基于卷積神經(jīng)網(wǎng)絡(luò)的盲文音樂識(shí)別研究

劉彪，黃蓉蓉，林和，蘇偉

（1. 蘭州大學(xué) 信息科學(xué)與工程學(xué)院，甘肅 蘭州 730000; 2. 解放軍69230部隊(duì)，新疆 烏蘇 833000）

我國(guó)的盲人數(shù)量約為752萬人，是全球盲人數(shù)量最多的國(guó)家[1]。隨著從事音樂工作的盲人越來越多，盲文成為盲人與常人進(jìn)行書面交流的主要方式，但用其創(chuàng)作的音樂作品仍然需要人工的轉(zhuǎn)換和翻譯，所以急需一種自動(dòng)盲文音樂識(shí)別方案。文獻(xiàn)[2]最早使用硬件設(shè)備采集普通盲文內(nèi)容的圖片，雖然可通過光學(xué)識(shí)別出相應(yīng)內(nèi)容，但是缺乏與用戶的交互性。文獻(xiàn)[3]設(shè)計(jì)了一個(gè)單面盲文圖片的智能識(shí)別系統(tǒng)，包括圖像采集、噪聲消除、圖像分割、特征提取和字符識(shí)別等步驟，其識(shí)別率達(dá)到94.39%，但使用了固定盲文單元大小和盲文點(diǎn)的位置來識(shí)別盲文符號(hào)，其可擴(kuò)展性極其有限。文獻(xiàn)[4]提出了一種用于識(shí)別雙面盲文內(nèi)容的高效算法，即通過對(duì)凸點(diǎn)和凹點(diǎn)的灰度值變化來區(qū)分正面點(diǎn)和反面點(diǎn)，識(shí)別率雖然比較樂觀，但其局限性在于當(dāng)正面點(diǎn)和反面點(diǎn)重疊較多時(shí)，對(duì)每個(gè)盲文點(diǎn)的質(zhì)心檢測(cè)和識(shí)別會(huì)出現(xiàn)很多歧義，其識(shí)別效果也因此受到較大影響。文獻(xiàn)[5-7]采用傳統(tǒng)的方法對(duì)盲文音樂符號(hào)進(jìn)行識(shí)別，其中文獻(xiàn)[7]以MusicXML作為中間橋梁來實(shí)現(xiàn)盲文的轉(zhuǎn)換，并由此設(shè)計(jì)了從MusicXML到盲文樂譜ASCII碼的自動(dòng)轉(zhuǎn)換軟件。文獻(xiàn)[8]提出一種基于深度學(xué)習(xí)模型識(shí)別盲文字符的方法，使用堆疊去噪自動(dòng)編碼器來解決盲文識(shí)別過程中特征自動(dòng)提取與降維等問題，利用SDAE自動(dòng)學(xué)習(xí)盲文點(diǎn)字的圖片特征，使用Softmax分類器進(jìn)行盲文識(shí)別。文獻(xiàn)[9]提出將雙面阿姆哈拉盲文圖片翻譯為阿姆哈拉文的系統(tǒng)。該系統(tǒng)使用方向場(chǎng)張量從背景中分割盲文點(diǎn)，使用梯度場(chǎng)識(shí)別正面點(diǎn)和反面點(diǎn)；對(duì)于重疊盲文點(diǎn)的分割是該文的核心內(nèi)容，使用盲文點(diǎn)的屬性(質(zhì)心和面積)來分割重疊點(diǎn)并且提出了相應(yīng)的正面點(diǎn)和反面點(diǎn)識(shí)別算法。文獻(xiàn)[10]使用人工神經(jīng)網(wǎng)絡(luò)對(duì)單面的阿姆哈拉圖片進(jìn)行識(shí)別，采用自適應(yīng)直方圖均衡化和形態(tài)學(xué)操作相結(jié)合來對(duì)文件中的不同等級(jí)的噪聲進(jìn)行降噪處理，并在識(shí)別階段采用人工神經(jīng)網(wǎng)絡(luò)和二進(jìn)制編碼相結(jié)合的形式進(jìn)行盲文圖像識(shí)別，識(shí)別率達(dá)到95.5%。文獻(xiàn)[11]采用BP神經(jīng)網(wǎng)絡(luò)對(duì)英語(yǔ)盲文數(shù)字(0～9)圖像進(jìn)行識(shí)別。該文展示了BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置以及圖像的特征提取過程，其訓(xùn)練精度達(dá)到97.1%，測(cè)試精度達(dá)到85%。文獻(xiàn)[12]在FCM和KNN的啟發(fā)下，提出了一個(gè)模糊的聚類算法和一種新的數(shù)字特征檢測(cè)算法，稱之為斑點(diǎn)檢測(cè)算法，即在4個(gè)掃描方向上掃描1個(gè)盲文單元，從而生成1個(gè)八進(jìn)制編碼。然后模糊分類算法根據(jù)生成的八進(jìn)制編碼來識(shí)別相應(yīng)的盲文字符，識(shí)別精度達(dá)到83%。上述這些研究存在識(shí)別過程較煩瑣、識(shí)別度較低、泛化能力較差等問題。

