《表6 文字识别方法实验对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的电力操作票文字识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：*表示CBTR方法优于其他方法。

DLQDF[25]和MCDNN[9]方法是经典的文字识别方法，DeepCNet[22]方法是近年表现较好的一种基于CNN的文字识别方法。因此，本文选择上述3种方法作为实验基准方法。其中CBTR-none表示仅使用CNN模型训练学习；CBTR-ie表示仅包含图像增强方法的CNN模型；CBTR-ps表示包括路径签名的CBTR方法；CBTR-ps-8dir表示不包括假想笔画特征的CBTR方法；CBTR-ps-is表示不包括8方向特征的CBTR方法；CBTR方法则为本文完整集成CNN模型，包括假想笔画、路径签名和8方向特征。实验结果如表6所示，表中最后一列为模型评价指标精度。