CN106909941A - 基于机器视觉的多表字符识别***及方法 - Google Patents
基于机器视觉的多表字符识别***及方法 Download PDFInfo
- Publication number
- CN106909941A CN106909941A CN201710107177.5A CN201710107177A CN106909941A CN 106909941 A CN106909941 A CN 106909941A CN 201710107177 A CN201710107177 A CN 201710107177A CN 106909941 A CN106909941 A CN 106909941A
- Authority
- CN
- China
- Prior art keywords
- image
- character
- unit
- ammeter
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000002271 resection Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 241001212149 Cathetus Species 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000003702 image correction Methods 0.000 claims 1
- 150000003839 salts Chemical class 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 241001269238 Data Species 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 210000004205 output neuron Anatomy 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于机器视觉的多表字符识别***及方法,***包括图像采集模块、网络存储模块以及软件处理模块;其中,软件处理模块包括电表组分割单元、图像预处理单元、图像倾斜校正单元、图像增强单元、字符区域定位单元、字符分割单元、图像归一化单元、字符特征提取单元以及BP神经网络识别单元;图像预处理单元包括灰度化处理单元、二值化处理单元以及形态学处理单元;本发明能同时识别多个电表图像,大大节省人力资源和工作时间,通过使用FTP云端用以存储电表图像和电表识别数据,实现资源共享,并且解决生产现场摄像头实时采集的大量图像和大量电表数据的存储问题,释放PC内存,提高电表识别效率。
Description
技术领域
本发明涉及数字图像处理和仪表示数识别领域,尤其涉及到基于机器视觉的多表字符识别***及方法。
背景技术
数显仪表由于其精度高、稳定性好、安装使用方便、体积小等特点,目前被广泛地应用于机械制造、石油、化工等各个行业中,尤其在工业控制领域应用广泛。一般工业领域使用数显仪表时会采用多个数显仪表集中显示需要监测的数据,这样既节约空间资源又利于工作人员对生产数据进行实时的监测。
经走访调研发现珠三角地区多数陶瓷工厂的窑炉温度监测和控制虽然安装大量的现场指示仪表,但这些仪表不具有远传功能,需要现场读数,用来监控工业现场运行状况。虽然有数字温控仪表,但是还是需要人工进行抄表工作,定期以报告的形式将数据递交给生产主管进行分析。监控室仪表众多,人工抄表费时费力低效,而且容易引起误判;而且,常见的字符识别都是一图一表的单表识别,一台摄像机只拍摄一个电表,既占用空间,又浪费资源,不利于企业的长远发展。
发明内容
本发明的目的在于克服现有技术的不足,提供一种节省人力、工作效率高、能同时识别多个电表、电表识别率高、有效解决生产现场摄像头实时采集的大量图像和大量电表数据的存储问题、释放PC内存、节约资源的基于机器视觉的多表字符识别***。
为实现上述目的,本发明所提供的技术方案为:基于机器视觉的多表字符识别***,包括图像采集模块、网络存储模块以及软件处理模块;
图像采集模块为带有网络模块的摄像头,摄像头实时捕捉多电表图像;
网络存储模块为FTP服务器,摄像头网络模块将捕捉到的多电表图像上传至FTP服务器;
软件处理模块,对从网络存储模块下载到的多电表图像进行处理和识别;
其中,软件处理模块包括电表组分割单元、图像预处理单元、图像倾斜校正单元、图像增强单元、字符区域定位单元、字符分割单元、图像归一化单元、字符特征提取单元以及BP神经网络识别单元;
电表组分割单元,采集电表组中每个电表工作状态的图像并保存,作为后续匹配的模板,采用基于NCC模板匹配方法在电表组目标图像中进行全局搜索,找到与模板匹配的电表并分割出来;
图像倾斜校正单元,对数显式仪表进行Canny边缘检测,采用霍夫变换法求出图中最长直线及其斜率,计算出图像倾斜角度,对其进行旋转倾斜校正;
图像增强单元,对电表前20%像素进行增强而对其他的像素进行抑制;
字符区域定位单元,选用区域的最大梯度差MGD大于阈值的次数统计确定字符区域;
字符分割单元,对电表进行双向投影,从左向右定位出每个字符的起始和结束位置,并切割出来,通过垂直切割和水平切割得到字符的精确位置;
字符特征提取单元,采用局部统计特征的粗网格描述字符进行特征提取;
BP神经网络识别单元,采用具有在线训练功能的基于BP神经网络的识别方法识别字符。
进一步地,所述图像预处理单元包括灰度化处理单元、二值化处理单元以及形态学处理单元;
其中,灰度化处理单元,采用对RGB三分量进行加权平均得到较合理的灰度图像;
形态学处理单元,处理图像中目标区域的边缘,消除字符之间的黏连和椒盐噪声,使得前景图像区域变小,前景图像内部的背景区域被放大;
二值化处理单元,采用最大类间方差法Otsu实现二值化,将要识别的目标和图像的背景区分开来。
为实现上述目的,本发明还提供一种用于基于机器视觉的多表字符识别***的方法,该方法包括以下步骤:
