CN111652012B - 一种基于ssd网络模型的曲面qr码定位方法 - Google Patents

一种基于ssd网络模型的曲面qr码定位方法 Download PDF

Info

Publication number
CN111652012B
CN111652012B CN202010393000.8A CN202010393000A CN111652012B CN 111652012 B CN111652012 B CN 111652012B CN 202010393000 A CN202010393000 A CN 202010393000A CN 111652012 B CN111652012 B CN 111652012B
Authority
CN
China
Prior art keywords
curved surface
code
network
layer
positioning
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.)
Active
Application number
CN202010393000.8A
Other languages
English (en)
Other versions
CN111652012A (zh
Inventor
谭洪舟
罗焱
陈荣军
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010393000.8A priority Critical patent/CN111652012B/zh
Publication of CN111652012A publication Critical patent/CN111652012A/zh
Application granted granted Critical
Publication of CN111652012B publication Critical patent/CN111652012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于SSD网络模型的曲面QR码定位方法，首先建立曲面QR码数据集并对其进行预处理；搭建PPN‑SSD框架，PPN‑SSD框架以Inception网络为基础网络，添加辅助网络层作为网络的特征提取层和分类层；利用PPN‑SSD框架进行模型训练得到曲面QR码定位模型；利用训练好的曲面QR码定位模型对曲面QR码进行定位。本发明提供的复杂环境下曲面QR码定位方法，解决了目前算法难以定位曲面QR码的问题，并将复杂环境因素影响考虑其中，定位准确率高，检测速度快，实现了曲面QR码的实时检测。

