CN110472633A - 一种基于深度学习的列车车号检测和识别方法 - Google Patents
一种基于深度学习的列车车号检测和识别方法 Download PDFInfo
- Publication number
- CN110472633A CN110472633A CN201910751748.8A CN201910751748A CN110472633A CN 110472633 A CN110472633 A CN 110472633A CN 201910751748 A CN201910751748 A CN 201910751748A CN 110472633 A CN110472633 A CN 110472633A
- Authority
- CN
- China
- Prior art keywords
- image
- license number
- train
- detection
- recognition
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 4
- 102100032202 Cornulin Human genes 0.000 claims description 10
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005008 domestic process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度学习的列车车号检测和识别方法,涉及图像检测识别技术领域,步骤如下:步骤1、车号图像数据集采集整理扩充,并制作车号检测和车号识别训练集;步骤2、利用图像数据集训练检测车号模型及车号识别模型;步骤3、基于深度神经网络训练得到的车号检测模型,对输入的图像进行分类获得图像中列车车型,并进行车号检测定位车号区域;步骤4、基于深度神经网络训练得到的车号识别模型,对输入车号图像识别得到列车车号;步骤5、根据车号校验算法,校验车号结果,保存并输出车号和图像。本发明通过原始数据的采集和扩充、深度学习神经网络的训练,通过车号校验算法对车型和车号校验判定和优化补全。
Description
技术领域
本发明涉及图像检测识别技术领域,具体而言,涉及一种基于深度学习的列车车号检测和识别方法。
背景技术
目前,随着我国铁路建设的快速发展,铁路已经成为了我国交通运输体系的骨干力量,为国民经济发展提供强大推力。列车车号犹如列车的名字一样,可以用以快速区分车辆信息,国家铁路局已制定相关标准用以规范车型车号的编制、刷漆等。在列车的调度、检修、车辆编组、车辆检修等方面可以通过车号索引快速实现。传统的车号识别方法是人工识别,但存在着效率低、劳动强度高等缺点,现已被车号自动识别设备所取代,以实现对车号的实时连续识别,提高铁路运维***的信息化水平。
目前,国内针对车号自动识别的方法很多,其中以射频识别(RFID)方法和图像识别方法为主。采用射频识别(RFID)技术来实现车号的自动识别,通过在列车上安装RFID电子标签实现车号快速读取和识别,这一方法存在配套设备复杂,造价较高的不足,并且电子标签容易损坏、丢失,对其运行环境及设备维护要求较高。采用图像识别技术实现车号的自动识别,目前国内外针对车号识别的图像算法虽然很多,但大多是采用图像处理的方法,根据车号图像灰度、纹理等特征实现车号字符完整区域的检测,进一步根据独立字符的尺寸特征分割出独立字符,通过分类器实现独立字符的识别,独立字符组合成完整的车号,该方法在稳定的室内场景下可以快速有效的获得车号图像,但自然场景下存在严重的环境光干扰,尤其是反光、耀斑或者光照不足等因素在车号字符分割过程中会导致字符粘连,进一步在后续识别等关键流程导字符识别异常的问题,因而该方法对相机设备安装环境和光源打光方式均有较高的要求。
发明内容
本发明的目的在于针对现有技术的缺陷或不足,提供一种基于深度学习的列车车号检测和识别方法。根据列车车号图像以及相关的车号字符标签,利用深度神经网络训练检测车号模型及车号识别模型;通过车号检测模型,实现图像中列车车型分类和车号字符区域的定位;通过车号识别模型,实现车号识别;根据列车车号规则,结合车型分类结果和车号识别结果对车号进行后校验,最后输出车号结果。
为了解决上述问题,本发明采用的技术方案如下:
一种基于深度学习的列车车号检测和识别方法,步骤如下:
步骤1、通过布置在铁路沿线的图像采集设备获取各种车型的列车图像,并根据需要制作成图像训练数据集;
步骤2、利用图像训练数据集训练检测车号模型及车号识别模型;
步骤3、基于深度神经网络训练得到的车号检测模型,对输入的图像进行分类获得图像中列车车型,并进行车号检测,定位车号区域;
步骤4、基于深度神经网络训练得到的车号识别模型,对输入的车号图像识别,得到列车车号;
步骤5、根据车号校验算法,校验车号结果,保存并输出车号和图像。
进一步,所述步骤1具体为:
步骤11、通过布置在铁路沿线的图像采集设备获取各种车型的列车图像,主要车型有动车、客车、机车、160新型动力集中车型等;
步骤12、对采集获得的图像进行适当的图像处理,具体方式包括:添加随机噪声,均值滤波,透视变化,小角度旋转,灰度拉升等单个或者组合步骤处理,对图像数据集进行扩增;
