基于RestNet的手写数字识别产品系统

本项目旨在解决手写数字自动识别与录入的效率问题，替代传统人工录入方式，降低错误率并提升处理速度。适用于金融票据识别、快递单号自动录入、教育考试阅卷系统、历史档案数字化等行业场景，满足纸质文档智能化处理与自动化数据录入的业务需求。

项目包含四大核心功能模块：数据预处理与增强模块（负责MNIST数据集加载、归一化与TensorBoard可视化）、ResNet模型训练模块（实现残差网络构建、GPU加速训练与参数优化）、单数字预测模块（支持单张28×28灰度图像的推理识别）、多数字分割识别模块（基于OpenCV实现多数字图像的自动分割与连续识别）。主要功能涵盖使用MNIST数据集训练深层ResNet残差网络以解决梯度消失问题，实现高精度单数字分类；针对复杂场景，通过Canny边缘检测与轮廓分析自动分割多数字图像中的独立数字区域，经填充与尺寸归一化处理后进行批量预测，并可视化标注识别结果与边界框。

负责的具体任务：ResNet残差网络架构设计（含残差块、批归一化层实现）、模型训练全流程开发（GPU/CPU自适应计算、Adam优化、TensorBoard监控）、单数字与多数字预测系统开发、基于OpenCV的图像预处理与分割算法（Canny边缘检测、轮廓提取、尺寸归一化）实现。
技术栈与架构：采用PyTorch深度学习框架构建网络，OpenCV与PIL处理图像，使用ResNet18风格架构（含4个残差块层），基于MNIST数据集训练，CUDA加速计算。
实现亮点与难点：亮点在于引入残差连接解决深层网络梯度消失问题，实现端到端的多数字自动分割与识别流程；难点在于多数字图像中粘连区域的精准分割、Canny边缘检测参数调优，以及保持长宽比的前提下对不同尺寸数字进行填充与归一化处理，确保模型输入一致性