技术特征：
1.一种无屏手写识别装置，其特征在于：包括笔身和笔头，所述笔身设有接头插槽，所述笔身通过接头插槽连接笔头，所述笔头包括用于在任何物理平面书写的双向电位器平衡环笔头，所述双向电位器平衡环笔头自由端设有第一笔尖，所述双向电位器平衡环笔头外侧面设有第一按钮，所述笔身内设有芯片处理器、电源模块、第一数据通信模块，所述笔头内设有第一数据采集模块。2.根据权利要求1所述的一种无屏手写识别装置，其特征在于：所述笔头包括用于在触摸屏或手写板上书写的电容笔头，所述电容笔头自由端设有第二笔尖。3.根据权利要求1所述的一种无屏手写识别装置，其特征在于：所述笔身包括指环主体，所述指环主体一侧面设有指环套、按钮上键、按钮下键，所述笔头设置在指环主体下面。4.根据权利要求1所述的一种无屏手写识别装置，其特征在于：所述第一笔尖靠近双向电位器平衡环笔头的一端设有插杆，所述双向电位器平衡环笔头靠近第一笔尖的一端设有与插杆配合插接的插槽。5.根据权利要求1所述的一种无屏手写识别装置，其特征在于：所述第一按钮为上下按钮。6.根据权利要求1所述的一种无屏手写识别装置，其特征在于：所述第一数据采集模块包括笔头内设有的电位器及平衡环，所述第一数据采集模块工作电压为5v dc，信号输出模式为vrx、vry2轴模拟输出，所述信号输出模式vrx、vry的值：从0～1000，分别代表：左
‑
右、上
‑
下，笔头未偏移时处于中间值500。7.一种无屏手写识别系统，其特征在于：包括存储模块、第一深度学习模型、第二深度学习模型、第二数据预处理模块、第二数据通信模块、字符展示模块、参数设置模块、深度学习模块训练模块，具体包括以下步骤：s1，获取无屏手写识别装置第一数据采集模块采集的原始手写数据，通过第一、第二数据通信模块按照协议格式上传到无屏手写识别系统，s2，无屏手写识别系统根据笔画分割阀值对上传的原始手写数据使用第二数据预处理模块进行笔画切分，对切分后的数据进行预处理，组装成特定格式的输入数据，s3，无屏手写识别系统将预处理好的数据输入到第一深度学习模型进行笔画类型预测，将笔画类型预测进行预处理后输入到第二深度学习模型进行汉字预测，同时，识别系统对top n汉字预测结果进行笔顺匹配优化处理并将优化处理后的结果进行通过字符展示模块展示和存储到存储模块，s4，汉字识别采用多层双向gru网络结构实现，具体包括以下步骤：s41，将第一深度学习模型的预测结果和采集的原始时序信息整合，s42，将整合的笔顺时序数据进行规一化、规整化等预处理形成统一的数据形态，s43，将预处理后的笔顺数据输入到第二深度学习模型进行汉字预测，s44，对top n汉字预测结果进行笔顺匹配优化处理，调整汉字顺序将笔顺最匹配的汉字放在第一顺位，s45，所述步骤将优化处理后的结果进行展示和存储。8.根据权利要求7所述的一种无屏手写识别系统，其特征在于：所述步骤s1中，通过电位器及平衡环采集原始手写数据，具体采集的数据包括水平移动xs模拟信号、竖直移动ys模拟信号和时序ts，将原始采集数据通过数据通信模块按照协
议格式上传到无屏手写识别系统，所述步骤s2中，无屏手写识别系统根据笔画分割阀值对上传的原始采集数据进行笔画切分，无屏手写识别系统对水平移动xs模拟信号与竖直移动ys模拟信号进行滤波去噪：无屏手写识别系统对水平移动xs模拟信号与竖直移动ys模拟信号进行滤波去噪：无屏手写识别系统对模拟信号滤波去噪后，再通过阀值进行笔画分割，分割包括切分起始点和结束点：起始点的个数和结束点的个数相等，它们都等于字符的总笔画数，分割得到的结果是i
s
和i
e
两个序列，无屏手写识别系统对切分后的数据进行预处理，组装成特定格式的输入数据，根据水平移动xs模拟信号与竖直移动ys模拟信号以及i
s
和i
e
两个序列，得到每个笔画的模拟信号s
xs
和s
ys
，每个笔画的长度不一致，需要规整到统一长度，统一长度可以预设为100，不足的用0补齐，超出的截短，经过预处理后数据的shape为(100，2)，所述步骤s4中，无屏手写识别系统将预处理好的数据输入到第一深度学习模型进行笔画类型预测，第一深度学习模型采用多层双向gru结构，第一层神经元个数为200，dropout为0.8；第二层神经元个数为100，dropout为0.8，损失函数为sparse_categorical_crossentropy，优化器采用adam，分类个数为5，最后的输出结果可以取top 3，即候选识别结果为3个，所述步骤s41中，无屏手写识别系统将第一深度学习模型的预测结果和采集的原始时序信息整合，每个笔画的起始点和结束点从i
s
和i
e
两个序列中获取，时长等于结束点减去起始点，所述步骤s42中，无屏手写识别系统将整合的笔顺时序数据进行规一化、规整化等预处理形成统一的数据形态，所述步骤s43中，无屏手写识别系统将预处理后的笔顺数据输入到第二深度学习模型进行汉字预测，第二深度学习模型采用多层双向gru结构，第一层神经元个数为500，dropout为0.8；第二层神经元个数为400，dropout为0.8，损失函数为sparse_categorical_crossentropy，优化器采用adam，分类个数由汉字训练集的字符规模来定，最后的输出结果可以取top 5，即候选识别结果为5个，所述步骤s44中，无屏手写识别系统对top n汉字预测结果进行笔顺匹配优化处理，调整汉字顺序将笔顺最匹配的汉字放在第一顺位，采用动态规划求解最长公共子串，动态规
划求解最长公共子序列的递归式如下：所述步骤s45中，无屏手写识别系统将优化处理后的结果进行展示和存储。9.根据权利要求8所述的一种无屏手写识别方法，其特征在于：所述步骤s41中第一深度学习网络模型识别结果中笔画类型包括笔画类型为横编号为1、笔画类型为竖编号为2、笔画类型为撇编号为3、笔画类型为捺编号为4、笔画类型为折编号为5。10.根据权利要求8所述的一种无屏手写识别方法，其特征在于：所述步骤s42中无屏手写识别系统将字符总书写时长规一化为10s，输入样本的特征值包括超始时间点、结束时间点、持续时长、起点是否为落笔、起点是否为收笔、笔画种类，笔画总数，规整化是将输入样本的特征值的shape转换为(25，7)。
技术总结
本发明涉及一种无屏手写识别装置及其识别系统，包括笔身和笔头，所述笔身通过接头插槽连接笔头，所述笔头包括用于在任何物理平面书写的双向电位器平衡环笔头，所述双向电位器平衡环笔头自由端设有第一笔尖，所述双向电位器平衡环笔头外侧面设有第一按钮，所述笔身内设有芯片处理器、电源模块、第一数据通信模块，所述笔头内设有第一数据采集模块，移动端主要通过数据采集模块和通信模块完成原始手写数据的采集以及数据的上传，后台无屏手写识别系统主要对上传数据进行预处理并基于深度学习网络模型对手写体进行识别。本发明的优点：仅需采集笔头的轴向偏移信息，采集方式简单有效，便于技术落地形成真实可用产品，具有广泛的应用场景。的应用场景。的应用场景。
技术研发人员：雷小林 郑婧
受保护的技术使用者：广州市再华信息科技有限公司
技术研发日：2021.08.05
技术公布日：2021/11/21