(1)图像采集;
将带有网络模块的摄像头安置在待测电表组前适当范围,进行多电表图像的实时捕捉;
(2)图像上传;
摄像头网络模块将捕捉到的多电表图像上传至FTP服务器;
(3)软件处理;
对从网络存储模块下载到的多电表图像进行处理和识别,最后将电表识别结果以.txt文本格式保存到本地PC指定盘,并以Excel表格形式导出。
进一步地,步骤(3)中对图像处理和识别包括以下步骤:
1)电表组分割;
现场电表安装无规律,摄像机一次拍摄的电表数量多且位置不统一,所以需要将每块电表快速分割定位并进行实时识别;电表组通过模板匹配进行分割;先采集电表组中每个电表工作状态的图像并保存,作为后续匹配的模板,采用基于NCC模板匹配方法在电表组目标图像中进行全局搜索,找到与模板匹配的电表并分割出来;
而基于NCC模板匹配方法,其步骤如下:
(1获取模板像素并计算均值与标准方差、像素与均值diff数据样本;
(2根据模板大小,在目标图像上从左到右,从上到下移动窗口,计算每移动一个像素之后窗口内像素与模板像素的NCC值,与阈值比较,大于阈值则记录位置;
(3根据得到位置信息,使用红色矩形标记出模板匹配识别结果;
(4***显示分割结果。
NCC计算公式为:其中,表示像素点p的灰度值,μ表示窗口所有像素平均值,σ表示标准方差,g表示模板像素值,m表示模板的像素总数,m-1表示自由度。
2)图像预处理;
预处理过程包括灰度化、二值化和形态学处理;灰度化采用对RGB三分量进行加权平均得到较合理的灰度图像;采用腐蚀等形态学处理图像中目标区域的边缘,消除字符之间的黏连和椒盐噪声,使得前景图像区域变小,前景图像内部的背景区域被放大,利于字符的识别;采用最大类间方差法Otsu实现二值化,将要识别的目标和图像的背景区分开来;
3)图像倾斜校正;
对数显式仪表进行Canny边缘检测后,图像中有明显的直线信息,采用霍夫变换法求出图中最长直线及其斜率,设直线公式为:y=kx+b,式中:k为直线斜率,b为直线在y轴上的截距,其中直线的斜率定义为:直线与直角坐标系正半轴方向夹角θ的正切值,其表达式为:k=arctanθ,计算出图像倾斜角度,对其进行旋转倾斜校正;
4)图像增强;
对电表前20%像素进行增强而对其他的像素进行抑制,到达增强目标字符抑制背景的目的,便于后续操作。
5)字符区域定位;
由于字符区域和背景对比度强烈,其梯度值较大,选用区域的最大梯度差MGD大于阈值的次数统计确定字符区域;
6)字符分割;
字符区域通常由多个字符组成,因此需要把字符串分割为单个字符才能识别,本方案采用投影法对电表进行双向投影,从左向右定位出每个字符的起始和结束位置,并切割出来,通过垂直切割和水平切割得到字符的精确位置;
7)图像归一化;
为了方便特征提取,把分割好的图像归一化到大小为15×21的图像。
8)字符特征提取;
采用局部统计特征的粗网格描述字符进行特征提取;
9)BP神经网络识别;
采用具有在线训练功能的基于BP神经网络的识别方法识别字符。
本方案原理如下:
摄像头实时捕捉电表组图像,并通过装在摄像头上的网络模块将图像上传至FTP服务器;当需要识别时,将多电表图像从FTP云端下载至本地PC,接着应用程序对图像进行电表组分割、图像预处理、图像倾斜校正、图像增强、字符区域定位、字符分割、图像归一化、字符特征提取、BP神经网络识别一系列的识别处理,最后将电表识别结果以.txt文本格式保存到本地PC指定盘,并以Excel表格形式导出。
与现有技术相比,本方案具有以下优点及有益效果:
能同时识别多个电表图像,大大节省人力资源和工作时间,通过使用FTP云端用以存储电表图像和电表识别数据,实现资源共享,并且解决了生产现场摄像头实时采集的大量图像和大量电表数据的存储问题,释放了PC内存,提高了电表识别效率。
附图说明
图1为本发明***的结构示意图;
图2为本发明的多电表字符识别流程图;
图3为本发明中字符分割过程投影示意图;
图4为本发明中网格特征提取示意图;
图5为本发明中三层BP网络结构图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图1所示,本实施例所述的基于机器视觉的多表字符识别***,包括图像采集模块1、网络存储模块2以及软件处理模块3;其中,软件处理模块3包括电表组分割单元3-1、图像预处理单元3-2、图像倾斜校正单元3-3、图像增强单元3-4、字符区域定位单元3-5、字符分割单元3-6、图像归一化单元3-7、字符特征提取单元3-8以及BP神经网络识别单元;图像预处理单元3-2包括灰度化处理单元3-2-1、二值化处理单元3-2-2以及形态学处理单元3-2-3。
工作时,流程如图2所示,图像采集模块1为带有4G网络模块的摄像头,实时捕捉多电表图像,并将捕捉到的多电表图像上传至网络存储模块2FTP服务器,需要识别时,从FTP服务器下载多电表图像至软件处理模块3,具体的处理识别步骤如下:
电表组分割单元3-1处理:
电表组通过模板匹配进行分割;先采集电表组中每个电表工作状态的图像并保存,作为后续匹配的模板,采用基于NCC模板匹配方法在电表组目标图像中进行全局搜索,找到与模板匹配的电表并分割出来;
NCC取值范围为[-1,1],目标图像即电表组图像的每个像素点都可以看作是RGB数值,相当于一个样本数据的集合,模板图像相当于它的子集。当模板与目标图像中另外一个样本数据相互匹配则它的NCC值为1,表示相关性很高,如果是-1则表示完全不相关,基于这个原理,实现图像基于模板匹配识别算法。首先对数据归一化,公式为:其中f表示像素点p的灰度值,μ表示窗口所有像素平均值,σ表示标准方差,假设g表示模板像素值,则其中m表示模板的像素总数,m-1是自由度。
基于NCC模板匹配方法,其步骤如下:
(1获取模板像素并计算均值与标准方差、像素与均值diff数据样本;
(2根据模板大小,在目标图像上从左到右,从上到下移动窗口,计算每移动一个像素之后窗口内像素与模板像素的NCC值,与阈值比较,大于阈值则记录位置;
(3根据得到位置信息,使用红色矩形标记出模板匹配识别结果;
