基于CNN卷积神经网络手写汉字识别系统（GUI界面）【源码38期】-尧图网络科技

一、项目简介

本系统基于MATLAB深度学习工具箱，设计并实现了一个基于卷积神经网络（CNN）的手写汉字识别系统。系统包含三大核心模块：网络结构定义模块（get_self_net.m）封装了CNN网络构建函数，采用三层卷积层（卷积核数量依次为8、16、32）搭配批归一化、ReLU激活和最大池化操作，输入层支持自定义图像尺寸与分类数量；模型训练模块（train.m）自动加载按文件夹分类的手写汉字图像数据集，按3/4比例划分为训练集与验证集，将图像统一缩放至70×70灰度格式，利用SGDM优化器训练10个周期后保存模型参数；图形用户界面模块（page.m与page.fig）基于GUIDE框架开发，用户可通过界面按钮选取BMP格式图像，调用已训练模型进行识别，识别结果以文本和弹窗形式展示，同时提供模型加载和测试集整体准确率计算功能，便于用户验证模型性能。

二、部分源码

function layers = get_self_net(image_size, class_number)

layers = [

imageInputLayer(image_size, 'Name', 'data')

convolution2dLayer(3,8,'Padding','same', 'Name', 'cnn1')

batchNormalizationLayer('Name', 'bn1')

reluLayer('Name', 'relu1')

maxPooling2dLayer(2,'Stride',2, 'Name', 'pool1')

convolution2dLayer(3,16,'Padding','same', 'Name', 'cnn2')

batchNormalizationLayer('Name', 'bn2')

reluLayer('Name', 'relu2')

maxPooling2dLayer(2,'Stride',2, 'Name', 'pool2')

convolution2dLayer(3,32,'Padding','same', 'Name', 'cnn3')

batchNormalizationLayer('Name', 'bn3')

reluLayer('Name', 'relu3')

fullyConnectedLayer(class_number, 'Name', 'fc')

softmaxLayer('Name', 'prob')

classificationLayer('Name', 'output')];

function pushbutton2_Callback(hObject, eventdata, handles) % 进行识别

load("CNNnet.mat");

y_pred = classify(CNNnet,handles.I);

set(handles.edit1,'string',y_pred);

result=strcat('汉字结果：',string(y_pred),'');

msgbox(result,'识别结果','warn')

function edit1_Callback(hObject, eventdata, handles)

function edit1_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');

end

% --- Executes on button press in pushbutton3.

function pushbutton3_Callback(hObject, eventdata, handles) % 显示整个测试集的结果

%% 加载数据

allImages = imageDatastore('dbx', ...

'IncludeSubfolders' ,true, ...

'LabelSource' , 'foldernames' );% 图像加载为图像数据存储

% imageDatastore函数会根据文件夹名称自动标记图像

% 划分训练集(80%)和测试集(20%)

[imgsTrain,imgsTest] = splitEachLabel(allImages,0.8,'randomized');

load("CNNnet.mat");

y_pred = classify(CNNnet,imgsTest); % 使用训练好的网络测试

accuracy = mean(y_pred == imgsTest.Labels);% 计算准确率

set(handles.text2,'string',['总体准确率: ',num2str(100*accuracy),'%'],'FontSize',12);

三、运行结果

四、总结

该系统在测试集上达到了95.21%的识别准确率，表明所构建的CNN模型能够有效提取手写汉字的图像特征并实现高精度分类。网络结构采用了模块化设计，通过get_self_net函数可根据不同任务灵活调整输入尺寸和分类数量，具备良好的可扩展性。界面设计简洁直观，操作流程清晰，用户只需选取图像即可获得识别结果，并伴有提示弹窗增强交互体验。系统适用于手写汉字识别的研究演示与教学实验场景，后续可考虑引入数据增强策略以进一步提升模型泛化能力、扩充汉字数据集以覆盖更多字符类别，或优化网络结构以提高识别速度，便于向实际应用场景迁移。