為了使研究具有較強(qiáng)泛化能力和較高識(shí)別度，同時(shí)簡(jiǎn)化其識(shí)別過程，本文從盲文音樂圖片的結(jié)構(gòu)出發(fā)，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，并在Tensorflow深度學(xué)習(xí)框架下進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)表明，采用卷積神經(jīng)網(wǎng)絡(luò)模型來識(shí)別盲文音樂圖片具有較為樂觀的結(jié)果。

1 識(shí)別模型

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)因其具有獨(dú)特的結(jié)構(gòu)[13-15]，在進(jìn)行圖像特征提取的同時(shí)，還能夠提取更細(xì)節(jié)的圖像信息。這樣不僅解決了多數(shù)的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中參數(shù)較多、訓(xùn)練緩慢的難題，而且還防止了過擬合的出現(xiàn)。自2016年AlphaGo戰(zhàn)勝世界圍棋冠軍李世石以來，卷積神經(jīng)網(wǎng)絡(luò)再一次被推向浪潮，尤其是在計(jì)算機(jī)視覺領(lǐng)域的研究更是大熱。卷積神經(jīng)網(wǎng)絡(luò)具有了兩個(gè)很重要的特點(diǎn)：

1)共享權(quán)值[16-17]。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)值w僅使用一次 ，而當(dāng)下一次使用時(shí)便會(huì)重新生成不同的權(quán)值w。但在卷積網(wǎng)絡(luò)中，卷積核要與圖像中的每個(gè)像素值(輸入向量)進(jìn)行卷積運(yùn)算，所以僅需要一組權(quán)值即可。當(dāng)輸入向量與該組權(quán)值運(yùn)算完畢時(shí)，則表明該次卷積操作結(jié)束。共享權(quán)值的設(shè)計(jì)在前向傳播階段并未縮減消耗時(shí)間，但是卻在某種程度上將整個(gè)模型所需要的權(quán)重參數(shù)的數(shù)量大大降低，很大程度上提高了計(jì)算機(jī)的運(yùn)算性能。在進(jìn)行卷積運(yùn)算時(shí)，卷積核按照給定的步長(zhǎng)s在輸入圖像上從左到右、從上到下依次進(jìn)行滑動(dòng)，直至操作結(jié)束。相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)而言，卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量不僅降低了，而且其運(yùn)算速度也在一定程度上提高了。

2)稀疏連接[18]。為了挖掘圖像空間局部關(guān)聯(lián)的信息，卷積神經(jīng)網(wǎng)絡(luò)采用了通過加強(qiáng)神經(jīng)網(wǎng)絡(luò)中相鄰層之間節(jié)點(diǎn)的局部連接模式，而摒棄了全連接的方式，即采用核少于輸入的方式來完成。例如，如果有m個(gè)輸入n個(gè)輸出，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)會(huì)把每個(gè)輸出與每個(gè)輸入進(jìn)行矩陣乘法運(yùn)算，則時(shí)間復(fù)雜度為 O(m×n)，而卷積神經(jīng)網(wǎng)絡(luò)只提取其中有意義的k個(gè)輸入，其時(shí)間復(fù)雜度為 O(k×n)，因?yàn)樵趯?shí)際應(yīng)用中，k一般遠(yuǎn)小于m，并更有實(shí)際意義，這一方面降低了時(shí)間復(fù)雜度，也提升了存儲(chǔ)的效率。

2 盲文音樂識(shí)別方法

在傳統(tǒng)的盲文音樂識(shí)別方法中，人工介入的工作量較大。盡管目前部分傳統(tǒng)模型提出的算法在一定程度上能夠?qū)崿F(xiàn)對(duì)盲文圖像的特征提取，但是對(duì)于以點(diǎn)狀為基本組成且難以分辨的盲文音樂圖片而言，其識(shí)別的效果并不理想，這歸咎于其弱學(xué)習(xí)能力和弱適應(yīng)性。而相比之下，近年來發(fā)展迅速的CNN的效果卻較為樂觀[19-20]，表現(xiàn)出較高的識(shí)別精準(zhǔn)率和較強(qiáng)的泛化能力。