(4***显示分割结果。
灰度化处理单元3-2-1处理:
图像灰度化处理,采用加权平均法:将图像从RGB颜色空间转化为HSI色彩空间,在HSI空间中I就是图像的灰度值,H和S分别表示了图像的色调和饱和度,RGB三分量映射到H分量的公式:
饱和度分量的公式为:
强度分量为:
将三个分量以不同的权值进行加权,得到从彩色图像到灰度图的转换,公式为:I=030R+0.59G+0.11B。
二值化处理单元3-2-2处理:
采用最大类间方差法,最大类间方差可根据图像的灰度值选择合适的阈值对图像进行二值化处理,图像像素分为目标和背景两类,定义类间方差g描述目标和背景的差异,对于给定图像,有合适的阈值使该图像的类间方差g最大化,该阈值就为二值化的最佳阈值。其中ω0和ω1分别为前景和背景的比例,μ0和μ1分别为前景和背景像素的均值,μ为整个图像的像素均值,g为要求的最大类间方差。
μ=ω0×μ0+ω1×μ1
g=ω0(μ0-μ)2+ω1(μ1-μ)2
g=ω0ω1(μ0-μ1)2
形态学处理单元3-2-3处理:
采用腐蚀形态学处理图像中目标区域的边缘,使得前景图像区域变小,前景图像内部的背景区域被放大。
图像倾斜校正单元3-3处理:
对数显式仪表进行Canny边缘检测后,图像中有明显的直线信息,采用霍夫变换法求出图中最长直线及其斜率,设直线公式为:y=kx+b,式中:k为直线斜率,b为直线在y轴上的截距,其中直线的斜率定义为:直线与直角坐标系正半轴方向夹角θ的正切值,其表达式为:k=arctanθ,计算出图像倾斜角度,对其进行旋转倾斜校正;
图像增强单元3-4处理:
对电表前20%像素进行增强而对其他的像素进行抑制,到达增强目标字符抑制背景的目的,步骤如下:
首先统计图片中像素的最大值,然后对所用的像素值进行降序排序,排序后20%那一点的值level,最后对图像中每一点进行增强。
字符区域定位单元3-5处理:
从背景进入字符的梯度值Gin和从字符进入背景的梯度值Gout符号刚好相反,梯度的绝对值接近相等。在字符的附近选取某一区域,求得区域的最大梯度值Gmax和最小梯度值Gmin,则该区域的最大梯度差MGD,即为:
MGD=Gmax-Gmin
设定一个阈值,MGD大于阈值的可能是字符行或列。由于噪声干扰的存在,非字符图像有时也存在个别MGD大于阈值的情况。因此,选用MGD大于阈值的次数统计确定字符区域,此方法可对字符区域准确定位。
字符分割单元3-6处理:
由于字符区域彩色像素点较多,多聚集在一起;字符与字符之间有一定空隙,这些空隙多是像素值为0的背景像素。根据这个特点,对电表字段区域做垂直投影;数字区域对应的投影有明显峰值,以此为判断条件实现垂直分割;对垂直分割后的每个数字做水平投影,根据水平投影对实现单个数字的水平分割。通过垂直切割和水平切割后就得到了字符的精确位置。
原理如下:
投影如图3所示,图像函数为f(x,y),a为投影方向,b为与其垂直的方向,b与x轴夹角为θ,则f(x,y)沿着a的定义为:
当固定θ时,p(b,θ)是b的函数,是一个一维波形。改变θ,可得到不同方向上的f(x,y)的的投影。在x轴和y轴上的投影定义为Px,Py:
以x轴为投影轴,统计与x轴正交方向上所有图像点的灰度值总和。投影直方图可以非常直观的反映图像点相对于轴向的空间分布情况。对于大小为M*N的二值图像f(x,y),x轴的投影分布函数HX(x)为:
由于每个字符所在处都有黑色像素,而字符之间有一定的无黑色像素区。只要取x轴作为投影横轴,垂直投影,以投影的黑色像素个数作为纵坐标;再以y轴作为投影横轴,水平投影,投影的黑色像素个数作为横坐标。通过此方法就可以得到投影图,再根据投影图即可把字符分割开来。
图像归一化单元3-7处理:
将分割图像归一化为15×21;
计算需要缩放的比例:
计算图像缩放后的大小:
W=W×scale
H=H×scale
将缩放后的图像放在中间,在该图像上下左右补零至15×21;
字符特征提取单元3-8处理:
采用局部特征统计特征的粗网格进行特征提取。方法为:用OTSU方法将归一化后数字图像二值化,然后把图像分成几个局部小区域,并把每个小区域上的字符像素密度作为描述特征,即统计每个小区域中图像像素所占的百分比。针对大小为15×21的图像,划分为多个3×5的小区域,共15个。分别求得每个小方格内黑色像素的个数占这个小方格内总像素的百分比,形成一个3×5的矩阵,依次取每行元素转化为1×15的矩阵,作为神经网络的输入数据。
依次处理数字0到9,作为字符识别的特征,如图4所示。
BP神经网络识别单元3-9处理:
建立三层网络,由于输入是提取的每个数字的特征,共有15个数据,输出的对应的是0到9共十个数字,所以输入层和输出层神经元节点数分别为15和10。采用一般的经验公式(hide表示隐含层个数,m和n分别为输入层和输出层节点数,a取1-10的常数)来确定隐层节点层数,经过多次试验确定最终的隐层节点层数为15:通过试验验证,当隐含层达到15个节点数时,***的训练和误差都达到理想的状况,所以网络的输入层、隐含层和输出层神经元节点数分别为15、15和10。取了O至9共十个数字作为待识别数,每个数字取10个样本进行训练,共有100个训练样本,另取10个样本作为识别样本。当输入图像0~9后,在输出神经元对应的位置上为1,其他的位置为O;输入数字0,第一个输出神经元为l,其他为0;输入数字1,第二个输出神经元为1,其他为O:依此类推。识别时,如果某个输出神经元的权值大于等于0.8,则认为该数字图像为对应的数字。如果所有的输出神经元的权值都小于0.8,则***认为无法识别,如图5所示。
最后将电表识别结果以.txt文本格式保存到本地PC指定盘,并以Excel表格形式导出。
本实施例通过一系列操纵对电表组处理识别,一次可同时识别20-30个电表。使用FTP服务器存储电表图像和电表识别数据,实现资源共享的同时解决了生产现场摄像头实时采集的大量电表图像和大量电表数据的存储问题,释放了PC内存,提高了电表识别效率。通过现场测试,字符的识别率可达98%,平均每幅图像的识别时间在10ms以内。该***具有识别速度快,抗干扰能力强,正确率高的优势,在保证识别正确率的前提下,大大提高了效率,时间仅为同等数量单表识别的1/10。并且,该***针对不同型号不规则放置的多表识别同样适用。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (7)