步骤13、根据获得的图像分别制作车号检测数据集和车号识别数据集;对于车号检测数据集进行标注,尤其是车号相关的字符所在的位置和图像中列车的车型;根据标注的车号字符所在的位置,从采集图像中截取仅车号图像部分的图像,并进行车号字符标注;
进一步,所述步骤2具体为:
步骤21、采用CTPN神经网络模型作为车号位置检测的基础模型进行训练;
步骤22、标准的CTPN神经网络,采用了经典的VGG16卷积神经网络进行图像特征的提取,在VGG16的最后一个卷基层CONV5处CTPN用3×3的卷积核对该特征图做卷积,VGG16中卷基层CONV5之后的池化层和三层全连接层被丢弃;
步骤23、不同于标准的CTPN,所采用的CTPN神经网络在其图像特征提取部分采用完整的VGG16卷积神经网络,并在VGG16的最后利用softmax分类器用于对输入的图像进行车型分类,CTPN主体实现图像车号位置的检测;
步骤24、采用CRNN神经网络作为端到端的车号识别神经网络进行训练;
步骤25、车号识别训数据集的图像高度统一设置为32个像素,宽度按高度的缩放比例进行相应缩放,将缩放后的图像,对应的车号,还有图像宽度输入CRNN模型进行训练;
进一步,所述步骤3具体为:
步骤31、将图像输入训练好的CTPN神经网络,得到该图像的车型分类结果和车号区域的坐标,根据车号区域坐标截取车号区域图像;
进一步,所述步骤4具体为:
步骤41、基于步骤31中截取的车号区域图像,图像长宽比大于20、长宽比小于2的、图像像素高度小于16、图像像素长度小于80的均排除,其余图像输入训练好的CRNN神经网络,得到对应的车号识别结果;
进一步,所述步骤5具体为:
步骤51、基于步骤31得到的车型分类结果和步骤41得到的车号识别结果,采用车号校验算法,根据车号分布规律进行车号校验判定和补全,最后保存和输出车号结果和对应的图像。
综上所述,由于采用了上述的技术方案,本发明的有益效果是:利用车号检测数据集和车号识别数据集训练车号检测和识别神经网络。通过扩增CTPN神经网络模型可以对车号图像进行车型分类并得到车号区域的坐标,通过CRNN车号识别模型可以端到端的从车号图像中识别出对应车号结果,顺序执行上述两个模型可以端到端的从原始图像中识别出车号结果和图像车型分类结果。通过车号校验算法,可以对车型分类结果和车号识别结果综合分析,对车结果正确与否进行自校验,对车号不全的结果进行补全。该方法能够高效准确的识别图像中列车车号,相比于传统图像识别方法该方法对图像质量要求更低,能够满足自然场景下的车号检测识别要求,识别流程更简单,对图像模糊、光斑、车号掉漆等情况的识别能力更强、鲁棒性更高。
附图说明
图1为本实施例的一种基于深度学习的列车车号检测和识别方法的流程示意图;
图2为本实施例一种基于深度学习的列车车号检测和识别方法的检测与识别效果图。
具体实施方式
下面将结合附图说明和具体实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参阅图1所示,为本实施例的一种基于深度学习的列车车号检测和识别方法的流程示意图,具体步骤为:
步骤1、车号图像数据集采集整理扩充,并制作车号检测训练集和车号识别训练集。
步骤11、通过布置在铁路沿线的图像采集设备获取各种车型的列车图像,并将图片统一保存成960×640大小的尺寸,图像格式统一为bmp格式;
步骤12、对采集获得的7000张图像进行适当的图像处理,具体方式包括:添加随机噪声,均值滤波,透视变化,小角度旋转,灰度拉升等单个或者组合步骤处理,实现图像数据集的扩增,扩增至21000张图像;
步骤13、根据获得的图像分别制作车号检测数据集和车号识别数据集;对于车号检测数据集进行标注,尤其是车号相关的字符所在的位置和和图像中列车的车型;标注文件保存成detection.txt文本格式,文本每一行的内容如下:
picture_name x1,y1,x2,y2,x3,y3,x4,y4train_type
其中picture_name表示图像名称,x1,y1...x4,y4表示图像中车号字符区域矩形框四个点的坐标,train_type表示图像中列车的车型;
根据标注的车号字符所在的位置,从采集图像中截取仅车号图像部分的图像,并进行车号字符标注,标注文件保存成recognition.txt文本格式,文本每一行的内容如下:
picture_name train_number
其中picture_name表示图像名称,train_number表示列车车号对应的字符。
步骤2、利用图像数据集训练检测车号模型及车号识别模型,具体为:
步骤21、采用CTPN神经网络模型作为车号位置检测的基础模型进行训练;
步骤22、标准的CTPN神经网络,采用了经典的VGG16卷积神经网络进行图像特征的提取,在VGG16的最后一个卷基层CONV5处CTPN用3×3的卷积核对该特征图做卷积,VGG16中卷基层CONV5之后的池化层和三层全连接层被丢弃;
步骤23、不同于标准的CTPN,所采用的CTPN神经网络在其图像特征提取部分采用完整的VGG16卷积神经网络,并在VGG16的最后利用softmax分类器用于对输入的图像进行车型分类,CTPN主体实现图像车号位置的检测;