2.1 圖像預(yù)處理

盲文音樂圖片的分辨率因受多種因素的影響而不盡相同，為了達(dá)到良好的識(shí)別效果，還需要進(jìn)行一定的圖像處理過程。本文在對(duì)盲文音樂圖像識(shí)別前，先對(duì)圖像進(jìn)行了預(yù)處理操作，包括降噪處理、傾斜校正、形態(tài)學(xué)處理、水平/垂直投影分割、點(diǎn)位標(biāo)記、盲文單元切割等，其預(yù)處理前后的對(duì)比效果如圖1所示。

圖 1 盲文音樂圖片傾斜校正Fig. 1 Braille music image before tilt correction process

2.2 模型的構(gòu)建

圖2 為盲文音樂圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。該識(shí)別模型有1個(gè)輸入層，3個(gè)卷積層(C1、C3、C5)，2個(gè)池化層(S2，S4)，2個(gè)全連接層以及1個(gè)輸出層[21]。卷積層的作用是：對(duì)盲文音樂圖像進(jìn)行特征提取，進(jìn)而確定其周圍特征參數(shù)的位置關(guān)系，實(shí)驗(yàn)采用多層卷積層，以便可以獲得更深層次的特征圖。池化層是特征映射層，其主要作用是：對(duì)輸入的特征圖進(jìn)行壓縮，簡(jiǎn)化網(wǎng)絡(luò)計(jì)算復(fù)雜度，提取主要特征。輸出層即展示盲文音樂圖像的分類結(jié)果。

圖 2 識(shí)別模型結(jié)構(gòu)圖Fig. 2 Identification model structure

1)輸入層。將預(yù)處理后的圖像作為該模型的輸入。圖3為訓(xùn)練集中的多個(gè)樣例圖片，每個(gè)圖像的大小為32×64，即該識(shí)別模型的輸入維度為2 048。

圖 3 訓(xùn)練集中的樣例圖片F(xiàn)ig. 3 Sample images in the training set

2)C1層。主要作用是首次進(jìn)行提取圖像的特征參數(shù)，它會(huì)過濾掉多余的特征。C1層與輸入層傳入的數(shù)據(jù)進(jìn)行模板匹配運(yùn)算，從而得到了給定數(shù)量的輸出特征[22]。卷積核的作用并不是單純地計(jì)算卷積操作后的結(jié)果，而是在給定的權(quán)重矩陣下對(duì)輸入的圖像數(shù)據(jù)進(jìn)行匹配運(yùn)算操作。若卷積核尺寸過大，網(wǎng)絡(luò)參數(shù)會(huì)增多，網(wǎng)絡(luò)速度會(huì)降低，過小則會(huì)影響特征提取的精度，所以卷積核的大小選擇尤為關(guān)鍵。在此次卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別模型中，每個(gè)卷積層均采用大小為3×3的卷積核，可以降低該模型的參數(shù)數(shù)量。給定輸入層的維度為32×64，C1層的卷積核大小設(shè)置為3×3，并設(shè)置32個(gè)卷積核，步長(zhǎng)為1。圖4為卷積神經(jīng)網(wǎng)絡(luò)的卷 積操作過程。

圖 4 卷積操作示意圖Fig. 4 Convolution operation diagram

通過該卷積操作就可獲得大小為30×62的特征圖。為了保證卷積前后的圖像大小保持一致，在這里采用“same”卷積方式，從而保證卷積后得到特征圖的大小仍為32×64。為了保證不丟失圖像的邊緣信息，在后面的卷積層(C3、C5)都采用該操作。

由于每個(gè)濾波器會(huì)得到一個(gè)特征圖，經(jīng)過C1層的卷積操作，如圖5所示，圖2中的盲文音樂圖像可得到32個(gè)不同的特征圖。某些特征圖中的盲文點(diǎn)邊界比較清晰，例如第1行第7個(gè)特征圖，這說明該卷積層提取到了圖像中盲文音樂符號(hào)的主干信息。其次也可以看出每個(gè)特征圖的具體狀態(tài)迥異，這是因?yàn)槊總€(gè)卷積核的權(quán)值信息不同，因而學(xué)習(xí)到的特征不同。

