基于卷积神经网络的工程图纸图像识别算法研究

发布时间：2021-05-16 10:56

　　图像识别技术的研究越来越多,被广泛地应用在实践生活中,但工程图纸图像识别方向的研究并不多,传统的识别方式是用反向神经网络（Back Propagation Neural Network,BPNN）来实现对图纸上的信息提取,但是由于工程图纸种类多,一般由线条与特定元件符号组成,具有多样性、复杂度高等特点,并没有固定的特征作为识别目标进行提取,所以识别难度大、应用成效低。因此,本文对工程图纸图像识别和分类方面进行研究与实践,采用了卷积神经网络（Convolutional Neural Networks,CNN）算法与反向神经网络算法进行对比实验。本文选题的目的是实现计算机代替工作人员对工程图纸进行识别分类的应用。在现今的工程企业中,已有工程图纸扫描仪适用于办公自动化,由于工程图纸的数量多,需要人为识别在电脑中进行文件种类分类操作,所需工作量很大,所花费时间很长,而且工作过程十分枯燥,工作人员极易疲劳,降低了工作效率。所以,计算机图像识别代替人工识别工程图纸具有实际的意义,技术上支持了企业办公信息化,促进了工业企业无纸化办公。由于以前的方法对工程图纸识别分类并不理想,可以进一步提升效果,本文... 

【文章来源】：南华大学湖南省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 本文研究内容
    1.4 论文结构
第2章 神经网络的相关理论与数据集
    2.1 引言
    2.2 神经网络相关理论基础
        2.2.1 激活函数
        2.2.2 交叉熵
    2.3 反向神经网络相关理论基础
        2.3.1 反向神经网络原理与结构
    2.4 卷积神经网络理论基础
        2.4.1 卷积神经网络
        2.4.2 卷积
        2.4.3 池化
    2.5 数据集
        2.5.1 数据增强技术
        2.5.2 数据集介绍
    2.6 模型优化
        2.6.1 图像归一化处理
        2.6.2 优化器
        2.6.3 Dropout技术
    2.7 实验环境
    2.8 本章小结
第3章 基于反向神经网络的工程图纸图像识别算法
    3.1 反向神经网络
        3.1.1 实验流程介绍
        3.1.2 数据集
        3.1.3 BPNN模型结构
    3.2 反向神经网络训练与识别效果
        3.2.1 训练与优化
        3.2.2 识别效果
    3.3 本章总结
第4章 基于卷积神经网络的工程图纸图像识别算法
    4.1 数据预处理与数据集
    4.2 CNN-A类
        4.2.1 CNN-A类网络结构
        4.2.2 CNN-A类网络参数
    4.3 CNN-B类
        4.3.1 CNN-B类网络结构
        4.3.2 CNN-B类网络参数
    4.4 CNN-C类
        4.4.1 CNN-C类网络结构
        4.4.2 CNN-C类网络参数
    4.5 训练过程
        4.5.1 CNN-A类模型训练过程
        4.5.2 CNN-B类模型训练过程
        4.5.3 CNN-C类模型训练过程
    4.6 实验分析与识别效果
        4.6.1 实验分析
        4.6.2 识别效果
    4.7 本章小结
第5章 总结与展望
    5.1 总结
    5.2 未来工作展望
参考文献
作者攻读学位期间的科研成果
致谢


【参考文献】：
期刊论文
[1]基于3D卷积神经网络的PolSAR图像精细分类[J]. 张腊梅,陈泽茜,邹斌.  红外与激光工程. 2018(07)
[2]卷积网络深度学习算法与实例[J]. 陈旭,张军,陈文伟,李硕豪.  广东工业大学学报. 2017(06)
[3]快速去除椒盐噪声的蛇形扫描滤波算法[J]. 付芸,白银浩,李展,万楚琦.  计算机工程. 2017(07)
[4]基于图像归一化与扩频技术的DCT零水印算法[J]. 杨振仁,李德.  延边大学学报(自然科学版). 2017(02)
[5]推进企业无纸化办公信息化建设的途径[J]. 邵冰珂.  中外企业家. 2017(12)
[6]基于BP神经网络的脑卒中患者分类方法研究[J]. 吴洁,曲畅,王华.  无线互联科技. 2016(24)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[8]电气工程图纸矢量化技术滤波算法的研究分析[J]. 单世哲,许伯强,韩刚.  农业科技与装备. 2012(05)
[9]基于Tanh多层函数的量子神经网络算法及其应用的研究[J]. 罗鹏,李会方.  计算机与数字工程. 2012(01)
[10]基于拓扑结构的工程图纸识别方法[J]. 宋晓宇,李玉冲,刘继飞.  沈阳建筑大学学报(自然科学版). 2011(04)

硕士论文
[1]深度信念网络（DBN）等效模型研究及应用[D]. 马艳梅.华北电力大学 2017
[2]工程绘图中扫描图纸图像处理及识别方法的研究[D]. 张建立.大连理工大学 2005



本文编号：3189566