Description

一种基于SSD网络模型的曲面QR码定位方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于SSD网络模型的曲面QR码定位方法。
背景技术
随着信息技术的快速发展和智能手机的普及，QR码的市场应用范围不断扩大，在我们的生活中随处可见。这些应用提升了我们生活的便捷程度，已经和我们的生活息息相关，密不可分。然而由于QR码的应用场景多种多样、采集条件也各有不同，使得QR码的识别过程更加复杂，传统的识别方法已经无法满足人们生产生活的需要，这要求我们对QR码的识别技术进行改进以提高处理速度和识别率。
QR码定位的目的是尽可能精准的提取出QR码所在区域，是整个QR码识别过程的第一步，作为后续畸变矫正和解码的基础，起着至关重要的作用。随着QR码的应用场景复杂化和采集环境的多样化，在实际应用中QR码会出现各种畸变情况，其中曲面畸变QR码图像的情况比较复杂，除此之外，还会受到复杂环境的影响，这些都对定位算法性能的要求越来越高。
QR码定位算法的发展从根据QR码寻像图形进行定位，到将QR码定位作为一个目标检测任务进行定位，再发展到将QR码定位作为一个图像分类问题进行处理。这些研究很大程度上提高了QR码的定位性能，然而这些方法基本都针对未畸变或平面畸变的QR码进行处理，对曲面畸变的研究较少。
发明内容
本发明为解决现有的QR码定位方法在复杂环境以及QR码发生曲面畸变的情况下，难以精确定位出图像中QR码所在区域的问题，提供了一种基于SSD网络模型的曲面QR码定位方法。
为实现以上发明目的，而采用的技术手段是：
一种基于SSD网络模型的曲面QR码定位方法，包括以下步骤：
S1.建立曲面QR码数据集并对其进行预处理；
S2.搭建PPN-SSD框架，所述PPN-SSD框架以Inception网络为基础网络，添加辅助网络层作为网络的特征提取层和分类层；
S3.利用所述PPN-SSD框架进行模型训练得到曲面QR码定位模型；
S4.利用训练好的曲面QR码定位模型对曲面QR码进行定位。
优选的，步骤S1所述的预处理具体包括：对所述曲面QR码数据集进行标注，并将其中每张图像的编号、长度、宽度、目标类别和目标位置信息分别填入csv格式文件中，从而将所述曲面QR码数据集转换为csv格式文件；将转换后的文件数据划分为训练集和测试集。
优选的，在所述步骤S2中，PPN-SSD框架采用Inception v3网络在ImageNet数据集上的预训练模型作为基础网络，进行特征提取。
优选的，在所述步骤S2中，PPN-SSD框架的特征提取层包括一个卷积层“mixed1_c”层和五个最大池化层“max_pool_1”层，“max_pool_2”层，“max_pool_3”层，“max_pool_4”层和“max_pool_5”层。
优选的，在所述步骤S2中，PPN-SSD框架的分类层采用一个在所有尺度上共享的卷积来预测目标图像的类别得分和候选框位置信息。
优选的，所述步骤S3具体包括：
输入所述训练集作为训练输入数据，并对其进行数据增广操作；
初始化网络：使用所述Inception v3网络在ImageNet数据集上训练得到的预训练模型作为该网络参数的初始值，得到基础网络；
经过所述基础网络的中间层后，使用所述五个最大池化层进行特征提取；
基于提取出的特征图，经所述分类层对目标图像的类别得分和候选框位置信息进行预测得到预测目标框；
计算所述预测目标框与其目标图像的真实目标框之间的误差，然后由反向传播算法对误差函数进行权重更新；
进行迭代训练，直至所述误差函数的损失值小于预设阈值或达到最大迭代次数时停止训练，得到曲面QR码定位模型。
优选的，在所述步骤S3中，所述数据增广操作包括：随机选取训练集的图像调整其对比度、亮度和饱和度，对训练集中的图像进行旋转、扭曲、裁剪或遮挡操作，为训练集中的图像加入高斯噪声，对训练集中的图像进行上下翻转或镜像翻转。
优选的，在所述步骤S3中，所述误差函数具体为：
Figure BDA0002486580050000031
其中，N是匹配的预测目标框数目，Lconf是置信度损失，Lloc是定位损失，x代表目标物体，c代表置信度，l代表预测目标框，g表示真实目标框，α为定位损失所占的权重。
优选的，所述步骤S4还包括：
利用训练好的曲面QR码定位模型对测试集进行曲面QR码定位，设置IoU系数阈值，即检测结果预测目标框与真实目标框之间的区域交并比；若检测结果的IoU系数大于设置的IoU系数阈值，则输出该检测结果；否则，放弃该检测结果。
与现有技术相比，本发明技术方案的有益效果是：
本发明针对复杂环境下的曲面QR码定位而设计，采用前向传播的深度卷积神经网络PPN-SSD框架，由于其有强大的特征学习能力，能够依据对象类别自适应的提取深层次图像语义特征，使目标检测算法具有很好的适应性和鲁棒性。本发明的曲面QR码定位模型在背景杂乱、图像采集设备和QR码距离过远、部分遮挡、光照条件差和运动模糊等因素的影响下仍能精确定位出图像中QR码所在区域，当QR码发生曲面畸变时还有较强的适应性。本发明方法解决了目前算法难以定位曲面QR码的问题，并将复杂环境因素影响考虑其中，定位准确率高，检测速度快，实现了曲面QR码的实时检测。