3)S2層。該池化層的主要作用是對(duì)特征的具體位置進(jìn)行淡化。當(dāng)提取某個(gè)特征之后，只需了解該特征與其他特征的相對(duì)位置，例如圖3中的盲文音樂字符，當(dāng)?shù)玫缴蠈拥奶卣髦?，就不用再考慮其字符的具體位置，只要得到下面對(duì)應(yīng)的特征，并將上下二者有效地組合在一起便是要識(shí)別的盲文音樂字符。

圖 5 C1卷積后的特征圖Fig. 5 The feature map after C1 convolution

在卷積神經(jīng)網(wǎng)絡(luò)中，特征所對(duì)應(yīng)的具體位置將不再重要。對(duì)C1層卷積后的結(jié)果進(jìn)行池化操作，即得到32個(gè)大小為16×32的結(jié)果，輸出的維度相比該層輸入的維度縮減了一半。該層是通過池化操作實(shí)現(xiàn)二次特征提取的，有效地減少了輸入數(shù)據(jù)的參數(shù)數(shù)量，降低了圖像的大小，簡(jiǎn)化了網(wǎng)絡(luò)計(jì)算的復(fù)雜度。同時(shí)，它還可減弱卷積層的輸出在角度變形或拉伸變化方面的敏感程度，進(jìn)行主要特征提取。

如圖6為整個(gè)池化操作過程，該操作是利用池化參數(shù)來進(jìn)行最大下采樣操作，池化層中的步長(zhǎng)s設(shè)置為1，其權(quán)值矩陣設(shè)置為2×2。在C1層的輸出特征圖中，對(duì)每個(gè)特征圖中進(jìn)行下采樣操作，根據(jù)圖6所示此規(guī)則輸出S2層的輸出結(jié)果，但 是尺寸大小縮小為原來的一半[22]。

圖 6 下采樣操作Fig. 6 Down sampling operation

S2層的下采樣操作后得到如圖7所示的32個(gè)尺寸大小為16×32的特征圖。從圖7中可以看出，除了圖像的尺寸大小發(fā)生了變化之外，還忽 略了部分盲文音樂符號(hào)的細(xì)節(jié)信息。

圖 7 S2池化操作后的特征圖Fig. 7 The feature map after S2 pooling

4)C3層。C3層的卷積操作建立在S2層的基礎(chǔ)上，其卷積操作與C1層類似。主要是對(duì)S2層的輸出進(jìn)行再卷積操作，進(jìn)行特征再提取。在C3層中，將卷積核的數(shù)目設(shè)置為64，即可得出64個(gè)大小為14×30且圖像內(nèi)容各不相同的特征圖。在該層使用“same”卷積操作后，最后得到特征圖的尺寸大小為16×32。值得注意的是，輸入與輸出的特征圖雖然在尺寸上大小相同，但是最終得到的特征圖數(shù)目卻不一樣，其中32個(gè)S2層的特征圖作為C3層的輸入，最終得出了如圖8所示的64個(gè)C3層的結(jié)果特征圖。在圖8中可以發(fā)現(xiàn)，其盲文點(diǎn)的邊緣信息越來越突出。

圖 8 C3層卷積操作后的特征圖Fig. 8 The feature map after C3 convolution operation

圖9所展示的是S2層與C3層之間的關(guān)聯(lián)和映射，從圖中可以看出這些連接并不是一一對(duì)應(yīng)的關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)這樣設(shè)計(jì)的優(yōu)點(diǎn)是：消除了網(wǎng)絡(luò)的對(duì)稱性，從而讓映射的數(shù)量保持在一定的范圍之內(nèi)；增加了特征映射的多樣性，從而實(shí)現(xiàn) 了不同特征的有效提取和傳遞。

圖 9 S2層和C3層的連接圖Fig. 9 Connection diagram of S2 and C3

5)S4層。該層是識(shí)別模型最后一個(gè)池化層，S4層是對(duì)C3層的輸出結(jié)果進(jìn)行池化操作，其操作與S2層的操作類似。通過S4層的下采樣操作得到如圖10所示的64個(gè)大小為8×16的特征圖。

6)C5層。C5層是識(shí)別模型的最后一個(gè)卷積操作，作用是進(jìn)一步提取圖像特征。該操作與之前的卷積操作類似，但是此處將卷積核的個(gè)數(shù)設(shè)置為128。因此得到128個(gè)大小為8×16的特征圖，如圖11所示。