1.基于机器视觉的多表字符识别***,包括图像采集模块(1)、网络存储模块(2)以及软件处理模块(3);
图像采集模块(1),实时捕捉多电表图像;
网络存储模块(2),存储捕捉到的多电表图像;
软件处理模块(3),对从网络存储模块(2)下载到的多电表图像进行处理和识别;
其中,软件处理模块(3)包括电表组分割单元(3-1)、图像预处理单元(3-2)、图像倾斜校正单元(3-3)、图像增强单元(3-4)、字符区域定位单元(3-5)、字符分割单元(3-6)、图像归一化单元(3-7)、字符特征提取单元(3-8)以及BP神经网络识别单元(3-9);
电表组分割单元(3-1),采集电表组中每个电表工作状态的图像并保存,作为后续匹配的模板,采用基于NCC模板匹配方法在电表组目标图像中进行全局搜索,找到与模板匹配的电表并分割出来;
图像倾斜校正单元(3-3),对数显式仪表进行Canny边缘检测,采用霍夫变换法求出图中最长直线及其斜率,计算出图像倾斜角度,对其进行旋转倾斜校正;
图像增强单元(3-4),对电表前20%像素进行增强而对其他的像素进行抑制;
字符区域定位单元(3-5),选用区域的最大梯度差MGD大于阈值的次数统计确定字符区域;
字符分割单元(3-6),对电表进行双向投影,从左向右定位出每个字符的起始和结束位置,并切割出来,通过垂直切割和水平切割得到字符的精确位置;
字符特征提取单元(3-8),采用局部统计特征的粗网格描述字符进行特征提取;
BP神经网络识别单元(3-9),采用具有在线训练功能的基于BP神经网络的识别方法识别字符。
2.根据权利要求1所述的基于机器视觉的多表字符识别***,其特征在于:所述图像预处理单元(3-2)包括灰度化处理单元(3-2-1)、二值化处理单元(3-2-2)以及形态学处理单元(3-2-3);
其中,灰度化处理单元(3-2-1),采用对RGB三分量进行加权平均得到较合理的灰度图像;
形态学处理单元(3-2-3),处理图像中目标区域的边缘,消除字符之间的黏连和椒盐噪声,使得前景图像区域变小,前景图像内部的背景区域被放大;
二值化处理单元(3-2-2),采用最大类间方差法Otsu实现二值化,将要识别的目标和图像的背景区分开来。
3.一种用于权利要求1所述基于机器视觉的多表字符识别***的方法,其特征在于:包括以下步骤:
(1)图像采集;
将带有网络模块的摄像头安置在待测电表组前适当范围,进行多电表图像的实时捕捉;
(2)图像上传;
摄像头网络模块将捕捉到的多电表图像上传至FTP服务器;
(3)软件处理;
对从网络存储模块下载到的多电表图像进行处理和识别,最后将电表识别结果以.txt文本格式保存到本地PC指定盘,并以Excel表格形式导出。
4.根据权利要求3所述的用于基于机器视觉的多表字符识别***的方法,其特征在于:所述步骤(3)中对图像处理和识别包括以下步骤:
1)电表组分割;
电表组通过模板匹配进行分割;先采集电表组中每个电表工作状态的图像并保存,作为后续匹配的模板,采用基于NCC模板匹配方法在电表组目标图像中进行全局搜索,找到与模板匹配的电表并分割出来;
2)图像预处理;
预处理过程包括灰度化、二值化和形态学处理;灰度化采用对RGB三分量进行加权平均得到较合理的灰度图像;采用腐蚀等形态学处理图像中目标区域的边缘,消除字符之间的黏连和椒盐噪声,使得前景图像区域变小,前景图像内部的背景区域被放大,利于字符的识别;采用最大类间方差法Otsu实现二值化,将要识别的目标和图像的背景区分开来;
3)图像倾斜校正;
对数显式仪表进行Canny边缘检测后,图像中有明显的直线信息,采用霍夫变换法求出图中最长直线及其斜率,设直线公式为:y=kx+b,式中:k为直线斜率,b为直线在y轴上的截距,其中直线的斜率定义为:直线与直角坐标系正半轴方向夹角θ的正切值,其表达式为:k=arctanθ,计算出图像倾斜角度,对其进行旋转倾斜校正;
4)图像增强;
对电表前20%像素进行增强而对其他的像素进行抑制,到达增强目标字符抑制背景的目的;
5)字符区域定位;
选用区域的最大梯度差MGD大于阈值的次数统计确定字符区域;
6)字符分割;
对电表进行双向投影,从左向右定位出每个字符的起始和结束位置,并切割出来,通过垂直切割和水平切割得到字符的精确位置;
7)图像归一化;
8)字符特征提取;
采用局部统计特征的粗网格描述字符进行特征提取;
9)BP神经网络识别。
5.根据权利要求4所述的用于基于机器视觉的多表字符识别***的方法,其特征在于:所述基于NCC模板匹配方法,其步骤如下:
(1获取模板像素并计算均值与标准方差、像素与均值diff数据样本;
(2根据模板大小,在目标图像上从左到右,从上到下移动窗口,计算每移动一个像素之后窗口内像素与模板像素的NCC值,与阈值比较,大于阈值则记录位置;
(3根据得到位置信息,使用红色矩形标记出模板匹配识别结果;
(4***显示分割结果。
6.根据权利要求5所述的用于基于机器视觉的多表字符识别***的方法,其特征在于:所述NCC计算公式为:
其中,数据归一化公式为f表示像素点p的灰度值,μ表示窗口所有像素平均值,σ表示标准方差,g表示模板像素值,m表示模板的像素总数,m-1表示自由度。
