羊角钩
O引言
工业自动化极大地便捷了社会生产和人们生活［1］。自动化生产过程中，部 分数据难以直接通过传感器获取，因此需要人工监测并记录。这阻碍了自动化 生产的流程，降低了工业生产的效率。机器视觉技术通过视觉传感器捕获图 像，利用辨识算法实现自动化生产过程中部分数据的识别、处理与存储，代替 了人工监测，提高了生产效能［2-4］。阿拉伯数字作为全球通用的符号，广泛应 用于金融票据、、手写财务报表、试卷批阅等［5-6］。大量手写数字亟 需自动化识别技术来完成识别，从而为提高工作效率奠定基础。目前，国内外 研究学者对手写数字识别的工作开展了广泛研究。
2015年，SALDANHA对手写数字识别的硬件系统进行了改进设计，对基于神 经网络的识别算法进行了正则化处理，极大地减少了浮点运算。将该算法布署 在现场编程门阵列(field-programmable gate array, FPGA)芯片上，提高了嵌 入式处理器的应用性能。试验测试表明，改进系统能够将手写数字识别时间由 2. 938 S降低到1 S内⑺。2020年，KUSETOGULLARl设计了专门用于识别历史 文献中手写数字的深度学习体系结构DlGrrNE
T,针对特定的历史手写数字，识 别正确率可达97. 12%［8］° 2018年，李怡轩以MatIab2015为开发平台设计了基 于机器学习的手写数字识别系统，通过计算待识别图像和模板矩阵的欧式距离 和后验概率实现了手写数字的识别，识别精度可达97.63%［9］° 2020年，康磊 基于LeNet设计了 RLeNet加速器，在FPGA上通过软硬件协同的方式实现了手 写数字的识别，识别率约为96. 18%［10］°
从现有文献可以看出，针对手写数字识别的算法研究层出不穷。但由于基 于神经网络的识别算法具有较多模型参数以及庞大的计算量，对于实际嵌入式 硬件系统而言，这将导致手写数字识别的硬件系统造价昂贵、配置复杂，难以 推广到实际应用［11T2］。如何在低成本的嵌入式系统中布署基于神经网络的识 别模型，并兼顾手写数字识别速度和识别正确率是当前国内外学者开展基于机 器视觉手写数字识别研究存在的主要问题。因此，针对低成本的嵌入式硬件系 统，开展手写数字辨识算法的研究势在必行。
针对上述问题，本文设计了低成本的手写数字嵌入式识别系统。系统采用 STM32作为主控芯片，通过视觉传感器采集手写数字，利用改进后的卷积神经 网络对手写数字训练集进行训练，从而构建手写数字识别模型；经压缩加速处 理，产该算法模型布署在STM32中实现手写数字的识别，并将识别结果予以实 时显不O
1氨气生成一氧化氮识别系统方案设计
本文设计的手写数字识别系统架构如图I所示。
图1手写数字识别系统架构
手写数字识别系统主要分为硬件和软件两部分。其中，硬件部分以STM32 作为主控芯片，通过0V7725摄像头采集手写数字图像，利用软件算法对其进行 识别，从而将识别结果输
多人交互式VR
出至液晶显示器(IiqUid crystal display,LCD)；软 件部分以Tensorflow为平台优化卷积神经网络，对MNIST数据集中手写数字图 像进行训练，从而获得TFlite识别模型。对该识别模型进行加速处理并将其布 署至STM32芯片上，实现了基于嵌入式系统的手写数字在线识别。
2手写数字识别算法设计
2.1卷积神经网络
卷积神经网络是1种包含卷积计算且具有深度结构的前馈神经网络［10］。 本文以LeNet-5卷积神经网络为基础。该模型结构简单。LeNet-5卷积神经网 络体系结构如图2所示。
图2 LeNet-5卷积神经网络体系结构图
输入层输入待辨识图片后，以LeNet-5卷积神经网络进行特征提取。特征 提取可分为6个步骤。
①卷积。卷积层Cl（卷积核5X5）提取图片中相对全面的特征，生成1个特 征图像。
②池化。对步骤①中生成的特征图像进行池化处理，去掉一半的多余特征 并继续生成特征图像。
③卷积。对步骤②中生成的特征图像再次进行卷积（卷积核5X5）,生成特 征图像。
④池化。对步骤③中生成的特征图像再次进行池化处理，生成最终的特征 图像。
不同区域的地质灾害发育程度、危险性等级的划分也不同，所以要因地制 宜，研究人员要进行实地考察，根据事实得出结论，根据成果划分区域，对地 质灾害高易发区加大资金与科技的投入，建立更多有效的预警和避难系统。这 种因地制宜的方法能够有效的节约资金，
减少不必要的投入。另外，进行区域 的划分也能让人们针对地质灾害的情况产生预警心理，有防灾的意识，也能有 效的降低地质灾害的风险。
⑤展平。对步骤④中的卷积、池化运算得到的三维特征数据展平为一维特 征数据。
⑥3层全连接层（DI、D2和输出层）。对步骤⑤中输出的一维特征数据进行 多次折叠分类，实现从图片特征的线性不可分到线性可分。其中，输出层可根 据需求调整分类大小。
三聚氰胺甲醛树脂2.2基于优化的卷积神经网络的手写数字识别算法
本文对图2所示的LeNet-5卷积神经网络进行优化。优化的手写数字识别 用卷积神经网络体系结构如图3所示。