步骤24、采用CRNN神经网络作为端到端的车号识别神经网络进行训练;
步骤25、车号识别训数据集的图像高度统一设置为32个像素,宽度按高度的缩放比例进行相应缩放,将缩放后的图像,对应的车号,还有图像宽度输入CRNN模型进行训练;
步骤3、采用步骤2得到的神经网络模型进行车号检测和识别,并用车号校验算法对得到的车型和车号结果进行校验和优化。
步骤31、将图像输入训练好的CTPN神经网络,得到该图像的车型分类结果和车号区域的坐标,根据车号区域坐标截取车号区域图像;
步骤4、基于步骤31中截取的车号区域图像,图像长宽比大于20、长宽比小于2的、图像像素高度小于16、图像像素长度小于80的均排除,其余图像输入训练好的CRNN神经网络,得到对应的车号识别结果;
步骤5、将得到的车型分类结果和车号识别结果,采用车号校验算法,根据车号分布规律进行车号校验判定和补全,最后保存和输出车号结果和对应的图像。
实施例1的检测识别和校验结果如图2所示。
以上所述仅为本发明的部分实施例而已,并不以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的列车车号检测和识别方法,其特征在于,包括以下步骤:
步骤1、通过布置在铁路沿线的图像采集设备获取各种车型的列车图像,并根据需要制作成图像训练数据集;
步骤2、利用图像训练数据集训练检测车号模型及车号识别模型;
步骤3、基于深度神经网络训练得到的车号检测模型,对输入的图像进行分类获得图像中列车车型,并进行车号检测,定位车号区域;
步骤4、基于深度神经网络训练得到的车号识别模型,对输入的车号图像识别,得到列车车号;
步骤5、根据车号校验算法,校验车号结果,保存并输出车号和图像。
2.根据权利要求1所述的一种基于深度学习的列车车号检测和识别方法,其特征在于,步骤1具体如下:
步骤11、通过布置在铁路沿线的图像采集设备获取各种车型的列车图像;
步骤12、对采集获得的图像进行图像处理实现图像数据集的扩增,具体方式包括:添加随机噪声,均值滤波,透视变化,小角度旋转,灰度拉升等单个或者组合步骤;
步骤13、根据获得的图像分别制作车号检测数据集和车号识别数据集;对于车号检测数据集进行标注,尤其是车号相关的字符所在的位置和图像中列车的车型;根据标注的车号字符所在的位置,从采集图像中截取仅车号图像部分的图像,并进行车号字符标注。
3.根据权利要求1所述的一种基于深度学习的列车车号检测和识别方法,其特征在于,步骤2具体如下:
步骤21、采用CTPN神经网络模型作为车号位置检测的基础模型进行训练;
步骤22、标准的CTPN神经网络,采用了经典的VGG16卷积神经网络进行图像特征的提取,在VGG16的最后一个卷基层CONV5处CTPN用3×3的卷积核对该特征图做卷积,VGG16中卷基层CONV5之后的池化层和三层全连接层被丢弃;
步骤23、不同于标准的CTPN,扩增的CTPN神经网络在其图像特征提取部分采用完整的VGG16卷积神经网络,并在VGG16的最后利用softmax分类器用于对输入的图像进行车型分类,CTPN主体实现图像车号位置的检测;
步骤24、采用CRNN神经网络作为端到端的车号识别神经网络进行训练;
步骤25、车号识别训数据集的图像高度统一设置为32个像素,宽度按高度的缩放比例进行相应缩放,将缩放后的图像,对应的车号,还有图像宽度输入CRNN模型进行训练。
4.根据权利要求1所述的一种基于深度学习的列车车号检测和识别方法,其特征在于,步骤3具体如下:
步骤31、将图像输入训练好的CTPN神经网络,得到该图像的车型分类结果和车号区域的坐标,根据车号区域坐标截取车号区域图像。
5.根据权利要求1所述的一种基于深度学习的列车车号检测和识别方法,其特征在于,步骤4具体如下:
步骤41、基于步骤31中截取的车号区域图像,图像长宽比大于20、长宽比小于2的、图像像素高度小于16、图像像素长度小于80的均排除,其余图像输入训练好的CRNN神经网络,得到对应的车号识别结果。
6.根据权利要求1所述的一种基于深度学习的列车车号检测和识别方法,其特征在于,步骤5具体如下:
步骤51、基于步骤31得到的车型分类结果和步骤41得到的车号识别结果,采用车号校验算法,根据车号分布规律进行车号校验判定和补全,最后保存和输出车号结果和对应的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910751748.8A CN110472633A (zh) | 2019-08-15 | 2019-08-15 | 一种基于深度学习的列车车号检测和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910751748.8A CN110472633A (zh) | 2019-08-15 | 2019-08-15 | 一种基于深度学习的列车车号检测和识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472633A true CN110472633A (zh) | 2019-11-19 |
Family
