CN109657682A - 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 - Google Patents
一种基于深度神经网络和多阈值软切分的电能表示数识别方法 Download PDFInfo
- Publication number
- CN109657682A CN109657682A CN201811440923.3A CN201811440923A CN109657682A CN 109657682 A CN109657682 A CN 109657682A CN 201811440923 A CN201811440923 A CN 201811440923A CN 109657682 A CN109657682 A CN 109657682A
- Authority
- CN
- China
- Prior art keywords
- cutting
- registration
- picture
- threshold
- threshold value
- 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.)
- Granted
Links
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于电力电能表自动识别技术领域,提供一种基于深度神经网络和多阈值软切分的电能表示数识别方法。该方法的体系结构含有两个模块:示数区域定位模块和示数识别模块。定位模块以YOLO算法为基础,采取适合电表示数区域特点的网络模型来进行快速定位,示数区域识别模块设计了一种多阈值软切分与深度神经网络结合的识别方法。本发明的有益效果为:采用本发明能快速定位电表图片中的示数区域并准确进行识别,可减少人为抄表差错和资源浪费;本发明结合深度学习与多阈值切分,能有效克服图像噪声的不利影响,提升识别准确率。
Description
技术领域
本发明属于电力电能表自动识别技术领域,涉及一种在真实拍摄条件下利用图像识别技术对电能表示数进行准确定位并识别的技术。
背景技术
传统人工获取电能表示数信息的过程中,往往存在大量的人力浪费和抄表误差,利用图像识别技术对所拍摄电能表图像进行分析,进而自动读取出示数信息,可有效提升抄表效率并减少人为差错,对于电力技术的智能化有着重要意义。然而,对于真实环境下拍摄的电能表图像,由于光照、拍摄角度及电能表盘污渍等因素影响,给电能表示数区域检测、数字识别都带来了极大挑战。
在电能表示数检测方面,由于多角度的拍摄,背景图像的复杂变化以及不可控的光照条件等,导致难以准确鲁棒地定位电能表的示数区域。杨娟等人(“基于数字图像处理的电能表图像识别技术研究与实现”,南京理工大学,2012.)提出了一种基于数字图像处理的电能表识别技术。该技术中采用改进的二值化算法以及基于电能表几何特征的切割算法来定位电能表数字所在区域,但该方法对拍摄情况复杂的电能表图像,难以获得准确的定位结果。林剑萍等人(“基于OpenCV和LSSVM的数字仪表读数自动识别”,福州大学,2016.)提出的基于Canny边缘检测算法以及联通区域分析的电能表数字定位方法,也因过于依赖电能表图片二值化后的效果而不能准确定位情况复杂的真实照片。近年来深度神经网络在图像目标检测、图像文本检测等任务中取得了很好的性能,对于设计能适应各种复杂条件下的电能表示数区域检测***提供了重要参考。Zhou等人(“EAST:An Efficient andAccurate Scene Text Detector”,Computer Vision and Pattern Recognition.IEEE,2017:2642-2651.)提出了一种基于直接回归的文本检测方法EAST,能够精确地检测密集文本,但该方法存在着检测区域不完整问题,直接应用于电能表示数区域检测将会影响后续识别性能。Girshick等人(“Rich Feature Hierarchies for Accurate Object Detectionand Semantic Segmentation”,IEEE Conference on Computer Vision and PatternRecognition.IEEE Computer Society,2014:580-587.)提出一种双阶段目标检测算法RCNN,能取得较高准确度,但由于双阶段多任务的架构设计导致检测效率较低。基于以上问题,本发明受到Redmon等人(“You Only Look Once:Unified,Real-Time ObjectDetection”,Computer Vision and Pattern Recognition.IEEE,2016:779-788.)目标检测方法的启示,提出了一种基于深度神经网络的单阶段的电能表示数区域检测方法。