7.根据权利要求4所述的用于基于机器视觉的多表字符识别***的方法,其特征在于:所述字符特征提取,用OTSU方法将归一化后数字图像二值化,然后把图像分成几个局部小区域,统计每个小区域中图像像素所占的百分比,将每个小区域上的字符像素密度作为描述特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107177.5A CN106909941A (zh) | 2017-02-27 | 2017-02-27 | 基于机器视觉的多表字符识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107177.5A CN106909941A (zh) | 2017-02-27 | 2017-02-27 | 基于机器视觉的多表字符识别***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106909941A true CN106909941A (zh) | 2017-06-30 |
Family
ID=59208786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710107177.5A Pending CN106909941A (zh) | 2017-02-27 | 2017-02-27 | 基于机器视觉的多表字符识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106909941A (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507130A (zh) * | 2017-08-01 | 2017-12-22 | 江苏理工学院 | 一种快速的qfn芯片引脚图像获取与放大方法 |
CN107563374A (zh) * | 2017-08-14 | 2018-01-09 | 华中科技大学 | 一种数显式仪表数码管定位方法 |
CN107832763A (zh) * | 2017-11-07 | 2018-03-23 | 青岛理工大学 | 图形图像处理方法和设备 |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN107862303A (zh) * | 2017-11-30 | 2018-03-30 | 平安科技(深圳)有限公司 | 表格类图像的信息识别方法、电子装置及可读存储介质 |
CN108009538A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号智能识别方法 |
CN108038482A (zh) * | 2017-12-22 | 2018-05-15 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号视觉智能识别*** |
CN108416355A (zh) * | 2018-03-09 | 2018-08-17 | 浙江大学 | 一种基于机器视觉的工业现场生产数据的采集方法 |
CN108427959A (zh) * | 2018-02-07 | 2018-08-21 | 北京工业大数据创新中心有限公司 | 基于图像识别的机台状态采集方法及*** |
CN108573261A (zh) * | 2018-04-17 | 2018-09-25 | 国家电网公司 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
CN109145912A (zh) * | 2018-07-09 | 2019-01-04 | 华南理工大学 | 一种数字仪表读数自动识别方法 |
CN109357694A (zh) * | 2018-08-22 | 2019-02-19 | 安徽慧视金瞳科技有限公司 | 一种仪表数字检测方法 |
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及*** |
CN109373896A (zh) * | 2018-10-19 | 2019-02-22 | 东莞复熵智能科技有限公司 | 一种单方向测量位移的机器视觉***及其实现方法 |
CN109382968A (zh) * | 2018-10-23 | 2019-02-26 | 宁波汇智恒动自动化科技有限公司 | 一种用于注塑机的视觉检测和矫正*** |
CN109858480A (zh) * | 2019-01-08 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种数字式仪表识别方法 |
CN110097048A (zh) * | 2019-04-02 | 2019-08-06 | 江苏理工学院 | 一种sot芯片图像快速校正与字符识别方法 |
CN110119648A (zh) * | 2018-02-05 | 2019-08-13 | 国家计算机网络与信息安全管理中心 | 一种基于光学字符识别的传真图像分类方法 |
CN110210477A (zh) * | 2019-05-24 | 2019-09-06 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
CN110232376A (zh) * | 2019-06-11 | 2019-09-13 | 重庆邮电大学 | 一种利用投影回归的齿轮式数字仪表识别方法 |
CN110309831A (zh) * | 2019-06-10 | 2019-10-08 | 北京工业大学 | 基于机器视觉的非智能水表识读方法 |
CN110716513A (zh) * | 2019-09-17 | 2020-01-21 | 国网河北能源技术服务有限公司 | 一种基于excel的间接式模拟量原始数据采集方法 |
CN110725711A (zh) * | 2019-10-29 | 2020-01-24 | 南京北路自动化***有限责任公司 | 一种基于视频的打钻***及辅助验钻方法 |
CN110781884A (zh) * | 2019-10-17 | 2020-02-11 | 广西电网有限责任公司电力科学研究院 | 一种实现电表数据智能读取的方法 |
CN111017728A (zh) * | 2019-12-23 | 2020-04-17 | 安徽工业大学 | 一种基于机器视觉的起重机制动器健康状态评估方法 |
