【摘 要】
：
为实现变电站工程建设中钢结构与电力设备的配套控制管理，需要从大量的钢结构图纸标题栏中识别相关信息，并与实物进行匹配。针对标题栏中字体模糊、表格形式多样、信息量混杂等问题，提出了基于深度学习CNN+RNN模型的文本检测和CRNN模型的文字识别方法。对现有钢结构变电站工程施工现场钢结构数据集的检测与识别显示，该方法的检测精确率达到80%以上，识别准确率达到90%以上，均优于其他文本检测与识别方法。工程
论文部分内容阅读
为实现变电站工程建设中钢结构与电力设备的配套控制管理，需要从大量的钢结构图纸标题栏中识别相关信息，并与实物进行匹配。针对标题栏中字体模糊、表格形式多样、信息量混杂等问题，提出了基于深度学习CNN+RNN模型的文本检测和CRNN模型的文字识别方法。对现有钢结构变电站工程施工现场钢结构数据集的检测与识别显示，该方法的检测精确率达到80%以上，识别准确率达到90%以上，均优于其他文本检测与识别方法。工程应用结果表明，该方法有效解决了因文字的大小、字体、颜色与排列方式等差异引起的特征提取困难，提高了变电站钢
其他文献
课堂教学是整个教育任务中的重要环节，为加强教学情况正反馈，提高课堂抬头率检测的准确性，结合注意力机制和特征融合提出一种课堂抬头率检测算法。网络输入除了使用原图外还引用了另一种视觉特征RGB difference，两种输入经过特征提取网络后融合得到信息更丰富的深层特征，并提出一种改进的注意力模型（ICBAM）加载至特征提取网络上，改进的注意力模型使用双流结构应用通道注意力和空间注意力，且在通道注意力
随着图像篡改工具智能化发展，图像篡改并不局限于拼接和移除等某一具体的类型，往往包含多种篡改类型及其组合操作，使得图像篡改取证工作更具有挑战性。为了解决复杂的图像篡改检测，提出一种端到端的面向图像篡改取证的多特征融合U形深度网络，该网络利用编解码网络提取篡改痕迹，其中包括篡改区域与真实区域之间的对比度差异、边缘等差异，以及使用富隐写模型卷积层获取伪造图像的噪声分布不规律信息，无需预处理即可实现可疑区
茎秆微观结构与力学性能密切相关，在作物抗倒伏研究中具有重要意义。针对小麦茎秆截面显微图像分割过程的复杂性，融合ResNet50和Unet网络构建维管束和背景区域的语义分割模型Res-Unet；融合MobileNet和Unet网络搭建对小麦茎秆截面、髓腔、厚壁和背景的语义分割模型Mobile-Unet，可测量小麦茎秆截面尺寸、髓腔尺寸和维管束面积等微观结构参数。针对小麦样本数据集，通过深度学习中迁移
磷是植物生长和发育所必需的大量营养元素之一。由于自然或者人为原因，土壤中有效磷的分布严重不均。在长期的进化过程中，植物逐渐形成了复杂的响应机制以维持体内的磷的稳态。植物可以通过改变根系构型、形成菌根共生体、诱导高亲和磷酸盐转运体、诱导分泌有机酸和酸性磷酸酶等多种途径，提高植物吸收和利用磷的效率。目前关于植物对低磷胁迫信号转导和适应机制的研究已比较深入，但是关于植物如何在磷充足、磷富余情况下避免磷毒
因分切刀具刃口微米级的豁口而产生的极片毛刺是严重的动力电池安全隐患源，而影响刀具显微图像豁口检测的一个重要难题则是准确检测并去除刀具边缘粘连的附着物。附着物去除的相关研究还很少，存在刀具边缘恢复不完整，附着物去除失败等问题。为此，提出了一种附着物去除网络ARNet。首先采用二值掩膜引导模块区分目标与背景特征，再利用去除过程学习模块提取递归过程中的时序信息；然后通过自注意力精准分离模块中编解码结构和
针对无线传感器网络中数据完整性和隐私保护难以同时兼顾的问题，提出一种低能耗支持完整性验证的数据融合隐私保护方法PPMLEC。PPMLEC将节点的ID号用节点的簇号与节点号组合的方式表示，将ID号隐性传输，同时利用哈希函数计算扰动值，对节点采集的数据进行扰动，提高数据的安全性，通过构造两棵融合树在基站进行完整性验证。实验结果表明：在没有能加网络能耗的前提下，PPMLEC在通信量方面比现有的基于分布式
针对目前秸秆覆盖率自动识别准确率低的问题，提出了一种秸秆图像畸变校正与Otsu算法进行阈值分割相结合的图像处理算法，计算田间秸秆覆盖率。首先，通过单目摄像头采集免耕播种机的作业环境信息，并采用了一种改进的AdaBoost算法自动判决免耕机目前工作环境是否是免耕地。在确定属于免耕地的前提下，提出了一种改进的AdaBoost算法判决免耕机的作业环境，其次，对现场采集的秸秆覆盖图像进行预处理，经过彩色空
针对SLAM（同时定位与建图）算法精度不高且跟踪易失败的问题，提出了一种改进关键帧选择的ORB-SLAM2算法。首先，通过ORB-SLAM2算法计算帧间相对位姿；其次，在原有算法的基础上，增加旋转与平移量作为判定依据，决定是否创建新关键帧；然后，针对移动机器人所安装的相机与机器人产生相对运动引发误拍摄，导致劣质关键帧生成的问题，设计了劣质关键帧剔除算法；最后，基于RGB-D数据集与自主研发的移动机
图像描述任务旨在针对一张给出的图像产生其对应描述。针对现有算法中语义信息理解不够全面的问题，提出了一个针对图像描述领域的多模态Transformer模型。该模型在注意模块中同时捕捉模态内和模态间的相互作用；更进一步使用ELMo获得包含上下文信息的文本特征，使模型获得更加丰富的语义描述输入。本模型可以对复杂的多模态信息进行更好的理解与推断并且生成更为准确的自然语言描述。该模型在Microsoft C
针对目前深度学习中单阶段目标检测网络结构复杂、训练困难与在移动与嵌入式设备难以部署的问题，提出一种自适应空间特征融合的轻量化目标检测算法。算法以YOLOv4为网络基础框架，采用轻量级MobileNet作为特征提取网络，降低网络深度与训练难度，提高检测速度；采用了一种自适应空间特征融合方式ASFF(Adaptively Spatial Feature Fusion,ASFF)，改进PANet对多尺度