附图说明
图1为本发明的方法流程图。
图2为本发明中PPN-SSD-Inception网络结构图。
图3为本发明中利用PPN-SSD框架进行模型训练得到曲面QR码定位模型的流程图。
图4为本发明中IoU系数示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种基于SSD网络模型的曲面QR码定位方法，如图1和2所示，包括以下步骤：
S1.建立曲面QR码数据集并对其进行预处理；
由于本实施例所提供的曲面QR码定位方法将复杂环境因素影响考虑其中，因此在该步骤中，建立一个尽可能包含各种复杂环境的图像数据集，即在背景杂乱、图像采集设备和QR码距离过远、部分遮挡、光照条件差和运动模糊等复杂环境下拍摄曲面QR码图像，将图像数据文件名为从10001.jpg开始统一命名为该类格式。
对以上建立的曲面QR码数据集进行标注，并将其中每张图像的编号、长度、宽度、目标类别和目标位置信息分别填入csv格式文件中，从而将所述曲面QR码数据集转换为csv格式文件；将转换后的文件数据划分为训练集和测试集。
S2.搭建PPN-SSD框架，所述PPN-SSD框架以Inception网络为基础网络，添加辅助网络层作为网络的特征提取层和分类层；
PPN(Pooling Pyramid Network)-SSD(Single Shot MultiBox Detector)框架是一个前向传播的深度卷积神经网络，在提取出的各个特征图的每个点上产生一系列不同大小不同比例的默认预测框，得到目标候选区域，之后使用一个在所有尺度上共享的卷积来预测类别得分和候选框位置信息。搭建的PPN-SSD框架由Inception网络模型的网络层、一个卷积层和五个池化层构成。具体搭建如下：
基础网络阶段：输入数据维数为480*480*3，数据输入后，经过Inception网络处理，即经过一系列卷积层、Batch Normalization层、ReLU层及池化层等阶段操作，输出特征图尺寸为35×35×512；
最大池化阶段：该阶段包含五个最大池化层，“max_pool_1”层，“max_pool_2”层，“max_pool_3”层，“max_pool_4”层和“max_pool_5”层，每层的最大池化操作都是滤波器尺寸为2×2，步长为2，输出特征图尺寸分别为17×17×512，8×8×512，4×4×512，2×2×512，1×1×512；
本实施例的PPN-SSD框架选取卷积层“mixed1_c”层和五个最大池化层“max_pool_1”层，“max_pool_2”层，“max_pool_3”层，“max_pool_4”层和“max_pool_5”层作为特征提取层。
在提取出的每个特征图的每个点上产生一系列不同大小不同比例的默认预测框，得到目标候选区域。
将获取的目标候选区域使用一个在所有尺度上共享的卷积来预测得出类别得分和候选框位置信息，消除多余预测框，得到得分大于设定阈值的检测结果。
本实施例PPN-SSD框架的分类层采用一个在所有尺度上共享的卷积来预测目标图像的类别得分和候选框位置信息。
S3.利用所述PPN-SSD框架进行模型训练得到曲面QR码定位模型；在训练阶段，算法首先将默认预测框与标记的真实目标框进行匹配，若匹配值大于设定阈值则为匹配成功，该预测目标框即为正样本；否则，为负样本。如图3所示，具体训练过程如下：
输入所述训练集作为训练输入数据，并对其进行数据增广操作；其中数据增广操作包括：随机选取训练集的图像调整其对比度、亮度和饱和度，对训练集中的图像进行旋转、扭曲、裁剪或遮挡操作，为训练集中的图像加入高斯噪声，对训练集中的图像进行上下翻转或镜像翻转，以此来提升数据集。
初始化网络：使用所述Inception v3网络在ImageNet数据集上训练得到的预训练模型作为该网络参数的初始值，得到基础网络；
经过所述基础网络的中间层后，使用所述五个最大池化层进行特征提取；
基于提取出的特征图，经所述分类层对目标图像的类别得分和候选框位置信息进行预测得到预测目标框；
计算所述预测目标框与其目标图像的真实目标框之间的误差，然后由反向传播算法对误差函数进行权重更新；
进行迭代训练，直至所述误差函数的损失值小于预设阈值或达到最大迭代次数时停止训练，得到最佳网络模型即为曲面QR码定位模型；
其中PPN-SSD框架的损失由定位和分类两部分组成，因此将误差函数定义为定位误差和置信度误差的加权和。计算方法如下：
Figure BDA0002486580050000051
其中，N是匹配的预测目标框数目，Lconf是置信度损失，Lloc是定位损失，x代表目标物体，c代表置信度，l代表预测目标框，g表示真实目标框，α为定位损失所占的权重。
S4.利用训练好的曲面QR码定位模型对曲面QR码进行定位；
在本实施例中，利用训练好的曲面QR码定位模型对测试集进行曲面QR码定位测试。直接输出曲面QR码定位模型对测试集的检测结果，以评估网络的性能。本实施例中IoU系数阈值设定为0.5，若检测结果的IoU系数(如图4所示，即检测结果预测目标框与真实目标框之间的区域交并比)大于设置的IoU系数阈值，则输出该检测结果；否则，放弃该检测结果。
经测试，本实施例的曲面QR码定位方法可应对各种复杂环境条件，如背景杂乱、图像采集设备和QR码距离过远、部分遮挡、光照条件差和运动模糊等情况，并实现实时检测，达到较高的定位准确率，具有较好的适应性和鲁棒性。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于SSD网络模型的曲面QR码定位方法，其特征在于，包括以下步骤：
S1.建立曲面QR码数据集并对其进行预处理；
S2.搭建PPN-SSD框架，所述PPN-SSD框架以Inception网络为基础网络，添加辅助网络层作为网络的特征提取层和分类层；
其中，PPN-SSD框架采用Inception v3网络在ImageNet数据集上的预训练模型作为基础网络，进行特征提取；
PPN-SSD框架的特征提取层包括一个卷积层“mixed1_c”层和五个最大池化层“max_pool_1”层，“max_pool_2”层，“max_pool_3”层，“max_pool_4”层和“max_pool_5”层作为特征提取层；
在提取出的每个特征图的每个点上产生一系列不同大小不同比例的默认预测框，得到目标候选区域；
将获取的目标候选区域使用一个在所有尺度上共享的卷积来预测得出类别得分和候选框位置信息，消除多余预测框，得到得分大于设定阈值的检测结果；
PPN-SSD框架的分类层采用一个在所有尺度上共享的卷积来预测目标图像的类别得分和候选框位置信息；
S3.利用所述PPN-SSD框架进行模型训练得到曲面QR码定位模型；
S4.利用训练好的曲面QR码定位模型对曲面QR码进行定位。
2.根据权利要求1所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，步骤S1所述的预处理具体包括：对所述曲面QR码数据集进行标注，并将其中每张图像的编号、长度、宽度、目标类别和目标位置信息分别填入csv格式文件中，从而将所述曲面QR码数据集转换为csv格式文件；将转换后的文件数据划分为训练集和测试集。
3.根据权利要求2所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，所述步骤S3具体包括：
输入所述训练集作为训练输入数据，并对其进行数据增广操作；
初始化网络：使用所述Inception v3网络在ImageNet数据集上训练得到的预训练模型作为所述曲面QR码定位模型的参数的初始值，得到基础网络；
经过所述基础网络的中间层后，使用所述五个最大池化层进行特征提取；
基于提取出的特征图，经所述分类层对目标图像的类别得分和候选框位置信息进行预测得到预测目标框；
计算所述预测目标框与其目标图像的真实目标框之间的误差，然后由反向传播算法对误差函数进行权重更新；
进行迭代训练，直至所述误差函数的损失值小于预设阈值或达到最大迭代次数时停止训练，得到曲面QR码定位模型。
4.根据权利要求3所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，在所述步骤S3中，所述数据增广操作包括：随机选取训练集的图像调整其对比度、亮度和饱和度，对训练集中的图像进行旋转、扭曲、裁剪或遮挡操作，为训练集中的图像加入高斯噪声，对训练集中的图像进行上下翻转或镜像翻转。
5.根据权利要求4所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，在所述步骤S3中，所述误差函数具体为：
Figure FDA0003169353270000021
其中，N是匹配的预测目标框数目，Lconf是置信度损失，Lloc是定位损失，x代表目标物体，c代表置信度，l代表预测目标框，g表示真实目标框，α为定位损失所占的权重。
6.根据权利要求2所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，所述步骤S4还包括：
利用训练好的曲面QR码定位模型对测试集进行曲面QR码定位，设置IoU系数阈值，即检测结果预测目标框与真实目标框之间的区域交并比；若检测结果的IoU系数大于设置的IoU系数阈值，则输出该检测结果；否则，放弃该检测结果。
CN202010393000.8A 2020-05-11 2020-05-11 一种基于ssd网络模型的曲面qr码定位方法 Active CN111652012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010393000.8A CN111652012B (zh) 2020-05-11 2020-05-11 一种基于ssd网络模型的曲面qr码定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010393000.8A CN111652012B (zh) 2020-05-11 2020-05-11 一种基于ssd网络模型的曲面qr码定位方法