CN111031222A (zh) * | 2019-12-27 | 2020-04-17 | 山东厚德测控技术股份有限公司 | 一种摄像式燃气表字轮实时识别装置及方法 |
CN111027546A (zh) * | 2019-12-05 | 2020-04-17 | 北京嘉楠捷思信息技术有限公司 | 一种字符分割方法、装置以及计算机可读存储介质 |
CN111242197A (zh) * | 2020-01-07 | 2020-06-05 | 中国石油大学(华东) | 基于双视域语义推理网络的图像文匹配方法 |
CN111695576A (zh) * | 2020-06-09 | 2020-09-22 | 国网河北省电力有限公司营销服务中心 | 一种基于神经网络的电能表外观快速识别方法 |
CN111860317A (zh) * | 2020-07-20 | 2020-10-30 | 青岛特利尔环保集团股份有限公司 | 一种锅炉运行数据采集方法、***、设备及计算机介质 |
CN111985484A (zh) * | 2020-08-11 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 基于cnn-lstm的温度仪表数字识别的方法及装置 |
CN112101336A (zh) * | 2020-09-09 | 2020-12-18 | 杭州测质成科技有限公司 | 一种基于计算机视觉的智能数据采集方式 |
CN112163546A (zh) * | 2020-10-13 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于视觉识别***的水表数值判定方法及装置 |
CN112418226A (zh) * | 2020-10-23 | 2021-02-26 | 济南信通达电气科技有限公司 | 一种鱼眼分合闸状态识别的方法及装置 |
CN112464928A (zh) * | 2020-11-27 | 2021-03-09 | 广东电网有限责任公司 | 数字式表计读数识别方法、装置、设备及存储介质 |
CN112966746A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种稳定的适用于轮胎缺陷检测的可变灰度模板生成方法 |
CN113591705A (zh) * | 2021-07-30 | 2021-11-02 | 华东理工大学 | 巡检机器人仪表识别***及方法、存储介质 |
CN113609906A (zh) * | 2021-06-30 | 2021-11-05 | 南京信息工程大学 | 一种面向文献的表格信息抽取方法 |
CN114445784A (zh) * | 2022-03-01 | 2022-05-06 | 武汉聚智惠仁信息技术有限公司 | 一种crrt屏幕参数实时采集的方法和*** |
CN116281070A (zh) * | 2023-03-30 | 2023-06-23 | 山东大舜医药物流有限公司 | 基于大数据的医药分拣***及方法 |
CN116721094A (zh) * | 2023-08-03 | 2023-09-08 | 济南邦德激光股份有限公司 | 一种复杂背景下的视觉图形识别方法、***及激光切割机 |
CN116721042A (zh) * | 2023-08-10 | 2023-09-08 | 广东石油化工学院 | 基于多阈值二值化的摄像图像倾斜校正方法 |
CN109145912B (zh) * | 2018-07-09 | 2024-07-02 | 华南理工大学 | 一种数字仪表读数自动识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984930A (zh) * | 2014-05-21 | 2014-08-13 | 南京航空航天大学 | 基于视觉的数字仪表识别***及其识别方法 |
-
2017
- 2017-02-27 CN CN201710107177.5A patent/CN106909941A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984930A (zh) * | 2014-05-21 | 2014-08-13 | 南京航空航天大学 | 基于视觉的数字仪表识别***及其识别方法 |
Non-Patent Citations (3)
Title |
---|
张文杰 等: "基于模板匹配的多目标精确粘连分割算法", 《计算机与现代化》 * |
李貌: "仪器仪表数字图像识别及其应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
林文娅: "基于神经网络的水表字符识别", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507130A (zh) * | 2017-08-01 | 2017-12-22 | 江苏理工学院 | 一种快速的qfn芯片引脚图像获取与放大方法 |
CN107563374A (zh) * | 2017-08-14 | 2018-01-09 | 华中科技大学 | 一种数显式仪表数码管定位方法 |
CN107832763A (zh) * | 2017-11-07 | 2018-03-23 | 青岛理工大学 | 图形图像处理方法和设备 |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN107862303B (zh) * | 2017-11-30 | 2019-04-26 | 平安科技(深圳)有限公司 | 表格类图像的信息识别方法、电子装置及可读存储介质 |
CN107862303A (zh) * | 2017-11-30 | 2018-03-30 | 平安科技(深圳)有限公司 | 表格类图像的信息识别方法、电子装置及可读存储介质 |