ID=68510830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910751748.8A Pending CN110472633A (zh) | 2019-08-15 | 2019-08-15 | 一种基于深度学习的列车车号检测和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472633A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909745A (zh) * | 2019-12-24 | 2020-03-24 | 新疆九洲熏蒸消毒有限责任公司 | 列车消毒通道识别*** |
CN110991447A (zh) * | 2019-11-25 | 2020-04-10 | 北京交通大学 | 基于深度学习的列车车号精确定位与识别方法 |
CN111539421A (zh) * | 2020-04-03 | 2020-08-14 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的铁路机车车号的识别方法 |
CN111833302A (zh) * | 2020-06-05 | 2020-10-27 | 中铁武汉勘察设计研究院有限公司 | 一种车号与箱号识别关联*** |
CN111832556A (zh) * | 2020-06-04 | 2020-10-27 | 国家***南海调查技术中心(国家***南海浮标中心) | 一种基于深度学习的船舷字符精准检测方法 |
CN112418097A (zh) * | 2020-11-24 | 2021-02-26 | 中铁第一勘察设计院集团有限公司 | 基于深度学习目标检测的地铁车号识别方法 |
CN112699952A (zh) * | 2021-01-06 | 2021-04-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的列车故障图像扩增方法及*** |
CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及***、存储介质及终端 |
CN115527197A (zh) * | 2022-09-22 | 2022-12-27 | 宁波港信息通信有限公司 | 车号识别方法、装置、计算机设备以及卡车 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409014A (zh) * | 2008-11-26 | 2009-04-15 | 战国新 | 一种交通道路机动车辆身份识别*** |
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
CN105844266A (zh) * | 2016-06-12 | 2016-08-10 | 桂林金铱星科技发展有限公司 | 反遮挡和涂改的车牌识别***及方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN107845154A (zh) * | 2017-12-14 | 2018-03-27 | 湖北工程职业学院 | 一种收费站取卡装置 |
-
2019
- 2019-08-15 CN CN201910751748.8A patent/CN110472633A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409014A (zh) * | 2008-11-26 | 2009-04-15 | 战国新 | 一种交通道路机动车辆身份识别*** |
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
CN105844266A (zh) * | 2016-06-12 | 2016-08-10 | 桂林金铱星科技发展有限公司 | 反遮挡和涂改的车牌识别***及方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN107845154A (zh) * | 2017-12-14 | 2018-03-27 | 湖北工程职业学院 | 一种收费站取卡装置 |
Non-Patent Citations (1)
Title |
---|
张亮: ""基于深度学习的列车车牌识别研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991447A (zh) * | 2019-11-25 | 2020-04-10 | 北京交通大学 | 基于深度学习的列车车号精确定位与识别方法 |
CN110991447B (zh) * | 2019-11-25 | 2024-05-17 | 北京交通大学 | 基于深度学习的列车车号精确定位与识别方法 |
CN110909745A (zh) * | 2019-12-24 | 2020-03-24 | 新疆九洲熏蒸消毒有限责任公司 | 列车消毒通道识别*** |
