基于深度学习的喷码检测识别算法研究.pdf

目录 目录 摘要I Abstract III 目录 V 第1 章 绪论 1 1.1 研究背景与意义 1 1.2 国内外研究现状 1 1.2.1 喷码检测识别的研究现状 1 1.2.2 文本检测识别算法研究现状 2 1.3 喷码字符检测识别的主要难点 6 1.4 本文主要研究内容与论文结构安排 6 1.4.1 本文的主要研究内容 6 1.4.2 论文结构安排 7 第2 章 深度学习的理论基础 8 2.1 卷积神经网络基础 8 2.1.1 神经网络介绍 8 2.1.2 卷积操作 8 2.1.3 激活函数 8 2.1.4 池化层 10 2.1.5 全连接层 10 2.1.6 BN （Batch Normalization ）层 10 2.2 经典网络结构 11 2.2.1 VGGNet 11 2.2.2 ResNet 12 2.2.3 FPN 13 2.2.4 LSTM 13 2.3 本章小结 14 第3 章 基于目标检测的喷码定位算法研究 15 3.1 目标检测相关术语 15 3.2 目标检测算法对比 16 3.3 改进YOLOV4 喷码检测算法 17 3.3.1 YOLO 系列网络介绍 17 3.3.2 特征提取优化 22 3.3.3 增加角度回归 23 3.3.4 损失函数改进 24 3.4 对比实验 25 3.4.1 实验环境 25 3.4.2 实验数据 25 3.4.3 模型训练 28 3.4.4 实验和分析 29 3.5 本章小结 30 V 目录 第4 章 基于去噪自编码器喷码定位算法研究 31 4.1 传统自编码介绍 31 4.2 数据集制作 32 4.2.1 基于喷码mask 的方法 32 4.2.2 基于泊松融合的方法 34 4.2.3 图像融合用户界面 35 4.3 改进的去噪自编码器喷码检测网络 35 4.3.1 引入CBM 机制的去噪自编码器 35 4.3.2 损失函数的改进 37 4.3.3 基于背景先验学习的多阶段去噪自编码器 38 4.3.4 后处理操作 39 4.3.5 评价指标 40 4.4 对比实验 41 4.4.1 实验环境 41 4.4.2 实验数据 41 4.4.3 训练细节 42 4.4.4 实验和分析 42 4.5 本章小结 44 第5 章 喷码字符识别算法研究 45 5.1 传统喷码字符识别算法的介绍 45 5.2 改进CRNN 喷码字符识别网络 46 5.2.1 CTC Loss 原理介绍 46 5.2.2 网络模型结构 48 5.2.3 引入非对称卷积 49 5.3 改进的喷码检测识别端到端整合方案 50 5.3.1 网络整体结构 50 5.3.2 特征采样层设计 52 5.3.3 损失函数 52 5.4 对比实验 53 5.4.1 实验环境 53 5.4.2 实验数据 53 5.4.3 实验分析 55 5.5 本章小结 59 第6 章 总结与展望 61