Publications (2)

Publication Number Publication Date
CN111652012A CN111652012A (zh) 2020-09-11
CN111652012B true CN111652012B (zh) 2021-10-29

Family

ID=72346847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010393000.8A Active CN111652012B (zh) 2020-05-11 2020-05-11 一种基于ssd网络模型的曲面qr码定位方法

Country Status (1)

Country Link
CN (1) CN111652012B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659664A (zh) * 2019-08-02 2020-01-07 杭州电子科技大学 一种基于ssd的高精度识别小物体的方法
CN110765803A (zh) * 2019-10-11 2020-02-07 首都医科大学宣武医院 一种不可见的二维码及其识别***

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111163628A (zh) * 2017-05-09 2020-05-15 蓝河技术有限公司 使用图像数据的自动植物检测
CN107563372B (zh) * 2017-07-20 2021-01-29 济南中维世纪科技有限公司 一种基于深度学习ssd框架的车牌定位方法
CN107705324A (zh) * 2017-10-20 2018-02-16 中山大学 一种基于机器学习的视频目标检测方法
CN108154105B (zh) * 2017-12-21 2020-08-07 深圳先进技术研究院 水下生物检测与识别方法、装置、服务器及终端设备
US20190333302A1 (en) * 2018-06-07 2019-10-31 Ysehak Kagnew Smart and Secure Delivery Door for Packages
CN109684967A (zh) * 2018-12-17 2019-04-26 东北农业大学 一种基于ssd卷积网络的大豆植株茎荚识别方法
CN109886997B (zh) * 2019-01-23 2023-07-11 平安科技（深圳）有限公司 基于目标检测的识别框确定方法、装置及终端设备
CN110598687A (zh) * 2019-09-18 2019-12-20 上海眼控科技股份有限公司 车辆识别码的检测方法、装置及计算机设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659664A (zh) * 2019-08-02 2020-01-07 杭州电子科技大学 一种基于ssd的高精度识别小物体的方法
CN110765803A (zh) * 2019-10-11 2020-02-07 首都医科大学宣武医院 一种不可见的二维码及其识别***

Also Published As

Publication number Publication date
CN111652012A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
US11908244B2 (en) Human posture detection utilizing posture reference maps
CN109299274B (zh) 一种基于全卷积神经网络的自然场景文本检测方法
JP2020508531A (ja) 画像品質の評価方法及び画像品質の評価システム
CN105469047B (zh) 基于无监督学习深度学习网络的中文检测方法及***
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110659582A (zh) 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN111079683B (zh) 基于卷积神经网络的遥感图像云雪检测方法
CN110175613A (zh) 基于多尺度特征和编解码器模型的街景图像语义分割方法
CN110543878A (zh) 一种基于神经网络的指针仪表读数识别方法
CN111967470A (zh) 一种基于解耦注意力机制的文本识别方法及***
CN111428718A (zh) 一种基于图像增强的自然场景文本识别方法
CN113487610B (zh) 疱疹图像识别方法、装置、计算机设备和存储介质
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
CN111325190A (zh) 一种表情识别方法、装置、计算机设备及可读存储介质
CN113762269A (zh) 基于神经网络的中文字符ocr识别方法、***、介质及应用
CN114913588A (zh) 一种应用于复杂场景下的人脸图像修复及识别方法
CN116416503A (zh) 一种基于多模态融合的小样本目标检测方法、***及介质
CN117746015A (zh) 小目标检测模型训练方法、小目标检测方法及相关设备
CN112991281A (zh) 视觉检测方法、***、电子设备及介质
CN111652012B (zh) 一种基于ssd网络模型的曲面qr码定位方法
AU2021104479A4 (en) Text recognition method and system based on decoupled attention mechanism
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN112800952B (zh) 一种基于改进ssd算法的海洋生物识别方法及***
CN114898290A (zh) 一种海上船舶实时检测方法及***
CN113569835A (zh) 一种基于目标检测和分割识别的水表数值读取方法

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
GR01 Patent grant
GR01 Patent grant