CN110197181A - 一种基于ocr的线缆字符检测方法及*** - Google Patents

一种基于ocr的线缆字符检测方法及*** Download PDF

Info

Publication number
CN110197181A
CN110197181A CN201910473296.1A CN201910473296A CN110197181A CN 110197181 A CN110197181 A CN 110197181A CN 201910473296 A CN201910473296 A CN 201910473296A CN 110197181 A CN110197181 A CN 110197181A
Authority
CN
China
Prior art keywords
character
cable
template
detected
classifier
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
Application number
CN201910473296.1A
Other languages
English (en)
Other versions
CN110197181B (zh
Inventor
柯清
徐萌
肖昌云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fiberhome Telecommunication Technologies Co Ltd
Original Assignee
Fiberhome Telecommunication Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fiberhome Telecommunication Technologies Co Ltd filed Critical Fiberhome Telecommunication Technologies Co Ltd
Priority to CN201910473296.1A priority Critical patent/CN110197181B/zh
Publication of CN110197181A publication Critical patent/CN110197181A/zh
Application granted granted Critical
Publication of CN110197181B publication Critical patent/CN110197181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于OCR的线缆字符检测方法及***，涉及图像检测识别领域，该方法包括获取正常线缆护套上的字符，将每一段字符作为一个元素；所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板；将所述模板作为训练样本对分类器进行训练；待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。本发明能够快速实现线缆上印制字符是否存在缺陷的检测，代替人工检测，降低生产成本。