CN108009538A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号智能识别方法 |
CN108038482A (zh) * | 2017-12-22 | 2018-05-15 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号视觉智能识别*** |
CN110119648A (zh) * | 2018-02-05 | 2019-08-13 | 国家计算机网络与信息安全管理中心 | 一种基于光学字符识别的传真图像分类方法 |
CN108427959A (zh) * | 2018-02-07 | 2018-08-21 | 北京工业大数据创新中心有限公司 | 基于图像识别的机台状态采集方法及*** |
CN108416355A (zh) * | 2018-03-09 | 2018-08-17 | 浙江大学 | 一种基于机器视觉的工业现场生产数据的采集方法 |
CN108573261A (zh) * | 2018-04-17 | 2018-09-25 | 国家电网公司 | 一种适用于变电站巡检机器人的数字显示仪表识别方法 |
CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
CN109145912A (zh) * | 2018-07-09 | 2019-01-04 | 华南理工大学 | 一种数字仪表读数自动识别方法 |
CN109145912B (zh) * | 2018-07-09 | 2024-07-02 | 华南理工大学 | 一种数字仪表读数自动识别方法 |
CN109357694A (zh) * | 2018-08-22 | 2019-02-19 | 安徽慧视金瞳科技有限公司 | 一种仪表数字检测方法 |
CN109360396A (zh) * | 2018-09-27 | 2019-02-19 | 长江大学 | 基于图像识别技术和NB-IoT技术的远程抄表方法及*** |
CN109373896A (zh) * | 2018-10-19 | 2019-02-22 | 东莞复熵智能科技有限公司 | 一种单方向测量位移的机器视觉***及其实现方法 |
CN109382968A (zh) * | 2018-10-23 | 2019-02-26 | 宁波汇智恒动自动化科技有限公司 | 一种用于注塑机的视觉检测和矫正*** |
CN109858480A (zh) * | 2019-01-08 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种数字式仪表识别方法 |
CN110097048A (zh) * | 2019-04-02 | 2019-08-06 | 江苏理工学院 | 一种sot芯片图像快速校正与字符识别方法 |
CN110210477A (zh) * | 2019-05-24 | 2019-09-06 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
CN110210477B (zh) * | 2019-05-24 | 2023-03-24 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
CN110309831A (zh) * | 2019-06-10 | 2019-10-08 | 北京工业大学 | 基于机器视觉的非智能水表识读方法 |
CN110309831B (zh) * | 2019-06-10 | 2022-01-07 | 北京工业大学 | 基于机器视觉的非智能水表识读方法 |
CN110232376A (zh) * | 2019-06-11 | 2019-09-13 | 重庆邮电大学 | 一种利用投影回归的齿轮式数字仪表识别方法 |
CN110716513A (zh) * | 2019-09-17 | 2020-01-21 | 国网河北能源技术服务有限公司 | 一种基于excel的间接式模拟量原始数据采集方法 |
CN110781884A (zh) * | 2019-10-17 | 2020-02-11 | 广西电网有限责任公司电力科学研究院 | 一种实现电表数据智能读取的方法 |
CN110725711A (zh) * | 2019-10-29 | 2020-01-24 | 南京北路自动化***有限责任公司 | 一种基于视频的打钻***及辅助验钻方法 |
CN110725711B (zh) * | 2019-10-29 | 2023-08-29 | 南京北路智控科技股份有限公司 | 一种基于视频的打钻***及辅助验钻方法 |
CN111027546A (zh) * | 2019-12-05 | 2020-04-17 | 北京嘉楠捷思信息技术有限公司 | 一种字符分割方法、装置以及计算机可读存储介质 |
CN111027546B (zh) * | 2019-12-05 | 2024-03-26 | 嘉楠明芯(北京)科技有限公司 | 一种字符分割方法、装置以及计算机可读存储介质 |
CN111017728A (zh) * | 2019-12-23 | 2020-04-17 | 安徽工业大学 | 一种基于机器视觉的起重机制动器健康状态评估方法 |
CN111031222A (zh) * | 2019-12-27 | 2020-04-17 | 山东厚德测控技术股份有限公司 | 一种摄像式燃气表字轮实时识别装置及方法 |
CN111242197B (zh) * | 2020-01-07 | 2023-11-07 | 中国石油大学(华东) | 基于双视域语义推理网络的图像文匹配方法 |
CN111242197A (zh) * | 2020-01-07 | 2020-06-05 | 中国石油大学(华东) | 基于双视域语义推理网络的图像文匹配方法 |
