基于卷积神经网络的手写体数字识别系统

陈岩; 李洋洋; 余乐; 王瑶; 吴超; 李阳光

Chinese

您当前的位置：

首页 >

文章列表页 >

基于卷积神经网络的手写体数字识别系统

更新时间：2026-09-04

- 基于卷积神经网络的手写体数字识别系统
- A System of Convolutional Neural Networks Based Handwritten Number Recognition
- 微电子学与计算机 2018年35卷第2期页码：71-74
- 作者机构：
  
  1. 北京工商大学机构计算机与信息工程学院,北京,100048
  2. 食品安全大数据技术北京市重点实验室,北京,100048
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目 61473009北京市自然科学基金资助项目 4174086
- DOI：
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
陈岩, 李洋洋, 余乐, 王瑶, 吴超, 李阳光. 基于卷积神经网络的手写体数字识别系统[J]. 微电子学与计算机, 2018, 35(2): 71-74.

CHEN Yan, LI Yang-yang, YU Le, et al. A System of Convolutional Neural Networks Based Handwritten Number Recognition[J]. 2018, 35(2): 71-74.
陈岩, 李洋洋, 余乐, 王瑶, 吴超, 李阳光. 基于卷积神经网络的手写体数字识别系统[J]. 微电子学与计算机, 2018, 35(2): 71-74. DOI：

CHEN Yan, LI Yang-yang, YU Le, et al. A System of Convolutional Neural Networks Based Handwritten Number Recognition[J]. 2018, 35(2): 71-74. DOI：

摘要

近年来

卷积神经网络在图像的分类识别领域取得成功

并逐渐在许多嵌入式终端设备上得到应用.在Linux环境下采用QT开发框架

设计实现了一个基于卷积神经网络的手写体数字识别系统.该系统可以很方便的跨平台移植于各类嵌入式设备上.测试结果表明

该系统对手写体识别具有良好的识别效果.

Abstract

In recent years

Convolutional Neural Network (CNN) has been successfully used in the field of image classification and recognition. In this paper

based on the QT development framework

we designed and implemented a handwritten numeral recognition system based on CNN in Linux environment. The proposed system can be easily transplanted on various embedded devices. The test results show that the system has good recognition effect.

关键词

Keywords

references

Kim Y H, Kim H, Kim S W. Illumination normalisation using convolutional neural network with application to face recognition[J]. Electronics Letters, 2017, 53(6): 399-401. DOI: 399

丁小刚. BP神经网络与卷积神经网络在文字识别中的应用研究[D]. 武汉: 华中科技大学, 2014.

Igor Ševo, Aleksej Avramoviĉ. Convolutional neural network based automatic object detection on aerial images[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(5): 740-744. DOI: 740

张伟, 王克俭, 秦臻. 基于神经网络的数字识别的研究[J]. 微电子学与计算机, 2006, 23(8): 206-208. DOI: 206

申家振, 张艳宁, 刘涛. 基于形状上下文的形状匹配[J]. 微电子学与计算机, 2005, 22(4): 144-146. DOI: 144

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

图像任务中空间和通道注意力机制研究综述

基于高层次综合的卷积神经网络设计与优化方法研究

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

大模型发展综述：从BERT到Deepseek的技术演进

注意力机制与改进密集卷积引导的信息隐藏模型