BP神经网络字符识别：从数学原理到工业级实现

1次阅读

没有评论

共计 2307 个字符，预计需要花费 6 分钟才能阅读完成。

在复杂场景下，传统 OCR 技术往往面临以下挑战：

模糊干扰 ：高斯模糊或运动模糊导致字符边缘高频信息丢失，基于轮廓匹配的方法失效
几何变形 ：超过±15°的倾斜或透视变换时，投影分割算法产生断裂笔画
多字体适应 ：同一字符的不同字体（如宋体 vs 黑体）在笔画连接处的拓扑结构差异超出预设模板库覆盖范围

实测数据显示，当同时存在模糊 + 倾斜时，传统方法的识别准确率会从 92% 骤降至 47%。

设网络有 $L$ 层，第 $l$ 层权重矩阵 $W^l \in \mathbb{R}^{n_l \times n_{l-1}}$，激活函数为 $\sigma(\cdot)$，则前向传播为：

$$z^l = W^l a^{l-1} + b^l$$
$$a^l = \sigma(z^l)$$

定义损失函数 $J$ 对第 $l$ 层输出的梯度 $\delta^l = \frac{\partial J}{\partial z^l}$，通过链式法则可得：

$$\delta^l = ((W^{l+1})^T \delta^{l+1}) \odot \sigma'(z^l)$$

权重更新量计算（设学习率 $\eta$）：

$$\Delta W^l = -\eta \cdot \delta^l (a^{l-1})^T$$

模型	参数量 (M)	准确率 (%)	推理时延 (ms)
LeNet-5	0.6	94.2	2.1
ResNet18	11.2	98.7	8.9

class CBAM(nn.Module):
    def __init__(self, channels, reduction=16):
        super().__init__()
        # 通道注意力: [B,C,H,W] -> [B,C,1,1]
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.max_pool = nn.AdaptiveMaxPool2d(1)
        self.fc = nn.Sequential(nn.Linear(channels, channels//reduction),
            nn.ReLU(),
            nn.Linear(channels//reduction, channels)
        )

        # 空间注意力: [B,2,H,W]
        self.conv = nn.Conv2d(2, 1, kernel_size=7, padding=3)

    def forward(self, x):
        b, c, _, _ = x.size()
        # 通道注意力分支
        y_avg = self.avg_pool(x).view(b, c)  # [B,C]
        y_max = self.max_pool(x).view(b, c)
        y = self.fc(y_avg) + self.fc(y_max)  # [B,C]
        channel_att = torch.sigmoid(y).view(b, c, 1, 1)  # [B,C,1,1]

        # 空间注意力分支
        avg_out = torch.mean(x, dim=1, keepdim=True)  # [B,1,H,W]
        max_out, _ = torch.max(x, dim=1, keepdim=True)
        concat = torch.cat([avg_out, max_out], dim=1)  # [B,2,H,W]
        spatial_att = torch.sigmoid(self.conv(concat))  # [B,1,H,W]

        return x * channel_att * spatial_att  # 双重注意力加权

使用 Albumentations 的弹性变形组合（显存占用增加约 15%）：

transform = A.Compose([
    A.ElasticTransform(alpha=120, sigma=120*0.05, 
                      alpha_affine=120*0.03, p=0.5),
    A.GridDistortion(num_steps=5, distort_limit=0.3, p=0.3),
    A.RandomBrightnessContrast(brightness_limit=0.2, 
                              contrast_limit=0.2, p=0.5)
])

导出 FP32 模型：

torch.onnx.export(model, dummy_input, "model.onnx", 
                 opset_version=13,
                 input_names=["input"], 
                 output_names=["output"])