圖 10 S4層操作后的特征圖Fig. 10 The feature map after S4 pool

圖 11 C5層卷積后的特征圖Fig. 11 The feature map after C5 convolution

7)輸出層。為了確保輸出層的分類數(shù)量與實(shí)際的64個(gè)盲文符號(hào)數(shù)相一致，實(shí)驗(yàn)的模型在最后采用了兩個(gè)全連接層使得卷積層C5能夠和輸出分類關(guān)聯(lián)上，即輸出層有64個(gè)神經(jīng)元數(shù)量。在輸出結(jié)果時(shí)，本文使用softmax函數(shù)對(duì)盲文音樂符號(hào)進(jìn)行分類，用dropout函數(shù)來防止過擬合現(xiàn)象。

3 圖像數(shù)據(jù)集

為了增強(qiáng)此次盲文所訓(xùn)練的基于卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型的泛化能力，前期需要大量具有代表性的訓(xùn)練樣本，供其學(xué)習(xí)并獲得可觀的模型。然而，由于盲文本身的局限性圖像化的數(shù)據(jù)集更是相對(duì)匱乏，目前公認(rèn)的數(shù)據(jù)集主要來源于：1)線下紙質(zhì)的掃描文件，主要通過現(xiàn)有的OCR技術(shù)對(duì)圖像中的盲文字符進(jìn)行提取，但這種提取質(zhì)量很大程度上受限于掃描文件本身的質(zhì)量(分辨率)、OCR技術(shù)的缺陷(光線敏感)、紙質(zhì)盲文的規(guī)整性；2)線上互聯(lián)網(wǎng)共享的盲文圖片，圖片的分辨率、位深等屬性較為可觀，通?？梢匀〉幂^好的識(shí)別效果；3)電子版音樂文件，可以通過預(yù)處理獲得較高質(zhì)量的盲文圖片，組成較好的數(shù)據(jù)集。另外，受限于版權(quán)，實(shí)驗(yàn)采集到的前2種盲文音樂圖片數(shù)量極其有限，主要是采用第3種盲文音樂圖片作為訓(xùn)練集，后期的研究可以在取得相應(yīng)許可后進(jìn)行大規(guī)模數(shù)據(jù)的采集，以便于模型本身能夠有更好的兼容性。

本文采集的6 400張經(jīng)過預(yù)處理后的盲文音樂符號(hào)圖片(10個(gè)盲文數(shù)字、28種常用符號(hào)和26個(gè)英文大寫字母)中，總共有64個(gè)盲文音樂符號(hào)，每個(gè)符號(hào)對(duì)應(yīng)100張圖片。對(duì)于每個(gè)盲文音樂符號(hào)，實(shí)驗(yàn)隨機(jī)選擇其中的80張作為訓(xùn)練集，剩余的20張作為測(cè)試集。其主要的劃分情況如表1所示。

表 1 訓(xùn)練集和測(cè)試集Table 1 Training sets and test sets

現(xiàn)實(shí)中電子版的盲文字符表現(xiàn)形式有多種，主要形式如圖12所示，該圖展示了測(cè)試集中的樣例圖片。

圖 12 測(cè)試集中的樣例圖片F(xiàn)ig. 12 Sample images in the test sets

4 算法的設(shè)計(jì)

結(jié)合構(gòu)建的基于卷積神經(jīng)網(wǎng)絡(luò)的盲文音樂識(shí)別模型，本節(jié)編寫出相應(yīng)的盲文音樂圖像訓(xùn)練算法以及測(cè)試算法，對(duì)應(yīng)的偽碼描述分別如算法1和算法2所示。

算法1 CNN盲文識(shí)別模型訓(xùn)練算法

輸入 TRAIN_IMAGES是訓(xùn)練集，EPOCH是迭代次數(shù)，BATCH_SIZE是迭代量，TRAIN_ERROR是錯(cuò)誤率；

輸出 y 是分類結(jié)果。

1) random(w);

2) random(b);

3) for i=1 in EPOCH ：

4) x=BATCH_SIZE;

5) y_true=batch_y ；x中每個(gè)元素對(duì)應(yīng)的正確值y_true；

6) y =batch_x×w+b ； 經(jīng)過模型預(yù)測(cè)的值；

7) Error=error(batch_y,y_true)正確值與預(yù)測(cè)值的錯(cuò)誤率；

8) if Error>TRAIN_ERROR 9) update (w); update (b)

