圖像識別技術(shù)的研究越來越多,被廣泛地應(yīng)用在實(shí)踐生活中,但工程圖紙圖像識別方向的研究并不多,傳統(tǒng)的識別方式是用反向神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network,BPNN）來實(shí)現(xiàn)對圖紙上的信息提取,但是由于工程圖紙種類多,一般由線條與特定元件符號組成,具有多樣性、復(fù)雜度高等特點(diǎn),并沒有固定的特征作為識別目標(biāo)進(jìn)行提取,所以識別難度大、應(yīng)用成效低。因此,本文對工程圖紙圖像識別和分類方面進(jìn)行研究與實(shí)踐,采用了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）算法與反向神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對比實(shí)驗(yàn)。本文選題的目的是實(shí)現(xiàn)計(jì)算機(jī)代替工作人員對工程圖紙進(jìn)行識別分類的應(yīng)用。在現(xiàn)今的工程企業(yè)中,已有工程圖紙掃描儀適用于辦公自動化,由于工程圖紙的數(shù)量多,需要人為識別在電腦中進(jìn)行文件種類分類操作,所需工作量很大,所花費(fèi)時(shí)間很長,而且工作過程十分枯燥,工作人員極易疲勞,降低了工作效率。所以,計(jì)算機(jī)圖像識別代替人工識別工程圖紙具有實(shí)際的意義,技術(shù)上支持了企業(yè)辦公信息化,促進(jìn)了工業(yè)企業(yè)無紙化辦公。由于以前的方法對工程圖紙識別分類并不理想,可以進(jìn)一步提升效果,本文... 

【文章來源】：南華大學(xué)湖南省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第2章 神經(jīng)網(wǎng)絡(luò)的相關(guān)理論與數(shù)據(jù)集
    2.1 引言
    2.2 神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)
        2.2.1 激活函數(shù)
        2.2.2 交叉熵
    2.3 反向神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)
        2.3.1 反向神經(jīng)網(wǎng)絡(luò)原理與結(jié)構(gòu)
    2.4 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
        2.4.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.2 卷積
        2.4.3 池化
    2.5 數(shù)據(jù)集
        2.5.1 數(shù)據(jù)增強(qiáng)技術(shù)
        2.5.2 數(shù)據(jù)集介紹
    2.6 模型優(yōu)化
        2.6.1 圖像歸一化處理
        2.6.2 優(yōu)化器
        2.6.3 Dropout技術(shù)
    2.7 實(shí)驗(yàn)環(huán)境
    2.8 本章小結(jié)
第3章 基于反向神經(jīng)網(wǎng)絡(luò)的工程圖紙圖像識別算法
    3.1 反向神經(jīng)網(wǎng)絡(luò)
        3.1.1 實(shí)驗(yàn)流程介紹
        3.1.2 數(shù)據(jù)集
        3.1.3 BPNN模型結(jié)構(gòu)
    3.2 反向神經(jīng)網(wǎng)絡(luò)訓(xùn)練與識別效果
        3.2.1 訓(xùn)練與優(yōu)化
        3.2.2 識別效果
    3.3 本章總結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的工程圖紙圖像識別算法
    4.1 數(shù)據(jù)預(yù)處理與數(shù)據(jù)集
    4.2 CNN-A類
        4.2.1 CNN-A類網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 CNN-A類網(wǎng)絡(luò)參數(shù)
    4.3 CNN-B類
        4.3.1 CNN-B類網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 CNN-B類網(wǎng)絡(luò)參數(shù)
    4.4 CNN-C類
        4.4.1 CNN-C類網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.2 CNN-C類網(wǎng)絡(luò)參數(shù)
    4.5 訓(xùn)練過程
        4.5.1 CNN-A類模型訓(xùn)練過程
        4.5.2 CNN-B類模型訓(xùn)練過程
        4.5.3 CNN-C類模型訓(xùn)練過程
    4.6 實(shí)驗(yàn)分析與識別效果
        4.6.1 實(shí)驗(yàn)分析
        4.6.2 識別效果
    4.7 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
作者攻讀學(xué)位期間的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于3D卷積神經(jīng)網(wǎng)絡(luò)的PolSAR圖像精細(xì)分類[J]. 張臘梅,陳澤茜,鄒斌.  紅外與激光工程. 2018(07)
[2]卷積網(wǎng)絡(luò)深度學(xué)習(xí)算法與實(shí)例[J]. 陳旭,張軍,陳文偉,李碩豪.  廣東工業(yè)大學(xué)學(xué)報(bào). 2017(06)
[3]快速去除椒鹽噪聲的蛇形掃描濾波算法[J]. 付蕓,白銀浩,李展,萬楚琦.  計(jì)算機(jī)工程. 2017(07)
[4]基于圖像歸一化與擴(kuò)頻技術(shù)的DCT零水印算法[J]. 楊振仁,李德.  延邊大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[5]推進(jìn)企業(yè)無紙化辦公信息化建設(shè)的途徑[J]. 邵冰珂.  中外企業(yè)家. 2017(12)
[6]基于BP神經(jīng)網(wǎng)絡(luò)的腦卒中患者分類方法研究[J]. 吳潔,曲暢,王華.  無線互聯(lián)科技. 2016(24)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[8]電氣工程圖紙矢量化技術(shù)濾波算法的研究分析[J]. 單世哲,許伯強(qiáng),韓剛.  農(nóng)業(yè)科技與裝備. 2012(05)
[9]基于Tanh多層函數(shù)的量子神經(jīng)網(wǎng)絡(luò)算法及其應(yīng)用的研究[J]. 羅鵬,李會方.  計(jì)算機(jī)與數(shù)字工程. 2012(01)
[10]基于拓?fù)浣Y(jié)構(gòu)的工程圖紙識別方法[J]. 宋曉宇,李玉沖,劉繼飛.  沈陽建筑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(04)

碩士論文
[1]深度信念網(wǎng)絡(luò)（DBN）等效模型研究及應(yīng)用[D]. 馬艷梅.華北電力大學(xué) 2017
[2]工程繪圖中掃描圖紙圖像處理及識別方法的研究[D]. 張建立.大連理工大學(xué) 2005



本文編號：3189566