基于深度学习的水书图像识别算法研究与应用

发布时间：2020-04-29 05:23

【摘要】：语言文字是一个民族的精神文明之一,文字识别技术对文字的传播和文化传承起到很好的推进作用。在我国贵州地区有一种语言文字——水书,是一种古老的类象形文字,由于传承人员稀缺,导致水书传承中断,所以迫切需要进行数字化保护。传统的文字识别技术多是采用手动提取特征,然后设计分类器进行识别的模式。手动提取特征对专业知识的要求较高,人力成本也比较高,然而识别效果却不太理想。深度学习在模式识别任务方面的表现良好,给少数文字识别相关研究人员带来了新的灵感,并尝试使用深度学习来解决文字识别问题。基于深度学习的方法实现水书识别存在着几个问题。第一,水书目前还没有用于数据科学研究的完备数据集,缺乏专业数据人员对水书文字进行整理、存储、归类;第二,深度学习模型多种多样,多数是针对某一个问题而设计的,可移植性较差,科研人员将深度学习方法在水书识别上的尝试较少;第三,深度学习模型训练时的超参数设置很大程度上影响了模型的性能,超参数优化问题是诸多研究人员致力解决的问题。针对上述问题,本文对深度神经网络模型进行研究,设计了一个用于水书识别的卷积神经网络模型,并通过一种基于种群进化的超参数优化算法进行训练,实现水书文字识别任务。具体工作如下:1.提出一种基于种群进化的超参数优化算法。本文结合网格搜索与人工调试的优点,从进化算法中获得启发,提出一种基于种群进化的超参数优化算法,其主要思想是个体进化,种群选择,异步并行迭代训练以达到种群进化的结果。实验结果表明,在超参数设置问题上此算法相较于网格搜索有更优的效果。2.设计了一个应用于水书识别的卷积神经网络模型。通过理论验证,经验积累,本文详细分析了卷积神经网络的结构组成,论证了损失函数、激活函数等选择问题,设计了一个11层卷积网络结构,并采用本文提出的基于种群进化的超参数优化算法进行训练,在水书数据集数据量较多的标注集上进行训练验证,证实了模型设计的有效性。3.本文建立了一个水书古籍文字数据集,为深度学习的研究提供了实验数据。文中详细介绍了水书特点,从数据采集、到数据预处理、再到数据标注,详细介绍了水书数据集建立过程。设计了一个水书文字识别原型系统,将数据处理和文字识别功能进行集成,为水书的学习和传播提供了方便。综上,本文提出的基于种群进化的超参数优化算法为神经网络超参数设置提供了借鉴方法,水书文字识别的研究可以作为少数民族语言保护和文字识别的一个经验案例,为文字学和深度学习工作者进行深入研究作参考。
【图文】：

框架图,文字识别,重要意义,框架

２．１．２研究内容与系统框架逡逑由上一节的分析己经明确了本文的主要研究任务，，这里通过一个框架图来展开描述逡逑研究内容，如图２－１所示。逡逑ＭＭ邋－－－－逦■－逡逑＿邋－—二－－？＿逡逑Ｉ逡逑ｌ逦选择ＣＮＮ网络邋ｎ逦２４邋．．邋，邋＾邋＾逦ｔａａｍｔ＾ｏｎ邋Ｉ邋ｆ＆Ｓｒ＾逦灥逡逑：￣￣￣￣￣１逦，邋，Ｕ邋ａ、［卜邋５邋ｉ逡逑＿廔逦ｉ逦ａ逦＾ｆ９逦ｈ邋ｉ逦！逦｜逡逑！邋逦逦二二￣￣￣…二二－二二．１＾１１邋二二二二．二．．二一逦１逡逑「？；逦—一］逡逑．崣参数抚化逦Ｓｅｅｐ逦ＪＥｖａｆｅ减》ｉ逦￡ｘｐｋ细ｓｏｎ逦ｐ咖ｒyUｏｎ逡逑丨．．＇：．：ｆＩ逦ｍ：」ｓ邋■逦１｜逡逑；逡逑：逡逑Ｑ＾２＾ｇ＾２ｊｊ２２ｉｓｓ邋ｓｓ＾＾ｓｓｓｍｓａａｓａ逦■逦逦邋逦邋……逦逦逡逑逦逦逦逦邋．邋Ｈ．邋ｍ逦？邋＿邋攦逡逑５ｉｌｆ］邋＿邋Ｐ＾＂邋１邋ｉ邋ｔ邋＾－４ｒ逡逑＊ｓａ？0ｉ逡逑ｇｇｇｇｇ＾ｇｇ＾ｊｇｇｇｇｇｇ＾邋ｆｅ＾Ｓ８８３８＾８％ＢＳＢ８８ｉＷ逡逑Ａｐｐ逦座务窠群逡逑图２－１基于深度学习的水书文字识别框架逡逑水书文字图像数据库的建立是一件非常有价值的工作，不仅在数据科学方面，在文逡逑化保护方面也有着重要意义。本文在第四章详细介绍了从水书数据采集到数据预处理，逡逑再到数据标注等详细过程。由于水书文字具有特殊性和小众性，所以对其认知存在一定逡逑难度，需要水书专家的参与。逡逑８逡逑

文字识别,模型设计,数据集

二值化、归一化等操作。但这还没有结束，数据虽然看起来很规整，但是并没有分类，逡逑没有标签作为后期识别的标准，所以需要对数据进行标注。经过一系列的处理，得到可逡逑以用来训练的数据量有１０万余字，图２－２所示为得到的字符样例一水书中的“子”和逡逑“时辰”。在第四章详细介绍了数据集的构造流程。逡逑孑在N条七乇爸各尹尹歹尹歹歹歹，尹？泛逡逑毛友蚤壬孑孑孑；ｔ系系尹尹歹歹歹夕歹歹歹尹逡逑士孑孑乇蚤圣手孑冬七尹步尹歹歹歹歹歹歹歹逡逑冬爹冬条七豸令圣孑孑尹歹歹歹歹尹歹歹矛歹逡逑壬乇圣乇圣；？手冬寻令罗歹歹歹逡逑图２－２水书数据集样例逡逑２．４水书文字识别ＣＮＮ模型设计逡逑本文的最终目的是实现水书古籍图像文字识别，本模块的主要任务是设计一个可以逡逑用来进行水书识别的ＣＮＮ模型。卷积神经网络同时具有特征提取与分类识别功能，卷积逡逑层的作用是检测来自前一层的特征的局部连接并提取特征，池化层的作用是将语义相似逡逑的特征合并为一个。这里首先介绍了邋ＣＮＮ基本原理，论证了损失函数如何选择的问题，逡逑设计了一个１１层神经网络模型，并使用该模型对水书数据进行识别。逡逑１０逡逑
【学位授予单位】：中央民族大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：H12;TP391.41;TP18

【相似文献】