在电能表示数识别方面,实际拍摄的电能表图像通常不满足光学字符识别(OCR)***所要求的干净整洁背景条件,其复杂的噪声信息使得传统OCR方法无法直接应用于电能表示数识别。杨娟等人基于阈值切分和结构特征分析的电能表数字识别方法可对拍摄良好的图片进行准确识别,但在拍摄受到干扰情况下,会出现切分错误、结构缺失错误等问题,致使识别失败。Lecun等人(“Gradient-based learning applied to documentrecognition”,Proceedings of the IEEE,1998,86(11):2278-2324.)提出的Le-Net网络已经商用于手写字体的识别,并取得了很大的成功,但是该网络的输入是假定已经切分准确的单字符图像,在高噪声条件下,采用单个阈值来切割示数区域通常很难获得完整的数字图像,因此亦无法直接应用该方法。
针对以上问题,本发明提出了一种多阈值软切分结合深度神经网络的电能表示数识别算法,其基本思想是利用多个阈值对示数区域图像进行二值化,并采用多个切分阈值来尽可能得到合理的数字切分候选方案;然后对所有候选方案的切分点进行切分点概率计算,最后联合神经网络数字识别预测概率、以及对示数区域图像数据集统计得到的概率;使用这三项数据计算联合概率,来选取最终的切分方案,以此来有效消除高噪声带来的不利影响。该算法协同示数区域检测模块实现了电能表示数自动识别方法。
发明内容
本发明目的提出一种多阈值软切分方式结合深度神经网络的自动抄表方法。处理目标:拍摄的电能表图片,处理目的:自动识别电能表图像中的示数信息。
本发明的技术方案:
一种基于深度神经网络和多阈值软切分的电能表示数识别方法,利用深度神经网络进行示数区域定位,采取多阈值软切分方式与深度神经网络结合进行示数数字识别;具体包括两个模块:定位模块和识别模块;
(1)定位模块
以目标检测-YOLO算法为基础,设计一个包含20个卷积层和2个全连接层的深度神经网络来检测示数区域;针对电能表示数区域为长矩形的几何特点,在第8、12、15、18、20卷积层采用1*4的卷积核生成矩形的感受野来贴近示数区域,最后的全连接层输出维度为8*8*16,该网络架构可在降低参数数量的情况下提升对于电能表示数区域的检测性能;
(2)识别模块
第一步,统计不同长宽比区域所含不同数字个数的比率;
对正确定位的图片,统计不同长宽比下的图片所含数字个数的计数,对长宽比相近的比例进行合并后保留q种比例,实际电能表示数不超过p个;用上述计数除以该长宽比下所有图片总数,得到统计数据Rpq,表示第q种比例的图片含有p个数字的概率,其中1≤p≤8,1≤q≤12,Rpq构成集合命名为R;
第二步,使用直方图均衡化方法对定位模块检测的示数区域图像进行增强,然后采用多个参数设置利用Niblack算法对其进行二值化,得到多个二值化结果;Niblack二值化操作如公式1;其中,m与s分别表示滑动窗口w*w范围内的灰度均值与标准差,k为人工设置的可控参数,其取值为0.1~0.2;
TNiblack=m+k*s 公式1
第三步,使用多阈值软切分方式对二值化的示数区域进行切分点的选取
现有数字切分方法通常采用单个阈值对示数区域垂直投影图进行切分,在较大噪声情形下正确率较低。本发明提出一种多阈值软切分方式,即利用多个阈值对示数区域进行切分得到多个切分方案,然后计算每种切分的联合概率得分来选取最佳切分结果;采用三种阈值T,第一种阈值最小,第三种阈值最大,三种阈值的取值范围为:示数图像高度*[0.1,0.5];对垂直投影图进行切分;切分的方法为,按图像横轴方向遍历垂直投影图,将横轴中对应投影值低于阈值的点视为切分候选点,切分候选点连续的区域称为切分范围;其中,在第一种和第二种比较小的阈值情况下,选取切分范围的中间值为切分点。第三种大阈值的情况下,对切分范围内的点进行采样操作,得到的点便作为此阈值下的切分点。本发明中采用图片横向长度的1%为采样间距,使用更小的采样间距获得更密集的切分点。
第四步,使用上面得到的切分点来确定切分候选方案,同时利用切分失败的情况扩充候选方案;
对第三步中第一、二种阈值T得到的18组切分点(k、w取值各三种,T取前两种阈值),直接在图像横轴顺序排列,得到18种切分方案;对于第三种阈值T得到的切分点,在图像横轴方向按顺序随机组合,得到L种切分方案(组合长度不会超过7,因为电能表示数最长不超过8),这一步总共可以得到初步的L+18种切分方案。
