1 项目介绍
1.1 摘要
随着数字化技术的快速发展，手写汉字识别技术在多个领域展现出广泛的应用前景。为了提升手写汉字识别的准确率和泛化能力，本文通过构建一个基于卷积神经网络（CNN）的手写汉字识别系统，以应对不同书写风格和变形带来的挑战。
本文旨在开发一个高效且准确的手写汉字识别系统。通过收集包含广泛书写风格和环境条件下的手写汉字图片，并对每张图片中的汉字进行精确标注，我们构建了一个多样性和代表性强的数据集。利用该数据集，我们训练了一个基于CNN的模型，旨在实现对手写汉字的准确识别。
在方法上，我们首先选择了合适的CNN架构作为基础，并设计了能够有效提取汉字特征的卷积层和池化层。接着，在CNN模型后端设计了分类器，用于将提取的特征映射到具体的汉字类别。在训练过程中，我们采用了交叉熵损失和Adam优化器，并通过实验调整了学习率、批大小等超参数以找到最佳训练配置。同时，为了防止模型过拟合，我们应用了Dropout和权重衰减等技术。最终，通过精确度、召回率、F1分数等指标评估了模型的性能，并通过交叉验证方法验证了模型的稳定性和泛化能力。
在系统应用上，我们将训练好的模型整合至手写板录入系统中。该系统在页面上放置了一个手写板，用户可以通过鼠标在页面上进行手写汉字的过程。当录入结束后，系统会调用对应的模型进行识别，并返回识别结果。实验结果表明，该系统能够准确识别不同书写风格和变形的手写汉字，具有良好的稳定性和泛化能力。
本文通过构建一个基于CNN的手写汉字识别系统，实现了对手写汉字的准确识别。该系统不仅具有较高的准确率和可靠性，而且能够应对不同书写风格和变形带来的挑战。此外，通过将训练好的模型整合至手写板录入系统中，为用户提供了一个方便、快捷的手写汉字识别解决方案。
1.2 系统技术栈
Flask
OpenCV
Python
Tensorflow
1.3 系统角色
管理员
1.54系统功能框架图
2 详细设计与实现
2.1 手写汉字识别功能
通过在系统上手写输入汉字系统右侧可以识别出文字，手写功能汉字如图5.1所示。
图5-1 系统登录界面
核心代码如下：
def mnist():
input = (np.array(request.json, dtype=np.uint8)).reshape(1, 4096)
output1 = convolutional((input).reshape(1,64,64,1))
print(output1)
return jsonify(results=output1)
2.2 上传图片检测功能
系统也可以点击上传图片进行文字识别。图片识别功能如图5.2所示。
图5-2 用户管理界面
核心代码如下：
with open(char_dict,'rb') as f:
charlabels = pickle.load(f)
x = tf.placeholder(tf.float32, [None, 64, 64, 1], name='image_batch')
logits=hccr_cnnnet(x,train=False,regularizer=None,channels=1)
prob_batch = tf.nn.softmax(logits)
saver=tf.train.Saver()
sess = tf.Session()
saver.restore(sess, "D:/BYSJ/葛士杨_cnn手写汉字识别得设计与实现(代思航推荐)/HCCR/checkpoint/trainnum_200000_-48001")
