基于改进LeNet-5的压印字符识别

摘要

针对传统的图像识别算法在压印字符识别领域存在识别精度低、速度较慢的问题,提出了一种基于LeNet-5压印字符识别方法。与传统的LeNet-5不同,在文中网络各卷积层中采用小尺寸卷积核,以提取更多的特征并加快模型的训练速度;使用InceptionV2卷积模块取代C5全连接层,可加深网络宽度,从而提高网络的识别精度;放弃全连接层F6,改用全局平均池化层,并且选用性能优越的Relu函数作为激活函数,以便减少训练参数,提高网络的训练速度。通过实验发现,文中模型的识别精度达到98.57%,与传统LeNet-5模型以及BP神经网络相比识别精度分别提高3%和4%,证明文中模型在压印字符的识别上拥有更大的优势。