接着,使用上述得到的切分方案进行示数区域图像切分,在切分的过程中,使用固定的阈值Twh(本发明中使用0.8)对切分得到的图片的长宽比,进行是否切分完毕的判别,超过此阈值则视为切分失败;根据切分失败图片的长宽比选择R中与之最接近的长宽比对应的概率Rpq最高和次高的两种数字数目p,选择(p-1)个均值点进行等距切分;使用这些均值切分点与前面得到的L+18种切分方案,在横轴方向按照顺序进行随机组合,得到最终的N种切分方案,其中L+18≤N;
第五步,统计N种切分方案下得到的各切分点出现次数ai,求取ai与27(这里取3种k,3种滑动窗口大小w,3种切分阈值)的比值作为该切分点的概率Pci(对上一步的均值切分点也是同样的计算方式)。在切分过程中,需要将切分点两侧的空白区域也并入切分图片中实现切分图片间的无缝衔接,防止切分信息丢失,导致识别缺漏错误;
第六步,将每种切分方案得到的图片按顺序送入训练好的网络中进行识别,输出预测结果及概率。然后用各切分图片的预测概率Prnj与对应于此种切分方案的切分点概率Pci累乘的结果作为该切分方案下的临时概率(由于高精度的模型对于正确识别的结果往往有较高的预测概率,而对错误识别的预测概率相对较低,可用此概率来排除切分区域错误导致识别错误的情况)。最后使用临时概率乘以第二步统计得到的概率Rpq(这样做来保证识别出来的长度符合检测的真实情况,防止对于长字串输出概率过低)。本发明中用此项乘积值作为一种切分方案的联合概率,最终选取各切分方案中联合概率的最大值所对应的预测结果Onj作为电能表数字图像的预测输出。
本发明的有益效果:采用本发明能准确定位电表图片中的示数区域并进行有效识别,抵御图像高噪声的影响;能够减少人为抄表差错和资源浪费;且本发明结合深度学习与传统方法,在保证定位识别准确度的情况下降低了机器的负担,解决了现有问题的不足,在一定程度上可以协助电力分析。
附图说明
图1为本发明的处理流程,其中蓝色块代表的是统计得到的数据。
图2为多阈值垂直投影选取切分点的示意图。
具体实施方式
本发明基于Pytorch深度学习框架搭建网络模型,利用Python语言实现多阈值的软切分处理。
Step 1:使用Labelimg工具制作电能表示数区域定位的训练数据集。
Step 2:搭建网络架构并训练网络,层次结构如下。
输入层:输入图片为拍摄的待定位电能表图像,大小448*448。
卷积层及全连接层:共20层卷积层,以及2个全连接层;在第8、12、15、18、20层卷积层采用1*4的卷积核,其余卷积层采用3*3的卷积核,所有卷积层步长为1;倒数第二层全连接层输出维度4096;最后的全连接层输出维度为8*8*16;
池化:选用最大池化方式,步长为2;
输出层:输出预测的中心坐标,及框的长宽。
Step 3:根据定位网络的输出信息从原图中截取出电能表示数区域图片。
Step 4:对正确定位图片进行统计,记录不同长宽比下,图片所含数字个数的计数,除以该长宽比下所有图片数,得到统计数据Rpq(其中1≤p≤8,1≤q≤12),表示比例为第q种的图片含p个数字的概率。此集合命名为R。
Step5:对测试图像进行直方图均衡化,再根据公式1设置三种不同的k与三种不同的滑窗大小w的组合,得到九组二值化结果。对二值化后的示数区域选取三个阈值T(第一种阈值最小,第三种阈值最大)利用垂直投影对图像进行切分点选取。对第一、二种阈值情况下的结果,选取切分范围(切分候选点连续区域,如图2)的中值为切分点。在第三种比较大的阈值下,对切分范围内的点进行采样操作,得到的点便作为此阈值下的切分点(本发明中采用图片横向长度的1%为采样间距,可使用更小的采样间距获得更密集的采样)。
Step 6:依据上述得到的切分点确定切分方案。对第一种和第二种阈值T得到的18组切分点(k、w取值各三种,T取前两种阈值),直接按照图像横轴方向排列,得到18种切分方案。对于第三种阈值T得到的切分点,在图像横轴方向按顺序随机组合,得到L种切分方案(组合长度不会超过7,因为电能表示数最长不超过8),这一步总共可以得到初步的L+18种切分方案。
Step 7:对于上一步得到的切分方案进行示数区域图像切分,此过程中保留切分时两侧的空白区域,以防止切分信息丢失。在切分的同时,使用固定的阈值Twh(本发明中使用0.8)对切分得到的图片进行是否切分完毕的判别,超过此阈值则视为切分失败,根据切分失败图片的长宽比选择R中与之最接近的长宽比对应概率Rpq最高和次高的两种数字数目p,选择(p-1)个均值点进行等距切分。使用这些切分点与前面已得到的L+18种切分方案,在横轴方向按照顺序进行随机组合得到最终的N种切分方案,其中L+18≤N。
Step8:统计所有切分方案下得到的各切分点的出现次数ai(i为切分点的数量),求取ai与27(这里取3种k,3种滑动窗口大小w,3种切分阈值)的比值作为该切分点的概率Pci(对Step 7中的均值切分点也是同样的计算方式)。
Step 9:对Step 3定位的电能表示数区域图像,进行手工切分,制作训练识别网络所需要的单字符数据集,按照图1搭建识别网络,并用制作好的数据集训练识别网络模型。
输入层:输入图片为切分后的电能表图像,大小为32*32。
卷积层:卷积核大小为5*5,步长为1;
池化:选用最大池化方式,步长为2;
输出层:输出预测的数字类别及其预测概率;
Step 10:对Step 7的每一种切分方案进行示数区域图像切分。将分割后的图片送入训练好的网络中进行识别,得到的每张图片预测的结果Onj及其概率Prnj。按照水平切分顺序计算Prnj乘以对应于此种切分方案的切分点的概率Pci。最后再乘以与图像长宽比情况最接近的Rpq。得到一种切分方案下的联合概率Pn,其中1≤n≤N。
Step 11:按照Step 9的操作对计算所有的N种切分方案对应的联合概率Pn,求取Pn中的最大值对应的切分方案作为最终的切分方案,其各项输出Onj即为最终的预测结果,小数点在倒数第二位,在输出时加入。
Claims (1)
1.一种基于深度神经网络和多阈值软切分的电能表示数识别方法,其特征在于,利用深度神经网络进行示数区域定位,采取多阈值软切分方式与深度神经网络结合进行示数数字识别;具体包括两个模块:定位模块和识别模块;
(1)定位模块
以目标检测-YOLO算法为基础,设计一个包含20个卷积层和2个全连接层的深度神经网络来检测示数区域;针对电能表示数区域为长矩形的几何特点,在第8、12、15、18、20卷积层采用1*4的卷积核生成矩形的感受野来贴近示数区域,最后的全连接层输出维度为8*8*16,该网络架构可在降低参数数量的情况下提升对于电能表示数区域的检测性能;
(2)识别模块
第一步,统计不同长宽比区域所含不同数字个数的比率;
对正确定位的图片,统计不同长宽比下的图片所含数字个数的计数,对长宽比相近的比例进行合并后保留q种比例,实际电能表示数不超过p个;用上述计数除以该长宽比下所有图片总数,得到统计数据Rpq,表示第q种比例的图片含有p个数字的概率,其中1≤p≤8,1≤q≤12,Rpq构成集合命名为R;
第二步,使用直方图均衡化方法对定位模块检测的示数区域图像进行增强,然后采用多个参数设置利用Niblack算法对其进行二值化,得到多个二值化结果;Niblack二值化操作如公式1;其中,m与s分别表示滑动窗口w*w范围内的灰度均值与标准差,k为人工设置的可控参数,其取值为0.1~0.2;
TNiblack=m+k*s 公式1
第三步,使用多阈值软切分方式对二值化的示数区域进行切分点的选取
采用一种多阈值软切分方式,即利用多个阈值对示数区域进行切分得到多个切分方案,然后计算每种切分的联合概率得分来选取最佳切分结果;本方法采用三种阈值T,第一种阈值最小,第三种阈值最大,三种阈值的取值范围为:示数图像高度*[0.1,0.5];对垂直投影图进行切分;切分的方法为,按图像横轴方向遍历垂直投影图,将横轴中对应投影值低于阈值的点视为切分候选点,切分候选点连续的区域称为切分范围;其中,在第一种阈值和第二种阈值情况下,选取切分范围的中间值为切分点;第三种大阈值的情况下,对切分范围内的点进行采样操作,得到的点便作为此阈值下的切分点;
第四步,使用上面得到的切分点来确定切分候选方案,同时利用切分失败的情况扩充候选方案;
对第三步中第一种阈值、第二种阈值T得到的18组切分点,k、w取值各三种,T取前两种阈值,直接在图像横轴顺序排列,得到18种切分方案;对于第三种阈值T得到的切分点,在图像横轴方向按顺序随机组合,得到L种切分方案,共得到初步的L+18种切分方案;
接着,使用上述得到的切分方案进行示数区域图像切分,在切分的过程中,使用固定的阈值Twh对切分得到的图片的长宽比,进行是否切分完毕的判别,超过此阈值则视为切分失败;根据切分失败图片的长宽比选择R中与之最接近的长宽比对应的概率Rpq最高和次高的两种数字数目p,选择(p-1)个均值点进行等距切分;使用这些均值切分点与前面得到的L+18种切分方案,在横轴方向按照顺序进行随机组合,得到最终的N种切分方案,其中L+18≤N;
第五步,统计N种切分方案下得到的各切分点出现次数ai,求取ai与27的比值作为该切分点概率Pci;
在切分过程中,将切分点两侧的空白区域也并入切分图片中实现切分图片间的无缝衔接,防止切分信息丢失,导致识别缺漏错误;
第六步,将每种切分方案得到的图片按顺序送入训练好的网络中进行识别,输出预测结果及概率;然后用各切分图片的预测概率Prnj与对应于此种切分方案的切分点概率Pci累乘的结果作为该切分方案下的临时概率;最后使用临时概率乘以第二步统计得到的概率Rpq,将此项乘积值作为一种切分方案的联合概率,最终选取各切分方案中联合概率的最大值所对应的预测结果Onj作为电能表数字图像的预测输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440923.3A CN109657682B (zh) | 2018-11-29 | 2018-11-29 | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440923.3A CN109657682B (zh) | 2018-11-29 | 2018-11-29 | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657682A true CN109657682A (zh) | 2019-04-19 |
CN109657682B CN109657682B (zh) | 2022-02-11 |
Family
ID=66111100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811440923.3A Active CN109657682B (zh) | 2018-11-29 | 2018-11-29 | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657682B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688900A (zh) * | 2019-08-27 | 2020-01-14 | 国网河北省电力有限公司电力科学研究院 | 一种基于图像识别的撤回表计管理方法 |
CN111461121A (zh) * | 2020-05-18 | 2020-07-28 | 江苏电力信息技术有限公司 | 一种基于yolov3网络的电表示数识别方法 |
CN112770080A (zh) * | 2019-11-01 | 2021-05-07 | 中移物联网有限公司 | 一种抄表方法、抄表装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040091271A (ko) * | 2003-04-21 | 2004-10-28 | 주식회사 팬택 | 영상 분할을 위한 임계치 결정 방법 |
CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN108875735A (zh) * | 2018-05-25 | 2018-11-23 | 昆山湖大机器人技术有限公司 | 钢板生产线点阵喷码字符自动检测方法 |
-
2018
- 2018-11-29 CN CN201811440923.3A patent/CN109657682B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040091271A (ko) * | 2003-04-21 | 2004-10-28 | 주식회사 팬택 | 영상 분할을 위한 임계치 결정 방법 |
CN104050450A (zh) * | 2014-06-16 | 2014-09-17 | 西安通瑞新材料开发有限公司 | 一种基于视频的车牌识别方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN108875735A (zh) * | 2018-05-25 | 2018-11-23 | 昆山湖大机器人技术有限公司 | 钢板生产线点阵喷码字符自动检测方法 |
Non-Patent Citations (2)
Title |
---|
IHSAN ULLAH ET AL.: "License Plate Detection Based on Rectangular Features and Multilevel Thresholding", 《PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, COMPUTER VISION, AND PATTERN RECOGNITION (IPCV)》 * |
徐凯: "复杂背景下车牌识别算法的研究与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688900A (zh) * | 2019-08-27 | 2020-01-14 | 国网河北省电力有限公司电力科学研究院 | 一种基于图像识别的撤回表计管理方法 |
CN112770080A (zh) * | 2019-11-01 | 2021-05-07 | 中移物联网有限公司 | 一种抄表方法、抄表装置及电子设备 |
CN112770080B (zh) * | 2019-11-01 | 2023-01-03 | 中移物联网有限公司 | 一种抄表方法、抄表装置及电子设备 |
CN111461121A (zh) * | 2020-05-18 | 2020-07-28 | 江苏电力信息技术有限公司 | 一种基于yolov3网络的电表示数识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109657682B (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN110321923B (zh) | 不同尺度感受野特征层融合的目标检测方法、***及介质 | |
CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN103207898B (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
US10558844B2 (en) | Lightweight 3D vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN109657682A (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
Xie et al. | Fewer is more: Efficient object detection in large aerial images | |
Chen et al. | An improved Yolov3 based on dual path network for cherry tomatoes detection | |
CN111429448B (zh) | 一种基于弱分割信息的生物荧光目标计数方法 | |
CN109410238A (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN109740549B (zh) | 基于半监督cnn的sar图像目标检测***和方法 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、***及介质 | |
CN108596038A (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN103093208A (zh) | 一种果蔬识别的方法及*** | |
CN109784375A (zh) | 基于Faster RCNN的自适应变压器部件检测识别方法 | |
CN116052222A (zh) | 自然采集牛脸图像的牛脸识别方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN110188780A (zh) | 用于定位多目标特征点的深度学习模型的构建方法及装置 | |
CN116385873A (zh) | 基于坐标感知注意力和空间语义上下文的sar小目标检测 | |
Zheng et al. | Real-time vegetables recognition system based on deep learning network for agricultural robots | |
CN116416613A (zh) | 一种基于改进YOLO v7的柑橘果实识别方法及*** | |
CN117095153A (zh) | 一种多模态果实感知***、装置及存储介质 | |
CN115223219A (zh) | 一种基于改进yolov4的羊脸识别方法 | |
CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |