CN110751138A - 一种基于yolov3和CNN的盘头标识识别方法 - Google Patents
一种基于yolov3和CNN的盘头标识识别方法 Download PDFInfo
- Publication number
- CN110751138A CN110751138A CN201910857847.4A CN201910857847A CN110751138A CN 110751138 A CN110751138 A CN 110751138A CN 201910857847 A CN201910857847 A CN 201910857847A CN 110751138 A CN110751138 A CN 110751138A
- Authority
- CN
- China
- Prior art keywords
- identification
- yolov3
- picture
- cnn
- pan head
- 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
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
一种基于yolov3和CNN的盘头标识识别方法,包括以下步骤:1)盘头图片获取:在实际的生产环境下,通过摄像头采集数据;2)盘头图片处理:先切割出原图中完整的盘头标识,用yolov3模型训练盘头标识的切割;3)再根据切割出的盘头标识图片切割出单个字符图片;4)用CNN卷积神经网络训练盘头标识字符的识别;5)***调试:将盘头标识切割、字符切割和字符识别整合成一个***;6)配置树莓派4的环境,移植***,最后在树莓派上测试。本发明检测速度快和精度高,能提高生产效率和降低成本,具有较高的实际应用价值。
Description
技术领域
本发明涉及深度学习、计算机视觉、目标检测、文字识别、嵌入式***,特别是一种基于yolov3和CNN的盘头标识识别方法。
背景技术
随着科学技术的快速发展,现代经编工业向高速生产、智能控制、多功能、简便使用、物联网设计等方向发展,在现代科技的推动下,经编产品的生产效率提高,产品质量也有提升。而经编机盘头是经编机上面很重要的一个零件,想要经编机高效率的工作,盘头的选择很重要。
由于纱线种类偏多,为方便管理提高生产效率,在每个盘头上都印刷上由大写英文字母和***数字组成的5字标识,可以通过识别盘头来区分不同种类的纱线。在实际工厂生产中盘头的识别还是通过人工来识别分类,存在的技术缺陷:准确率较低、生产效率较低。
发明内容
为了克服现有盘头通过人工来识别分类的准确率较低、生产效率较低的不足,本发明提供一种基于yolov3和CNN的盘头标识识别方法,在保证识别准确率的情况下,既能减少人工成本又可以有效地提高自动化生产效率。
本发明解决其技术问题所采用的技术方案如下:
一种基于yolov3和CNN的盘头标识识别方法,包括以下步骤:
S1:盘头图片获取:在实际的生产环境下,通过摄像头采集数据,分别采集在实际环境不同光线下印刷有红色标识的盘头;
S2:盘头图片处理:先切割出原图中完整的盘头标识,用yolov3模型训练盘头标识的切割;
S3:再根据切割出的盘头标识图片切割出单个字符图片;
S4:用CNN卷积神经网络训练盘头标识字符的识别;
S5:***调试:将盘头标识切割、字符切割和字符识别整合成一个***;
S6:配置树莓派4的环境,移植***,最后在树莓派上调试。
进一步,所述步骤S1中,搭建实际的***平台,固定摄像头位置,根据盘头滚过的触发指令让摄像头拍照,并保存为JPG格式。
再进一步,所述步骤S2包括以下步骤:
S2-1:首先制作训练用的数据集,收集包含盘头的图片,将部分图片作为训练集,通过人工标注软件Labelimg人工标注盘头标识的边框,标签类别标为“biaozhi”,每一张图片都有一个相应的名字生成对应xml文件,将图片和xml文件做成VOC数据集格式,并且需要生成训练测试时用的train.txt,val.txt,test.txt和trainval.txt文件;
S2-2:所述yolov3模型中,yolov3使用的特征提取网络是DarkNet53,这个网络由残差单元叠加而成,将盘头原图作为神经网络的输入,首先通过特征提取网络,输出N*N的卷积特征图,生成N*N个gird cell,再经过预测层anchor boxes输出目标的类别和坐标。Bounding box坐标(zx,zy,zw,zh)预测计算公式如下:
zx=σ(qx)+cx
zy=σ(qy)+cy
其中qx,qy,qw,qh为yolov3每个Bounding box预测的中心点坐标与预测框的宽、高,cx,cy为框的中心坐标所在grid cell网格的坐标偏移量,pw,ph为预测前anchor的宽高,首先确定groundtruth中的目标中心坐标落在哪个Grid cell,然后根据该Grid cell来预测目标,yolov3中每个grid cell有三个anchor,在计算预测坐标zx,zy,zw,zh的loss时,选择三个anchor中置信度最高的来计算groundtruth的loss;
最后对预测的目标进行NMS处理,最后保留目标概率最高的矩形框,并且输出其矩形框的顶点坐标;
S2-3:根据训练好的模型切割出盘头标识和输出的顶点坐标,通过盘头标志长宽比筛选目标图片,将筛选出来的图片通过OpenCV透视变换进行矫正,透视变换的计算公式如下:
式中src()是输入矫正前图片的顶点坐标,dst()是输出矫正后的顶点坐标,M是3*3的变换矩阵,应用OpenCV里的getPerspectiveTransform()函数计算变换矩阵M。
更进一步,所述步骤3包括以下步骤:
S3-1:首先将经过矫正的目标标识图片进行降噪处理;
S3-2:将去噪后的图片通过二值化和HSV红色提取进行叠加得到最后的二值化图片;
S3-3:将得到的二值化图片进行分割单个字符,图片是一个0-1矩阵,其中0是背景1是字符,根据每一列的0-1数来切割,将每一列的1和0的个数分别统计起来,根据每一列的0-1总和变换来切割字符,将分割好的5个字符依次添加到一个列表保证顺序不会乱。
再进一步,上述步骤4包括以下步骤:
S4-1:将切割好的单个字符,作为CNN字符识别模型训练的数据集,共有10个数字和24个大写字母34个类,不包括字母“O”和“I”;
S4-2:根据制作好的数据集训练CNN网络。
再进一步,所述步骤S5的过程如下:将获取盘头标识,切割标识单个字符和字符识别整合到一个***,先根据训练好的yolov3模型获取原图中的盘头标识,通过筛选切割的标识的长宽比,保留最佳标识图片,将获取到的盘头标识切割出每个字符,取得单个字符切割后的顺序,再根据盘头文字顺序传入训练好的CNN模型,识别各个字符,得到完整的盘头标识输出。
所述步骤S6中,配置好树莓派4所需的Python3、Tensorflow和OpenCV等环境,将整合后的***移植到树莓派上,在树莓派上调试。
本发明根据计算机技术设计了一套能自动识别盘头标识的嵌入式***,这样既能降低人工成本又能提高自动化生产效率。该识别***主要基于Tensorflow深度学***台树莓派4上运行。
本发明的有益效果为:在保证速度和准确率的情况下,yolov3能够适应光线的变化对盘头标志进行获取,这是明显优于传统图像处理方法的,CNN神经网络的分类在精度上也要比传统方法好,主要这整套***能提高生产效率,降低生产成本。
附图说明
图1为本发明实施例的***流程图;
图2为本发明实施例的yolov3的结构流程图;
图3为本发明实施例的CNN算法流程图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。
参照图1-图3,一种基于yolov3和CNN的盘头标识识别方法,包括以下步骤:
S1:盘头图片获取:在实际的生产环境下,通过摄像头采集数据,分别采集在实际环境不同光线下印刷有红色标识的盘头;
S2:盘头图片处理:先切割出原图中完整的盘头标识,用yolov3模型训练盘头标识的切割;
S3:再根据切割出的盘头标识图片切割出单个字符图片;
S4:用CNN卷积神经网络训练盘头标识字符的识别;
S5:***调试:将盘头标识切割、字符切割和字符识别整合成一个***;
S6:配置树莓派4的环境,移植***,最后在树莓派上调试。
进一步,所述步骤S1中,搭建实际的***平台,固定摄像头位置,根据盘头滚过的触发指令让摄像头拍照,并保存为JPG格式。
再进一步,所述步骤S2包括以下步骤:
S2-1:首先制作训练用的数据集,收集包含盘头的图片,将部分图片作为训练集,通过人工标注软件Labelimg人工标注盘头标识的边框,标签类别标为“biaozhi”,每一张图片都有一个相应的名字生成对应xml文件,将图片和xml文件做成VOC数据集格式,并且需要生成训练测试时用的train.txt,val.txt,test.txt和trainval.txt文件;
S2-2:所述yolov3模型中,yolov3使用的特征提取网络是DarkNet53,这个网络由残差单元叠加而成。将盘头原图作为神经网络的输入,首先通过特征提取网络,输出N*N的卷积特征图,生成N*N个gird cell,再经过预测层anchor boxes输出目标的类别和坐标。Bounding box坐标(zx,zy,zw,zh)预测计算公式如下:
zx=σ(qx)+cx
zy=σ(qy)+cy
其中qx,qy,qw,qh为yolov3每个Bounding box预测的中心点坐标与预测框的宽、高,cx,cy为框的中心坐标所在grid cell网格的坐标偏移量,pw,ph为预测前anchor的宽高;首先确定groundtruth中的目标中心坐标落在哪个Grid cell,然后根据该Grid cell来预测目标,yolov3中每个grid cell有三个anchor,在计算预测坐标zx,zy,zw,zh的loss时,选择三个anchor中置信度最高的来计算groundtruth的loss;
最后对预测的目标进行NMS处理,最后保留目标概率最高的矩形框,并且输出其矩形框的顶点坐标;
S2-3:根据训练好的模型切割出盘头标识和输出的顶点坐标,可以通过盘头标志大致长宽比筛选目标图片,将筛选出来的图片通过OpenCV透视变换进行矫正,透视变换的计算公式如下:
式中src()是输入矫正前图片的顶点坐标,dst()是输出矫正后的顶点坐标,M是3*3的变换矩阵,应用OpenCV里的getPerspectiveTransform()函数计算变换矩阵M。
更进一步,所述步骤3包括以下步骤:
S3-1:首先将经过矫正的目标标识图片进行降噪处理;
S3-2:将去噪后的图片通过二值化和HSV红色提取进行叠加得到最后的二值化图片;
S3-3:将得到的二值化图片进行分割单个字符,图片是一个0-1矩阵,其中0是背景1是字符,根据每一列的0-1数来切割,将每一列的1和0的个数分别统计起来,根据每一列的0-1总和变换来切割字符,将分割好的5个字符依次添加到一个列表保证顺序不会乱。
再进一步,所述步骤4包括以下步骤:
S4-1:将切割好的单个字符,作为CNN字符识别模型训练的数据集,共有10个数字和24个大写英文字母,不包括字母“O”和“I”;
S4-2:根据制作好的数据集训练CNN网络。
再进一步,所述步骤5的过程如下:将获取盘头标识,切割标识单个字符和字符识别整合到一个***,先根据训练好的yolov3模型获取原图中的盘头标识,通过筛选切割的标识的长宽比,保留最佳标识图片,将获取到的盘头标识切割出每个字符,取得单个字符切割后的顺序,再根据盘头文字顺序传入训练好的CNN模型,识别各个字符,得到完整的盘头标识输出。
所述步骤6中,配置好树莓派4所需的Python3、Tensorflow和OpenCV等环境,将整合后的***移植到树莓派上,在树莓派上调试。
如上所述为本发明基于yolov3目标检测和应用神经网络的盘头标识识别的方法的实施例介绍,本发明通过训练yolov3模型和CNN模型来识别盘头标识,在保证速度和精度的情况下,大大的提高了生产效率,降低生产成本。
以上所述,仅为本发明专利较佳的实施例,对本发明而言仅仅是说明性,而非限制性,任何熟悉本技术领域的技术人员在本发明专科所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (7)
1.一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述方法包括以下步骤:
S1:盘头图片获取:在实际的生产环境下,通过摄像头采集数据,分别采集在实际环境不同光线下印刷有红色标识的盘头;
S2:盘头图片处理:先切割出原图中完整的盘头标识,用yolov3模型训练盘头标识的切割;
S3:再根据切割出的盘头标识图片切割出单个字符图片;
S4:用CNN卷积神经网络训练盘头标识字符的识别;
S5:***调试:将盘头标识切割、字符切割和字符识别整合成一个***;
S6:配置树莓派4的环境,移植***,最后在树莓派上调试。
2.如权利要求1所述的一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述步骤S1中,搭建实际的***平台,固定摄像头位置,根据盘头滚过的触发指令让摄像头拍照,并保存为JPG格式。
3.如权利要求1或2所述的一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述步骤S2包括以下步骤:
S2-1:首先制作训练用的数据集,收集包含盘头的图片,将部分图片作为训练集,通过人工标注软件Labelimg人工标注盘头标识的边框,标签类别标为“biaozhi”,每一张图片都有一个相应的名字生成对应xml文件,将图片和xml文件做成VOC数据集格式,并且需要生成训练测试时用的train.txt,val.txt,test.txt和trainval.txt文件;
S2-2:所述yolov3模型中,yolov3使用的特征提取网络是DarkNet53,这个网络由残差单元叠加而成,将盘头原图作为神经网络的输入,首先通过特征提取网络,输出N*N的卷积特征图,生成N*N个gird cell,再经过预测层anchor boxes输出目标的类别和坐标,Bounding box坐标(zx,zy,zw,zh)预测计算公式如下:
zx=σ(qx)+cx
zy=σ(qy)+cy
其中qx,qy,qw,qh为yolov3每个Bounding box预测的中心点坐标与预测框的宽、高,cx,cy为框的中心坐标所在grid cell网格的坐标偏移量,pw,ph为预测前anchor的宽高;首先确定groundtruth中的目标中心坐标落在哪个Grid cell,然后根据该Grid cell来预测目标,yolov3中每个grid cell有三个anchor,在计算预测坐标zx,zy,zw,zh的loss时,选择三个anchor中置信度最高的来计算groundtruth的loss;
目标类别损失Lcla(o,c)采用的是二值交叉熵损失,其中oij∈{0,1},表示预测目标边界框i是否存在目标,表示网络预测目标边界框i内存在目标的sigmoid概率,计算公式如下所示:
最后对预测的目标进行NMS处理,最后保留目标概率最高的矩形框,并且输出其矩形框的顶点坐标;
S2-3:根据训练好的模型切割出盘头标识和输出的顶点坐标,通过盘头标志大致长宽比筛选目标图片,将筛选出来的图片通过OpenCV透视变换进行矫正,透视变换的计算公式如下:
式中src()是输入矫正前图片的顶点坐标,dst()是输出矫正后的顶点坐标,M是3*3的变换矩阵,应用OpenCV里的getPerspectiveTransform()函数计算变换矩阵M。
4.如权利要求1或2所述的一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述步骤3包括以下步骤:
S3-1:首先将经过矫正的目标标识图片进行降噪处理;
S3-2:将去噪后的图片通过二值化和HSV红色提取进行叠加得到最后的二值化图片;
S3-3:将得到的二值化图片进行分割单个字符,图片是一个0-1矩阵,其中0是背景1是字符,根据每一列的0-1数来切割,将每一列的1和0的个数分别统计起来,根据每一列的0-1总和变换来切割字符,将分割好的5个字符依次添加到一个列表保证顺序不会乱。
5.如权利要求1或2所述的一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述步骤4包括以下步骤:
S4-1:将切割好的单个字符,作为CNN字符识别模型训练的数据集,共有10个数字和24个大写字母34个类,不包括字母“O”和“I”;
S4-2:根据制作好的数据集训练CNN网络。
6.如权利要求1或2所述的一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述步骤S5的过程如下,将获取盘头标识,切割标识单个字符和字符识别整合到一个***,先根据训练好的yolov3模型获取原图中的盘头标识,通过筛选切割的标识的长宽比,保留最佳标识图片,将获取到的盘头标识切割出每个字符,取得单个字符切割后的顺序,再根据盘头文字顺序传入训练好的CNN模型,识别各个字符,得到完整的盘头标识输出。
7.如权利要求1或2所述的一种基于yolov3和CNN的盘头标识识别方法,其特征在于,所述步骤S6中,配置好树莓派4所需的Python3、Tensorflow和OpenCV等环境,将整合后的***移植到树莓派上,在树莓派上调试,通过树莓派连接的摄像头拍摄图片,经过算法处理最后输出盘头标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857847.4A CN110751138A (zh) | 2019-09-09 | 2019-09-09 | 一种基于yolov3和CNN的盘头标识识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857847.4A CN110751138A (zh) | 2019-09-09 | 2019-09-09 | 一种基于yolov3和CNN的盘头标识识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751138A true CN110751138A (zh) | 2020-02-04 |
Family
ID=69276304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857847.4A Pending CN110751138A (zh) | 2019-09-09 | 2019-09-09 | 一种基于yolov3和CNN的盘头标识识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751138A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307919A (zh) * | 2020-10-22 | 2021-02-02 | 福州大学 | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 |
CN112508017A (zh) * | 2020-12-15 | 2021-03-16 | 通号智慧城市研究设计院有限公司 | 数显仪表读数智能识别方法、***、处理设备和存储介质 |
CN112529003A (zh) * | 2020-12-09 | 2021-03-19 | 安徽工业大学 | 一种基于Faster-RCNN的仪表盘数字识别方法 |
CN112818980A (zh) * | 2021-01-15 | 2021-05-18 | 湖南千盟物联信息技术有限公司 | 一种基于Yolov3算法的钢包号检测识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202848488U (zh) * | 2012-08-20 | 2013-04-03 | 杭州民安智能***有限公司 | 物料盘检测*** |
CN109919012A (zh) * | 2019-01-28 | 2019-06-21 | 北控水务(中国)投资有限公司 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
CN109948609A (zh) * | 2019-03-06 | 2019-06-28 | 南京邮电大学 | 基于深度学习的智能阅卷定位方法 |
CN110020615A (zh) * | 2019-03-20 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 对图片进行文字提取及内容识别的方法和*** |
-
2019
- 2019-09-09 CN CN201910857847.4A patent/CN110751138A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202848488U (zh) * | 2012-08-20 | 2013-04-03 | 杭州民安智能***有限公司 | 物料盘检测*** |
CN109919012A (zh) * | 2019-01-28 | 2019-06-21 | 北控水务(中国)投资有限公司 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
CN109948609A (zh) * | 2019-03-06 | 2019-06-28 | 南京邮电大学 | 基于深度学习的智能阅卷定位方法 |
CN110020615A (zh) * | 2019-03-20 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 对图片进行文字提取及内容识别的方法和*** |
Non-Patent Citations (5)
Title |
---|
SIMON MONK: "《树莓派开发实战》", 31 May 2017 * |
刘瑞祯等: "《OpenCV教程 基础篇》", 30 June 2007 * |
孟琪等: "基于颜色特征及投影变换的集装箱标识符分割", 《信息技术与信息化》 * |
徐国标等: "基于YOLO改进算法的远程塔台运动目标检测", 《科学技术与工程》 * |
陈慧岩等: "《智能车辆理论与应用》", 31 July 2018 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307919A (zh) * | 2020-10-22 | 2021-02-02 | 福州大学 | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 |
CN112529003A (zh) * | 2020-12-09 | 2021-03-19 | 安徽工业大学 | 一种基于Faster-RCNN的仪表盘数字识别方法 |
CN112508017A (zh) * | 2020-12-15 | 2021-03-16 | 通号智慧城市研究设计院有限公司 | 数显仪表读数智能识别方法、***、处理设备和存储介质 |
CN112818980A (zh) * | 2021-01-15 | 2021-05-18 | 湖南千盟物联信息技术有限公司 | 一种基于Yolov3算法的钢包号检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN110751138A (zh) | 一种基于yolov3和CNN的盘头标识识别方法 | |
CN111540006B (zh) | 基于深度迁移学习的植物气孔智能检测与识别方法及*** | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、***、设备及存储介质 | |
CN113553977B (zh) | 一种基于改进yolo v5的安全帽检测方法和*** | |
CN107871316B (zh) | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN112651969B (zh) | 结合多信息融合网络和区域增长的气管树分级提取方法 | |
CN110929795B (zh) | 高速焊线机焊点快速识别与定位方法 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和*** | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN112507758A (zh) | 答题卡字符串识别方法、装置、终端和计算机存储介质 | |
CN114998220A (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN115034200A (zh) | 图纸信息提取方法、装置、电子设备及存储介质 | |
CN116258956A (zh) | 无人机树木识别方法、设备、存储介质及装置 | |
CN110188662A (zh) | 一种水表数字的ai智能识别方法 | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
CN110287981A (zh) | 基于生物启发性表征学习的显著性检测方法及*** | |
CN111310611B (zh) | 细胞视野图的检测方法及存储介质 | |
CN117576038A (zh) | 基于YOLOv8网络的织物瑕疵检测方法及*** | |
CN109284702A (zh) | 一种基于图像模式的答题卷给分及阅卷*** | |
CN110569871B (zh) | 一种基于深度卷积神经网络的鞍部点识别方法 | |
CN117058476A (zh) | 一种基于随机不确定性的目标检测方法 | |
CN110956174A (zh) | 一种器件编号的识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |