[發明專利]一種基于連續卷積SPP網絡的手寫筆跡識別系統

在審

• 申請號: 202210469762.0
• 申請日: 2022-04-30
• 公開（公告）號: CN115035536A
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 李竹;楊家玉;劉圓圓;陸康;林宏偉;陳錕劍;陳沖
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V30/19
• 分類號: G06V30/19;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

1.一種基于連續卷積SPP網絡的手寫筆跡識別系統，其特征在于，包括輸入單元、預處理單元、智能識別單元、輸出單元、用戶端和云端，其中，

所述輸入單元、預處理單元、智能識別單元和輸出單元依次連接，所述用戶端的輸出與輸入單元連接，輸出單元的輸出與云端和用戶端連接，云端還與預處理單元和智能識別單元連接；

所述輸入單元的輸入為手繪圖像數據；所述預處理單元進行平滑去噪、二值化和裁剪；所述智能識別單元對連續卷積SPP網絡模型進行預訓練、分析和模型投票，得到識別結果；所述輸出單元將識別結果分別發送給用戶端和云端。

2.根據權利要求1所述的系統，其特征在于，所述輸入單元將手繪圖像數據處理為阿基米德螺旋線圖像。

3.根據權利要求1所述的系統，其特征在于，所述預處理單元包括濾波模塊、二值化模塊和分區模塊，其中，濾波模塊對圖像進行平滑去噪，二值化模塊根據筆跡的色彩范圍將濾波后的圖像進行二值化，分區模塊裁剪原螺旋線圖像為左上、左下、右上和右下四部分。

4.根據權利要求3所述的系統，其特征在于，所述二值化模塊的二值公式為：

式中，F代表原圖像，Nⁱ(F)代表更新后的圖像，Rⁱ(F)、Gⁱ(F)、Bⁱ(F)分別代表F中第i個像素的紅、綠、藍三通道的值。

5.根據權利要求1所述的系統，其特征在于，所述連續卷積SPP網絡模型包括輸入層、連續卷積層、池化層、SPP空間金字塔池化層和全連接層。

6.根據權利要求5所述的系統，其特征在于，所述智能識別單元將獲取的阿基米德螺旋線圖像進行標注，不同的種類使用數字0，1，2，…，n作為標簽；

將標注好的圖像按照一定的比例分為訓練集、驗證集和測試集；

搭建連續卷積SPP網絡模型；

將帶標簽的訓練集和驗證集放進輸入端，進行多尺寸訓練后得到輸出結果，根據各局部特征訓練不同的模型；

通過損失函數計算Loss值，反向傳播更新網絡權重，損失函數采用交叉熵損失函數，其計算公式為：

H(p，q)＝-∑_ip_ilog₂q_i

其中，p代表圖像的真實值，即原標簽的概率分布，q代表模型預測值，即預測的標簽概率分布；

根據訓練集大小調整迭代次數epoch，重復訓練直至模型收斂。

7.根據權利要求1所述的系統，其特征在于，所述連續卷積SPP網絡模型包括輸入層、2個連續卷積模塊、SPP空間金字塔池化層和全連接層，其中，2個連續卷積模塊包括模塊A和模塊B，模塊A最后一層為最大池化層；在模塊A中，設置i層連續的卷積層，i的取值大小根據手繪圖像的復雜程度改變，在模塊B中，搭建固定的三層連續卷積結構，模塊B后連接SPP空間金字塔池化層，SPP空間金字塔池化層由三個尺寸分別為4×4、2×2、1×1的并行池化層組成，將來自前一層的圖像延展為固定長度的全連接層輸入；無論輸入的圖像尺寸為多大，全連接層的運算過程不變，卷積層和池化層核均采用ReLU激活函數。