CN111695576A (zh) * | 2020-06-09 | 2020-09-22 | 国网河北省电力有限公司营销服务中心 | 一种基于神经网络的电能表外观快速识别方法 |
CN111860317A (zh) * | 2020-07-20 | 2020-10-30 | 青岛特利尔环保集团股份有限公司 | 一种锅炉运行数据采集方法、***、设备及计算机介质 |
CN111985484A (zh) * | 2020-08-11 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 基于cnn-lstm的温度仪表数字识别的方法及装置 |
CN112101336A (zh) * | 2020-09-09 | 2020-12-18 | 杭州测质成科技有限公司 | 一种基于计算机视觉的智能数据采集方式 |
CN112163546A (zh) * | 2020-10-13 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于视觉识别***的水表数值判定方法及装置 |
CN112418226A (zh) * | 2020-10-23 | 2021-02-26 | 济南信通达电气科技有限公司 | 一种鱼眼分合闸状态识别的方法及装置 |
CN112966746A (zh) * | 2020-11-20 | 2021-06-15 | 扬州大学 | 一种稳定的适用于轮胎缺陷检测的可变灰度模板生成方法 |
CN112464928B (zh) * | 2020-11-27 | 2024-03-15 | 广东电网有限责任公司 | 数字式表计读数识别方法、装置、设备及存储介质 |
CN112464928A (zh) * | 2020-11-27 | 2021-03-09 | 广东电网有限责任公司 | 数字式表计读数识别方法、装置、设备及存储介质 |
CN113609906A (zh) * | 2021-06-30 | 2021-11-05 | 南京信息工程大学 | 一种面向文献的表格信息抽取方法 |
CN113591705A (zh) * | 2021-07-30 | 2021-11-02 | 华东理工大学 | 巡检机器人仪表识别***及方法、存储介质 |
CN113591705B (zh) * | 2021-07-30 | 2024-03-19 | 华东理工大学 | 巡检机器人仪表识别***及方法、存储介质 |
CN114445784A (zh) * | 2022-03-01 | 2022-05-06 | 武汉聚智惠仁信息技术有限公司 | 一种crrt屏幕参数实时采集的方法和*** |
CN116281070A (zh) * | 2023-03-30 | 2023-06-23 | 山东大舜医药物流有限公司 | 基于大数据的医药分拣***及方法 |
CN116721094B (zh) * | 2023-08-03 | 2023-12-19 | 济南邦德激光股份有限公司 | 一种复杂背景下的视觉图形识别方法、***及激光切割机 |
CN116721094A (zh) * | 2023-08-03 | 2023-09-08 | 济南邦德激光股份有限公司 | 一种复杂背景下的视觉图形识别方法、***及激光切割机 |
CN116721042A (zh) * | 2023-08-10 | 2023-09-08 | 广东石油化工学院 | 基于多阈值二值化的摄像图像倾斜校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909941A (zh) | 基于机器视觉的多表字符识别***及方法 | |
CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN105046252B (zh) | 一种人民币冠字码识别方法 | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN108694393A (zh) | 一种基于深度卷积的证件图像文本区域提取方法 | |
CN105023008A (zh) | 基于视觉显著性及多特征的行人再识别方法 | |
CN109325935A (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN105404868B (zh) | 一种基于交互平台的复杂背景中文本的快速检测方法 | |
Lu et al. | Saliency modeling from image histograms | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
CN111160169B (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
Yuan et al. | Learning to count buildings in diverse aerial scenes | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及*** | |
CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN106570475B (zh) | 一种紫砂壶***检索方法 | |
CN106709500A (zh) | 一种图像特征匹配的方法 | |
Li et al. | SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN106485639A (zh) | 鉴别伪造证件图片的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170630 |
|
RJ01 | Rejection of invention patent application after publication |