Description

一种基于OCR的线缆字符检测方法及***
技术领域
本发明涉及图像检测识别领域，具体涉及一种基于OCR的线缆字符检测方法及***。
背景技术
光缆生产过程中，对于护套外观上的字符，当印字块安装不当或压印过浅时，字符显示不清晰，部分字符缺失，从而导致光缆型号、长度等信息显示不完整，影响后期敷设施工，客户体验受损；当印字机压印过深时，缆芯套管受力，造成光纤衰减异常，严重影响产品质量。
现有的字符检测方式为人工检测，依靠操作人员肉眼观察识别护套表面的字符质量，当光缆护套生产速度较快时，操作人员检测速度难以跟上，且光缆生产方式为连续性的，持续检测会引起疲劳，容易出现漏检的情况，同时，不同操作人员的主观意识不同，检测标准难以统一，导致光缆的生产效率受到限制，产品质量难以得到提升，且人工成本不断上涨。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于OCR的线缆字符检测方法及***，能够快速实现线缆上印制字符是否存在缺陷的检测，代替人工检测，降低生产成本。
为达到以上目的，本发明采取的技术方案是，包括：
获取正常线缆护套上的字符，将每一段字符作为一个元素；
所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板；
将所述模板作为训练样本对分类器进行训练；
待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。
在上述技术方案的基础上，所述获取正常线缆护套上的字符，将每一段字符作为一个元素，具体步骤包括：
获取正常线缆的护套表面的图像，并对所述图像进行二值化；
基于获取连通域的方式，提取图像中字符所在区域；
获取所述区域中的字符，每一段字符按照设定间距进行融合，且每一段字符作为一个元素。
在上述技术方案的基础上，
所述获取的正常线缆护套表面的图像为多帧，且每帧图像中的元素连接为一个双向链表；
所述基于所述双向链表中的字符生成模板，具体步骤为：基于每一段字符间的相似度，对每帧图像对应的双向链表进行拼接，拼接得到的双向链表中包含正常线缆护套上的所有字符，然后基于拼接得到的双向链表中的字符生成模板。
在上述技术方案的基础上，所述将所述模板作为训练样本对分类器进行训练，具体为：对所述模板的尺寸进行归一化处理，归一化处理后的模板作为训练样本输入分类器，采用SVM算法对分类器进行训练。
在上述技术方案的基础上，所述分类器将待检测线缆上的字符与模板中的字符进行比对识别，具体步骤包括：
将待检测线缆上的字符与模板中的字符军缩放至固定尺寸；
基于均方差算法，计算待检测线缆上每个字符与模板中每个字符间的距离；
建立距离矩阵，使用DTW算法计算待检测线缆上每段字符与模板中每段字符间的距离d，选取所有距离d和的最小匹配序列。
在上述技术方案的基础上，所述基于均方差算法，计算待检测线缆上每段字符间的距离，以及模板中每段字符间的距离，计算公式为：
其中，R(x,y)表示字符间距离，T(x,y)表示模板中字符位置，I(x,y)表示待检测线缆上字符位置。
本发明还提供一种基于OCR的线缆字符检测***，包括：
获取模块，其用于获取正常线缆护套上的字符，将每一段字符作为一个元素；
生成模块，其用于将所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板；
训练模块，其用于将所述模板作为训练样本对分类器进行训练；
比对模块，其用于将待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。
在上述技术方案的基础上，所述获取正常线缆护套上的字符，将每一段字符作为一个元素，具体步骤包括：
获取正常线缆的护套表面的图像，并对所述图像进行二值化；
基于获取连通域的方式，提取图像中字符所在区域；
获取所述区域中的字符，每一段字符按照设定间距进行融合，且每一段字符作为一个元素。
在上述技术方案的基础上，
所述获取的正常线缆护套表面的图像为多帧，且每帧图像中的元素连接为一个双向链表；