Continue step 3；

10) else

11) update (w); update (b)；

12) end

13) end

14)保存訓(xùn)練后的CNN模型y，其中y=x×w+b；

15) end

算法2 CNN盲文識(shí)別模型測(cè)試算法

輸入 TEST_IMAGES是測(cè)試數(shù)據(jù)集，TEST_SIZE是測(cè)試數(shù)據(jù)量；

輸出 test_accuracy是正確率。

1) random (w); random (b);

2) load訓(xùn)練模型為y；

3)t est_x=TEST_SIZE 的數(shù)據(jù)作為輸入數(shù)據(jù)；

4)獲取測(cè)試圖片數(shù)據(jù)text_x與對(duì)應(yīng)的標(biāo)簽值y_true；

5)t est_y=test_x×w+b；

6)其測(cè)試正確率為test_accuracy=accuracy(test_y,y_true);

7) output test accuracy

5 實(shí)驗(yàn)結(jié)果分析

在該階段，為了驗(yàn)證實(shí)驗(yàn)建立的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型的有效性，實(shí)驗(yàn)中的權(quán)重參數(shù)的初始化一律采用隨機(jī)數(shù)。其次，為了使得模型在訓(xùn)練時(shí)不過早地陷入飽和，影響卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，實(shí)驗(yàn)采用的隨機(jī)數(shù)會(huì)比較小。

本次實(shí)驗(yàn)中的訓(xùn)練和測(cè)試都以分批迭代的方式來進(jìn)行的，分別迭代200次訓(xùn)練，并且每20次輸出測(cè)試數(shù)據(jù)的正確率。通過訓(xùn)練和測(cè)試，正確率的變化趨勢(shì)如圖13所示，通過分析可見在迭代140次后該模型的正確率走向趨于平穩(wěn)，并接近1。這是因?yàn)椋好の囊魳贩?hào)的結(jié)構(gòu)相對(duì)而言較簡(jiǎn)單(以點(diǎn)狀為主要特征)，且在訓(xùn)練和測(cè)試時(shí)使用的圖片的分辨率較高，即圖像的質(zhì)量較好；其次，識(shí)別模型對(duì)盲文音樂圖片中盲文音樂符號(hào)的特征提取較為容易，從而可以快速地進(jìn)行盲文音樂符號(hào)的識(shí)別。本次實(shí)驗(yàn)也存在許多不足，例如：受限于版權(quán)，數(shù)據(jù)集資源過小，來源也較單一。這些都需要在后期的研究中進(jìn)行改進(jìn)，從而達(dá) 到更好識(shí)別性能。

圖 13 正確率與迭代次數(shù)關(guān)系Fig. 13 The relationship between the correct rate and the number of iterations

就總體識(shí)別效果而言，本文所訓(xùn)練的模型的識(shí)別準(zhǔn)確度優(yōu)于多數(shù)流行的方法，其對(duì)比圖如表2所示。因?yàn)楸疚牡拿の囊魳穲D片是基于單面形式的盲文圖片，所以此處的對(duì)比只限于單面盲文圖片的識(shí)別對(duì)比。將CNN模型與近幾年來所使用的前饋神經(jīng)網(wǎng)絡(luò)[10]、BP神經(jīng)網(wǎng)絡(luò)[11]、模糊分類算法[12]、標(biāo)準(zhǔn)距離定位法[23]作對(duì)比，由此可見本文中盲文音樂圖像的識(shí)別正確率均高于其他方法。

表 2 正確率對(duì)比Table 2 Correct rate comparison

6 結(jié)束語(yǔ)

本文首次嘗試了將卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型應(yīng)用于盲文音樂圖片。在識(shí)別過程中，首先對(duì)盲文音樂圖片進(jìn)行了預(yù)處理操作，以便于獲得更好的輸入圖片。其次，本文展示了通過卷積層、池化層等處理后的盲文音樂圖片的特征圖。在展示特征圖的同時(shí)，對(duì)識(shí)別模型的細(xì)節(jié)也進(jìn)行了說明，例如關(guān)鍵參數(shù)的設(shè)定。最后，通過對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，可以發(fā)現(xiàn)該模型可以很好地提取到盲文音樂符號(hào)的特征，對(duì)盲文音樂具有良好的識(shí)別效果。當(dāng)然本文也存在諸多不足之處，例如對(duì)數(shù)據(jù)集的選取較單一，若可以采集到現(xiàn)實(shí)生活中紙質(zhì)的盲文書籍，那么數(shù)據(jù)集就較為充實(shí)，該識(shí)別模型就可以廣泛用到生活中，可以減少盲文識(shí)別對(duì)人工操作的依賴性。