一种基于深度学习的印刷体古筝简谱识别方法及系统技术方案

本发明专利技术提供了乐谱识别技术领域的一种基于深度学习的印刷体古筝简谱识别方法及系统，方法包括如下步骤：步骤S10、获取大量的钢琴五线谱图片以及对应的钢琴MusicXML文件；步骤S20、对各所述钢琴五线谱图片添加指法信息转化为古筝简谱图片，对各所述钢琴MusicXML文件进行数据标注得到古筝MusicXML文件；步骤S30、对各所述古筝简谱图片进行数据扩充，得到图片集；步骤S40、基于端到端的深度卷积神经网络创建一古筝简谱识别模型，利用所述图片集以及古筝MusicXML文件对古筝简谱识别模型进行训练；步骤S50、利用训练后的所述古筝简谱识别模型对印刷体古筝简谱进行自动识别。本发明专利技术的优点在于：极大的提升了印刷体古筝简谱识别效率以及精度。及精度。及精度。

【技术实现步骤摘要】
一种基于深度学习的印刷体古筝简谱识别方法及系统


[0001]本专利技术涉及乐谱识别
，特别指一种基于深度学习的印刷体古筝简谱识别方法及系统。

技术介绍

[0002]乐谱是一种用符号来记录音乐的方法，对于音乐的初学者来说，如何读懂乐谱至关重要，如果不能掌握乐谱，也就不能演奏出美妙的音乐，因此产生了识别乐谱以进行辅助教学的需求，类似英语点读机识别英文单词。
[0003]然而，针对印刷体古筝乐谱的识别，目前主要针对五线谱，没有对简谱的识别，且多采用OMR技术进行识别，而OMR技术识别乐谱的过程十分冗杂，识别过程中各步骤微小的变化都会对乐谱音符的识别精度造成影响。
[0004]因此，如何提供一种基于深度学习的印刷体古筝简谱识别方法及系统，实现提升印刷体古筝简谱识别效率以及精度，成为一个亟待解决的技术问题。

技术实现思路

[0005]本专利技术要解决的技术问题，在于提供一种基于深度学习的印刷体古筝简谱识别方法及系统，实现提升印刷体古筝简谱识别效率以及精度。
[0006]第一方面，本专利技术提供了一种基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的印刷体古筝简谱识别方法，其特征在于：包括如下步骤：步骤S10、获取大量的钢琴五线谱图片以及对应的钢琴MusicXML文件；步骤S20、对各所述钢琴五线谱图片添加指法信息转化为古筝简谱图片，对各所述钢琴MusicXML文件进行数据标注得到古筝MusicXML文件；步骤S30、对各所述古筝简谱图片进行数据扩充，得到图片集；步骤S40、基于端到端的深度卷积神经网络创建一古筝简谱识别模型，利用所述图片集以及古筝MusicXML文件对古筝简谱识别模型进行训练；步骤S50、利用训练后的所述古筝简谱识别模型对印刷体古筝简谱进行自动识别。2.如权利要求1所述的一种基于深度学习的印刷体古筝简谱识别方法，其特征在于：所述步骤S20中，所述数据标注的信息至少包括音符位置、音符类别、音符时值、音符音高以及指法信息；所述古筝简谱图片的格式为SVG。3.如权利要求1所述的一种基于深度学习的印刷体古筝简谱识别方法，其特征在于：所述步骤S30具体为：对各所述古筝简谱图片随机进行加性高斯白噪声添加、弹性变换以及色彩变换，以进行数据扩充得到图片集；所述色彩变换为亮度、色调或者饱和度变换。4.如权利要求1所述的一种基于深度学习的印刷体古筝简谱识别方法，其特征在于：所述步骤S40具体包括：步骤S41、基于端到端的深度卷积神经网络创建一古筝简谱识别模型，并设定一比例、一准确率阈值以及一收敛条件，基于所述比例将图片集以及对应的古筝MusicXML文件划分为训练集和验证集；步骤S42、利用所述训练集对古筝简谱识别模型进行训练，直至满足所述收敛条件；步骤S43、利用所述验证集对训练后的古筝简谱识别模型进行验证，判断识别准确率是否大于所述准确率阈值，若是，则完成训练，并进入步骤S50；若否，则扩充所述训练集，并进入步骤S42。5.如权利要求1所述的一种基于深度学习的印刷体古筝简谱识别方法，其特征在于：所述步骤S50具体为：拍摄印刷体古筝简谱的简谱图像，将所述简谱图像输入训练后的古筝简谱识别模型进行自动识别，得到对应的音符位置、音符类别、音符时值、音符音高以及指法信息。6.一种基于深度学习的印刷体古筝简谱识别系统，其特征在于：包括如下模块：钢琴数据获取...

【专利技术属性】
技术研发人员：姚俊峰，郑凯轩，
申请(专利权)人：厦门大学，
类型：发明
国别省市：