所述基于所述双向链表中的字符生成模板，具体步骤为：基于每一段字符间的相似度，对每帧图像对应的双向链表进行拼接，拼接得到的双向链表中包含正常线缆护套上的所有字符，然后基于拼接得到的双向链表中的字符生成模板。
在上述技术方案的基础上，所述将所述模板作为训练样本对分类器进行训练，具体为：对所述模板的尺寸进行归一化处理，归一化处理后的模板作为训练样本输入分类器，采用SVM算法对分类器进行训练。
与现有技术相比，本发明的优点在于：通过获取正常线缆护套上的字符，连接为双向链表，然后基于双向链表中的字符生成模板，将模板作为训练样本对分类器进行训练，进而使用训练完成后的分类器对待检测线缆上的字符进行识别，采用图像识别技术，快速实现线缆上印制字符是否存在缺陷的检测，代替人工检测，降低生产成本。
附图说明
图1为本发明实施例中一种基于OCR的线缆字符检测方法的流程图；
图2为本发明实施例中线缆护套上字符的示例图；
图3为本发明实施例中字符串匹配方式图；
图4为本发明实施例中DTW匹配矩阵图。
具体实施方式
本发明实施例提供一种基于OCR(Optical Character Recognition，光学字符识别)的线缆字符检测方法，基于图像识别技术，快速实现线缆上印制字符是否存在缺陷的检测，代替人工检测，降低生产成本，提高生产效率。本发明实施例还相应的提供了一种基于OCR的线缆字符检测***。
参见图1所示，本发明实施例提供的一种基于OCR的线缆字符检测方法包括：
S1：获取正常线缆护套上的字符，将每一段字符作为一个元素。字符为英文和数字形式，用于表示线缆的规格、生产等信息。对于线缆护套上字符的样式可以参见图2示例，字符以段落的形式存在于护套上，每一段字符包括至少2个字符，其中“2008”为一段字符，“FIBERHOME”为一段字符，“CFOA-SM-AS80-S”为一段字符。对于型号确定的线缆，其护套上的字符内容基本上为固定不变的，一个完整的线缆，其护套上的字符由两部分组成，固定字符部分和米数部分，固定字符部分用于表示型号等信息，固定不变，且固定字符部分由多段字符组成，米数部分随着线缆长度的变化而变化，属于可变部分，本发明实施例中仅对护套上的固定字符部分进行识别检测，米数部分不作识别。
S2：所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板。
本发明实施例中，由于线缆为长条形，在进行线缆护套上字符获取时，无法获取到护套上存在的所有字符，只能获取一段，故在操作时需要获取护套的多段字符，采用去重的方式，将获取到的所有字符以元素为单位，进行拼接，使得生成的模板中包含护套上的所有字符段，即正常线缆上存在的字符段，模板中均包含。
S3：将所述模板作为训练样本对分类器进行训练。该步骤具体为：对所述模板的尺寸进行归一化处理，归一化处理后的模板作为训练样本输入分类器，采用SVM(SupportVector Machine，支持向量机)算法对分类器进行训练。在进行归一化处理时，可将模板的尺寸归一化到长宽均为32的图像上，并分为36类，其中34类为数字0～9以及去除“I”和“O”的字母，剩下2类用于存放米数区域的特殊符号“＝”和负例。
S4：待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。
由于模板中包含护套上的所有完整字符段，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上的字符存在于模板中，表明待检测线缆上字符无缺陷。
本发明实施例的基于OCR的线缆字符检测方法，通过获取正常线缆护套上的字符，连接为双向链表，然后基于双向链表中的字符生成模板，将模板作为训练样本对分类器进行训练，进而使用训练完成后的分类器对待检测线缆上的字符进行识别，采用图像识别技术，快速实现线缆上印制字符是否存在缺陷的检测，代替人工检测，降低生产成本。
可选地，在上述图1对应实施例的基础上，本发明实施例提供的一种基于OCR的线缆字符检测方法的第一个可选实施例中，获取正常线缆护套上的字符，将每一段字符作为一个元素，具体步骤包括：
S101：获取正常线缆的护套表面的图像，并对所述图像进行二值化；
S102：基于获取连通域的方式，提取图像中字符所在区域；
S103：获取所述区域中的字符，每一段字符按照设定间距进行融合，且每一段字符作为一个元素。
获取的正常线缆护套表面的图像为多帧，且每帧图像中的元素连接为一个双向链表。
基于所述双向链表中的字符生成模板，具体步骤为：基于每一段字符间的相似度，对每帧图像对应的双向链表进行拼接，拼接得到的双向链表中包含正常线缆护套上的所有字符，然后基于拼接得到的双向链表中的字符生成模板。
对于各双向链表间字符段的拼接，字符段之间相似度可以通过DTW(动态时间规整)算法计算，具体的计算过程，以下举例说明，将字符段的匹配特征以BA的方式表示，例如“12FO”的特征表示为B12F0A1A2AFA0，以判断“TS”与“12F0”为例，字符串匹配方式图如图3所示，通过DTW算法寻找“B12ATAS”与“B12F0A1A2AFA0”的最短距离，计算方式可转化为最短路径算法，建立距离矩阵，匹配结果值表现为如图4所示。
可选地，在上述一种基于OCR的线缆字符检测方法第一个可选实施例的基础上，本发明实施例提供的一种基于OCR的线缆字符检测方法的第二个可选实施例中，分类器将待检测线缆上的字符与模板中的字符进行比对识别，具体步骤包括：
将待检测线缆上的字符与模板中的字符军缩放至固定尺寸；
基于均方差算法，计算待检测线缆上每个字符与模板中每个字符间的距离；
建立距离矩阵，使用DTW算法计算待检测线缆上每段字符与模板中每段字符间的距离d，选取所有距离d和的最小匹配序列。
基于均方差算法，计算待检测线缆上每段字符间的距离，以及模板中每段字符间的距离，计算公式为：
其中，R(x,y)表示字符间距离，T(x,y)表示模板中字符位置，I(x,y)表示待检测线缆上字符位置。
由于无法确认待检测线缆的字符段是否存在缺失，以及缺失位置在哪，因此需要将待检测线缆上的字符段序列和模板中的字符段序列做有约束的排列，然后从所有排列L中提取一个序列o’,使得序列距离f(d)最小，计算公式为：
其中，Lo'表示取出的序列，L'表示标准序列。
本发明实施例提供的一种基于OCR的线缆字符检测***，包括：
获取模块，其用于获取正常线缆护套上的字符，将每一段字符作为一个元素；
生成模块，其用于将所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板；
训练模块，其用于将所述模板作为训练样本对分类器进行训练；
比对模块，其用于将待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。
获取正常线缆护套上的字符，将每一段字符作为一个元素，具体步骤包括：
获取正常线缆的护套表面的图像，并对所述图像进行二值化；
基于获取连通域的方式，提取图像中字符所在区域；
获取所述区域中的字符，每一段字符按照设定间距进行融合，且每一段字符作为一个元素。
获取的正常线缆护套表面的图像为多帧，且每帧图像中的元素连接为一个双向链表；
基于所述双向链表中的字符生成模板，具体步骤为：基于每一段字符间的相似度，对每帧图像对应的双向链表进行拼接，拼接得到的双向链表中包含正常线缆护套上的所有字符，然后基于拼接得到的双向链表中的字符生成模板。将所述模板作为训练样本对分类器进行训练，具体为：对所述模板的尺寸进行归一化处理，归一化处理后的模板作为训练样本输入分类器，采用SVM算法对分类器进行训练。
本发明实施例的基于OCR的线缆字符检测***，通过获取正常线缆护套上的字符，连接为双向链表，然后基于双向链表中的字符生成模板，将模板作为训练样本对分类器进行训练，进而使用训练完成后的分类器对待检测线缆上的字符进行识别，采用图像识别技术，快速实现线缆上印制字符是否存在缺陷的检测，代替人工检测，降低生产成本。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于OCR的线缆字符检测方法，其特征在于，包括以下步骤：
获取正常线缆护套上的字符，将每一段字符作为一个元素；
所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板；
将所述模板作为训练样本对分类器进行训练；
待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。
2.如权利要求1所述的一种基于OCR的线缆字符检测方法，其特征在于，所述获取正常线缆护套上的字符，将每一段字符作为一个元素，具体步骤包括：
获取正常线缆的护套表面的图像，并对所述图像进行二值化；
基于获取连通域的方式，提取图像中字符所在区域；
获取所述区域中的字符，每一段字符按照设定间距进行融合，且每一段字符作为一个元素。
3.如权利要求2所述的一种基于OCR的线缆字符检测方法，其特征在于：
所述获取的正常线缆护套表面的图像为多帧，且每帧图像中的元素连接为一个双向链表；
所述基于所述双向链表中的字符生成模板，具体步骤为：基于每一段字符间的相似度，对每帧图像对应的双向链表进行拼接，拼接得到的双向链表中包含正常线缆护套上的所有字符，然后基于拼接得到的双向链表中的字符生成模板。
4.如权利要求1所述的一种基于OCR的线缆字符检测方法，其特征在于，所述将所述模板作为训练样本对分类器进行训练，具体为：对所述模板的尺寸进行归一化处理，归一化处理后的模板作为训练样本输入分类器，采用SVM算法对分类器进行训练。
5.如权利要求1所述的一种基于OCR的线缆字符检测方法，其特征在于，所述分类器将待检测线缆上的字符与模板中的字符进行比对识别，具体步骤包括：
将待检测线缆上的字符与模板中的字符军缩放至固定尺寸；
基于均方差算法，计算待检测线缆上每个字符与模板中每个字符间的距离；
建立距离矩阵，使用DTW算法计算待检测线缆上每段字符与模板中每段字符间的距离d，选取所有距离d和的最小匹配序列。
6.如权利要求5所述的一种基于OCR的线缆字符检测方法，其特征在于，所述基于均方差算法，计算待检测线缆上每段字符间的距离，以及模板中每段字符间的距离，计算公式为：
其中，R(x,y)表示字符间距离，T(x,y)表示模板中字符位置，I(x,y)表示待检测线缆上字符位置。
7.一种基于OCR的线缆字符检测***，其特征在于，包括：
获取模块，其用于获取正常线缆护套上的字符，将每一段字符作为一个元素；
生成模块，其用于将所有元素按顺序连接为双向链表，基于所述双向链表中的字符生成模板；
训练模块，其用于将所述模板作为训练样本对分类器进行训练；
比对模块，其用于将待检测线缆上的字符输入训练完成的分类器，分类器将待检测线缆上的字符与模板中的字符进行比对识别，若能识别出将待检测线缆上的字符，则表明待检测线缆上字符无缺陷，反之，则待检测线缆上字符存在缺陷。
8.如权利要求7所述的一种基于OCR的线缆字符检测***，其特征在于，所述获取正常线缆护套上的字符，将每一段字符作为一个元素，具体步骤包括：
获取正常线缆的护套表面的图像，并对所述图像进行二值化；
基于获取连通域的方式，提取图像中字符所在区域；
获取所述区域中的字符，每一段字符按照设定间距进行融合，且每一段字符作为一个元素。
9.如权利要求8所述的一种基于OCR的线缆字符检测***，其特征在于：
所述获取的正常线缆护套表面的图像为多帧，且每帧图像中的元素连接为一个双向链表；
所述基于所述双向链表中的字符生成模板，具体步骤为：基于每一段字符间的相似度，对每帧图像对应的双向链表进行拼接，拼接得到的双向链表中包含正常线缆护套上的所有字符，然后基于拼接得到的双向链表中的字符生成模板。
10.如权利要求7所述的一种基于OCR的线缆字符检测***，其特征在于，所述将所述模板作为训练样本对分类器进行训练，具体为：对所述模板的尺寸进行归一化处理，归一化处理后的模板作为训练样本输入分类器，采用SVM算法对分类器进行训练。
CN201910473296.1A 2019-05-31 2019-05-31 一种基于ocr的线缆字符检测方法及*** Active CN110197181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910473296.1A CN110197181B (zh) 2019-05-31 2019-05-31 一种基于ocr的线缆字符检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910473296.1A CN110197181B (zh) 2019-05-31 2019-05-31 一种基于ocr的线缆字符检测方法及***

Publications (2)

Publication Number Publication Date
CN110197181A true CN110197181A (zh) 2019-09-03
CN110197181B CN110197181B (zh) 2021-04-30

Family

ID=67753714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910473296.1A Active CN110197181B (zh) 2019-05-31 2019-05-31 一种基于ocr的线缆字符检测方法及***

Country Status (1)

Country Link
CN (1) CN110197181B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780685A (zh) * 2022-04-28 2022-07-22 贵州电网有限责任公司 一种自动识别缺陷信息录入情况并通过无人机补录的方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130044149A1 (en) * 2011-08-19 2013-02-21 Takuya Moriai Inkjet recording apparatus
CN103488986A (zh) * 2013-09-18 2014-01-01 西安理工大学 自适应字符切分及提取方法
CN104820986A (zh) * 2015-04-28 2015-08-05 电子科技大学 一种基于机器视觉的线缆在线检测方法
CN105260475A (zh) * 2015-10-30 2016-01-20 努比亚技术有限公司 一种数据查找方法、数据存储方法及相应装置
CN106227668A (zh) * 2016-07-29 2016-12-14 腾讯科技（深圳）有限公司 数据处理方法和装置
CN106650721A (zh) * 2016-12-28 2017-05-10 吴晓军 一种基于卷积神经网络的工业字符识别方法
CN108154144A (zh) * 2018-01-12 2018-06-12 江苏省新通智能交通科技发展有限公司 一种基于图像的船名字符定位方法及***
CN108596173A (zh) * 2018-04-19 2018-09-28 长春理工大学 单相机全视角线号实时识别装置及其检测方法
CN109409272A (zh) * 2018-10-17 2019-03-01 北京空间技术研制试验中心 基于机器视觉的电缆验收***和方法
CN109712162A (zh) * 2019-01-18 2019-05-03 珠海博明视觉科技有限公司 一种基于投影直方图差异的线缆字符缺陷检测方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130044149A1 (en) * 2011-08-19 2013-02-21 Takuya Moriai Inkjet recording apparatus
CN103488986A (zh) * 2013-09-18 2014-01-01 西安理工大学 自适应字符切分及提取方法
CN104820986A (zh) * 2015-04-28 2015-08-05 电子科技大学 一种基于机器视觉的线缆在线检测方法
CN105260475A (zh) * 2015-10-30 2016-01-20 努比亚技术有限公司 一种数据查找方法、数据存储方法及相应装置
CN106227668A (zh) * 2016-07-29 2016-12-14 腾讯科技（深圳）有限公司 数据处理方法和装置
CN106650721A (zh) * 2016-12-28 2017-05-10 吴晓军 一种基于卷积神经网络的工业字符识别方法
CN108154144A (zh) * 2018-01-12 2018-06-12 江苏省新通智能交通科技发展有限公司 一种基于图像的船名字符定位方法及***
CN108596173A (zh) * 2018-04-19 2018-09-28 长春理工大学 单相机全视角线号实时识别装置及其检测方法
CN109409272A (zh) * 2018-10-17 2019-03-01 北京空间技术研制试验中心 基于机器视觉的电缆验收***和方法
CN109712162A (zh) * 2019-01-18 2019-05-03 珠海博明视觉科技有限公司 一种基于投影直方图差异的线缆字符缺陷检测方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780685A (zh) * 2022-04-28 2022-07-22 贵州电网有限责任公司 一种自动识别缺陷信息录入情况并通过无人机补录的方法

Also Published As

Publication number Publication date
CN110197181B (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN106204618A (zh) 基于机器视觉的产品包装表面缺陷检测与分类方法
CN108492291B (zh) 一种基于cnn分割的太阳能光伏硅片瑕疵检测***及方法
CN108562589A (zh) 一种对磁路材料表面缺陷进行检测的方法
CN108763931A (zh) 基于Bi-LSTM和文本相似性的漏洞检测方法
CN104899571A (zh) 一种用于复杂文字识别的随机样本产生方法
CN103745461B (zh) 一种基于区域组合特征的印刷图像缺陷检测方法
CN105389558A (zh) 一种视频检测方法及装置
CN113083804A (zh) 激光智能除锈方法、***及可存读介质
CN109839386B (zh) 一种智能摄像识别***
CN111899216A (zh) 一种高铁接触网绝缘子紧固件的异常检测方法
CN114723708A (zh) 一种基于无监督图像分割的工艺品外观缺陷检测方法
CN114494780A (zh) 基于特征对比的半监督工业缺陷检测方法及***
CN114495124A (zh) 一种试题成绩分析及练习提高***
CN112907562A (zh) 一种基于MobileNet的SMT缺陷分类算法
CN110197181A (zh) 一种基于ocr的线缆字符检测方法及***
CN105975802A (zh) Cad图纸的评分方法及装置
CN115019294A (zh) 一种指针式仪表读数识别方法及***
CN111582331A (zh) 一种基于卷积神经网络的绘画作品作者图像识别方法
CN110689447A (zh) 一种基于深度学习的社交软件用户发布内容的实时检测方法
CN111105396A (zh) 一种基于人工智能的印刷品质量检测方法及***
CN110196897A (zh) 一种基于问答模板的案例识别方法
CN109815957A (zh) 一种基于彩色图像在复杂背景下的文字识别方法
CN116755647B (zh) 一种防止印刷数据错误的印刷方法及***
US11132572B2 (en) Method and system for splicing and restoring shredded paper based on extreme learning machine
CN117331802A (zh) 一种基于工业互联网的中台数据监测分析***

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