‌ CRNN（Convolutional Recurrent Neural Network）是一种结合了卷积神经网络（CNN）和递归神经网络（RNN）的深度学习模型，主要用于端到端地对不定长的文本序列进行识别‌。CRNN特别适用于场景文本识别，能够处理任意长度的序列，无需字符分割或水平尺度归一化，适用于复杂背景和多样文本格式的场景‌ 1.使用CRNN识别图片中的英文和数字 2.测试集正确率94.5%

1.使用 tiny YOLO v3对螺丝和螺母进行目标检测，用矩形框标出物体。 2.使用paddlepaddle，python。 3.YOLOv3 是由 Joseph Redmon 和 Ali Farhadi 提出的单阶段检测器, 该检测器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍。

通过使用PaddlePaddle实现经典实例分割模型Mask Rcnn，本项目基于coco数据集来复现效果 Mask R-CNN是一个小巧灵活的通用实例级分割框架，它不仅可对图像中的目标进行 检测，还可以对每一个目标给出一个高质量的分割结果。它在Faster R-CNN基础之 上进行扩展，并行地在bounding box recognition分支上添加一个用于预测目标掩 模（object mask）的新分支。该网络具有良好的扩展性，很容易扩展到其它任务 中，比如估计人的姿势。Mask R-CNN结构简单、准确度高、容易理解，是图像实例 级分割的优秀模型。