子2.6所示。该函数继承了ReLU函数的优势；输出均值接近零：………………（2.6）以上这些函数都具有一定的缺陷，例如Sigmoid函数会引起饱和神经元出现梯度消失的现象，该函数输出不是零中心的exp()运算导致计算较复杂；tanh函

第2章神经网络概述10数的饱和神经元仍然会“kill”梯度；ReLU函数的输出非零中心；x<0的范围无梯度，无法更新权重的现象出现；ELU函数exp()运算较复杂。Softmax函数计算如公式2.7所示。该函数先对每一个Zi取指数并使其值大于零，之后除以所有项之和得到一个新的数值：),...,1()exp()exp()(1KizzziKji……………………（2.7）一个神经网络有一个规定的输入，如果训练后的输出与设定的预期输出不一致，就会产生误差。对于这种现象可以通过改变标量神经元的参数，将输入通过网络生成期望输出。神经网络的另一个重要概念是成本函数的计算，感知器通过被称为均方误差的代价函数计算来学习，还有许多其他类型的成本函数可以用来确定输出误差。梯度下降要求成本函数是凸的，从而引入随机梯度下降。图2.3神经网络训练过程训练过程如图2.3所示。对于分类问题，标签为类别；对于检测问题，标签为一个边界框。使用训练数据训练模型和计算损失，通过不断调整模型参数来改变训练数据，最终生成模型。通过测试数据来测试最终的模型是否理想，最终实

【参考文献】：
期刊论文
[1]卷积神经网络在图像识别中的应用[J]. 圣文顺,孙艳文.  软件工程. 2019(02)
[2]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明.  计算机工程与应用. 2017(13)
[3]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[4]汽车电路的识别及维修[J]. 刘宏涛.  硅谷. 2013(08)
[5]汽车修理中电路图的设置与识别[J]. 刘亚林.  民营科技. 2012(09)
[6]促进学生深度学习[J]. 何玲,黎加厚.  现代教学. 2005(05)
[7]基于神经网络自学习的图像检索方法[J]. 张磊,林福宗,张钹.  软件学报. 2001(10)



本文编号：3526360