CN111539421A (zh) * | 2020-04-03 | 2020-08-14 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的铁路机车车号的识别方法 |
CN111832556A (zh) * | 2020-06-04 | 2020-10-27 | 国家***南海调查技术中心(国家***南海浮标中心) | 一种基于深度学习的船舷字符精准检测方法 |
CN111833302A (zh) * | 2020-06-05 | 2020-10-27 | 中铁武汉勘察设计研究院有限公司 | 一种车号与箱号识别关联*** |
CN112418097A (zh) * | 2020-11-24 | 2021-02-26 | 中铁第一勘察设计院集团有限公司 | 基于深度学习目标检测的地铁车号识别方法 |
CN112699952A (zh) * | 2021-01-06 | 2021-04-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的列车故障图像扩增方法及*** |
CN114299408A (zh) * | 2021-12-31 | 2022-04-08 | 哪吒港航智慧科技(上海)有限公司 | 轮胎吊车号箱号识别方法及***、存储介质及终端 |
CN115527197A (zh) * | 2022-09-22 | 2022-12-27 | 宁波港信息通信有限公司 | 车号识别方法、装置、计算机设备以及卡车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472633A (zh) | 一种基于深度学习的列车车号检测和识别方法 | |
CN101807352B (zh) | 一种模糊模式识别的车位检测方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN113947590B (zh) | 一种基于多尺度注意力引导和知识蒸馏的表面缺陷检测方法 | |
CN102902974B (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN106355180B (zh) | 一种基于颜色与边缘特征相结合的车牌定位方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN103442209A (zh) | 一种输电线路的视频监控方法 | |
CN104268588B (zh) | 铁路货车闸瓦钎丢失故障的自动检测方法 | |
CN103902981A (zh) | 一种基于字符融合特征的车牌字符识别方法及*** | |
CN104598916B (zh) | 一种火车识别***的构建方法和火车识别的方法 | |
CN102880863B (zh) | 一种基于可变形部件模型的车牌及驾驶员人脸定位方法 | |
CN105447530A (zh) | 基于图像识别技术的输电线路隐患及故障检测方法 | |
CN105354589A (zh) | 一种在接触网图像中智能识别绝缘子裂损的方法及*** | |
CN101957309A (zh) | 一种能见度的全天候视频测量方法 | |
CN103488978A (zh) | 一种基于灰度跳变和字符投影间隔模式的车牌定位方法 | |
CN102880859A (zh) | 一种车牌识别方法 | |
CN103310211A (zh) | 一种基于图像处理的填注标记识别方法 | |
CN110135302A (zh) | 训练车道线识别模型的方法、装置、设备和存储介质 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN105550710A (zh) | 基于非线性拟合的接触网运行异常状态智能检测方法 | |
Hsia et al. | An Intelligent IoT-based Vision System for Nighttime Vehicle Detection and Energy Saving. | |
CN111401364B (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210019 floor 12, building 01, No. 8, Bailongjiang East Street, Jianye District, Nanjing, Jiangsu Province Applicant after: NANJING TYCHO INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room 113, 11 / F, building 03, No. 18, Jialing Jiangdong Street, Jianye District, Nanjing City, Jiangsu Province, 210019 Applicant before: NANJING TYCHO INFORMATION TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |