CN112508845A - 基于深度学习的osd菜单语言自动化检测方法及*** - Google Patents
基于深度学习的osd菜单语言自动化检测方法及*** Download PDFInfo
- Publication number
- CN112508845A CN112508845A CN202011102734.2A CN202011102734A CN112508845A CN 112508845 A CN112508845 A CN 112508845A CN 202011102734 A CN202011102734 A CN 202011102734A CN 112508845 A CN112508845 A CN 112508845A
- Authority
- CN
- China
- Prior art keywords
- osd menu
- image
- data set
- module
- deep learning
- 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 22
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000003416 augmentation Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000037237 body shape Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的osd菜单语言自动化检测方法,包括以下步骤:步骤S1:获取osd菜单的图像数据集;步骤S2:对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;步骤S3:构建深度神经网络,并对图像数据集经行特征提取;步骤S4:根据提取的特征通过分类器分类,以实现不同界面不同拍摄环境下osd菜单文字的识别;步骤S5:利用人工设计特征,使用模板匹配的方法精选辅助训练,对分类器的分类结果进一步分类,获取osd菜单所示文字的识别结果;步骤S6:利用匹配定位算法,比照标准对照表定位出osd菜单上显示不符标准的地方。本发明可以精确高速的检索定位出菜单显示不标准的地方,为显示器生产过程中osd菜单检错提供了更好的解决方案。
Description
技术领域
本发明涉及文字识别领域,具体涉及一种基于深度学习的osd菜单语言自动化检测方法及***。
背景技术
近年来,由于制造工艺或软硬件设计缺陷的问题,显示器在生产研制过程中难免存在各种潜在问题,所以显示器在出厂前需要经过严格的测试验证。传统的测试包含功能测试、性能测试等一系列的测试,从当前行业内测试现状来看,制造商主要仍依赖于手动测试或半自动化测试。常规的手动测试需要根据每条测试用例的指示要求,首先人工点击显示器按键进行OSD菜单的测试环境设置;然后手动操作测试仪器读取数据,同时需配合人眼观察显示;最后,记录测试结果并编写测试报告。显然这样的测试方式不仅需要耗费大量的时间、人力,而且容易因为人为疏忽造成漏检或误检,测试结果难以保证,无法满足高要求的测试需求。
OSD(On Screen Display)是用户对显示器进行设置以获得最优视觉享受的重要设置,它提供了人机交互的通道。在生产中为避免OSD菜单出现文字错误,解决办法是人工根据厂家提供的标准说明书和出厂的显示器上的OSD菜单的文字进行对比,以此得到出厂的显示器的OSD菜单文字是否有误。人工检测的工作量大,容易造成视觉疲劳,从而导致误检率升高。不同文字语法书写和字形都有很大的变化。而现在工业上成熟的只有文字识别***,文字检测***尚不成熟,也没有成熟的理论和技术可检测这么多种语言的文字异常,包括缺点,缺笔画,文字显示不完整等显示上的缺陷。研究OSD菜单文字检测的自动化技术成为急需解决的一个问题。
目前,图像识别的已有方法中,大都采用人工设计特征的方式,如采用HOG(Histogram of Oriented Gradients,方向梯度直方图)、SIFT(Scale InvariantFeatureTransform,尺度不变特征变换)等方法提取人工特征并输入到分类器中完成模式分类。这种方式完全取决于人类的先验知识,而且设计过程费时费力,工作量巨大。而深度学习技术在一定程度上解决了以上问题,深度学习技术通过大量隐藏层的深度神经网络可进行特征的自动学习,从像素中提取出更本质、更抽象、更易于模型学习的特征,而且提供的训练样本越多,模型的泛化能力、推广能力越强。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度学习的osd菜单语言自动化检测***,可以精确高速的检索定位出菜单显示不标准的地方,为显示器生产过程中osd菜单检错提供了更好的解决方案。
为实现上述目的,本发明采用如下技术方案:
一种基于深度学习的osd菜单语言自动化检测方法,包括以下步骤:
步骤S1:获取osd菜单的图像数据集;
步骤S2:对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;
步骤S3:构建深度神经网络,并对图像数据集经行特征提取;
步骤S4:根据提取的特征通过分类器分类,以实现不同界面不同拍摄环境下osd菜单文字的识别;
步骤S5:利用人工设计特征,使用模板匹配的方法精选辅助训练,对分类器的分类结果进一步分类,获取osd菜单所示文字的识别结果;
步骤S6:利用匹配定位算法,比照标准对照表定位出osd菜单上显示不符标准的地方。
进一步的,所述步骤S1具体为:对不同型号显示器利用相机进行拍照,获取osd菜单图像,并针对不同语种的形体进行标注,制作分类标签。
进一步的,所述步骤S2具体为:
步骤S21:对图像数据集中的图像进行平滑去噪二值化处理,同时将图像归一化成统一大小;
步骤S22:对预处理后的图像进行图像增广以扩充数据集.
进一步的,所述图像增广的方法包括对图像进行水平平移、竖直平移和旋转。
进一步的,所述步骤S3具体为:通过深度学***移不变性的特征;采用多层过滤器替代大尺寸过滤器;采用批量归一化,对数据内部进行标准化处理,使输出规范化到0到1之间的正态分布。
其中,表示当前实例属于第k类的概率,n表示总类别数,s k(x)表示当前实例x属于第k类的得分,exp(·)表示对括号内元素求指数, 表示实例x关于从1到n的所有类别的得分的指数值的总和,k的范围为1到n,j的范围为1到n。
进一步的,所述步骤S6具体为:将识别出的osd菜单结果以文本形式输出,利用优化的匹配定位算法,结合各显示器的菜单标准对照表定位出osd菜单显示不标准的位置所在。
一种基于深度学习的osd菜单语言自动化检测***,包括:依次连接的数据输入模块、图像预处理及图像增广模块、智能识别模块、文字概率预测模块、深入匹配和匹配定位模块;
所述数据输入模块,用于获取osd菜单图像数据集并制作分类标签;
所述图像预处理及图像增广模块,用于对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;
所述智能识别模型模块,用于对预处理与图像增广后的图像数据集进行特征提取,以实现不同界面不同拍摄环境下osd菜单文字的识别;
所述文字概率预测模块,用于对提取的特征通过分类器分类,并以概率值的形式由大到小依次输出模型预测结果;
所述深入匹配模块,用于利用人工设计特征,对文字概率预测模块分类结果所限定的指定范围内使用模板匹配的方法进行辅助训练,以对分类器的分类结果进一步分类;
所述匹配定位模块,用于利用优化的匹配定位算法,结合各显示器的菜单标准对照表,在识别结果中定位出osd菜单显示不标准的位置所在。
本发明与现有技术相比具有以下有益效果:
本发明可以精确高速的检索定位出菜单显示不标准的地方,为显示器生产过程中osd菜单检错提供了更好的解决方案。
附图说明
图1是本发明方法流程图;
图2是本发明***结构示意图;
图3是本发明一实施例中多层过滤器优化的Inception_V3结构示意图;
图4是本发明一实施例中分类层示意图;
图5是匹配定位流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于深度学习的osd菜单语言自动化检测方法,包括以下步骤:
步骤S1:获取osd菜单的图像数据集,并制作分类标签,对不同型号显示器利用相机进行拍照,获取osd菜单图像,并针对不同语种的形体进行标注,制作分类标签;
步骤S2:对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;
步骤S3:构建深度神经网络,并对图像数据集经行特征提取;
步骤S4:根据提取的特征通过分类器分类,以实现不同界面不同拍摄环境下osd菜单文字的识别;
步骤S5:利用人工设计特征,使用模板匹配的方法精选辅助训练,对分类器的分类结果进一步分类,获取osd菜单所示文字的识别结果;
步骤S6:利用匹配定位算法,比照标准对照表定位出osd菜单上显示不符标准的地方。
参见图2所示,本发明一种基于深度学习的osd菜单语言自动化检测***,包括以下模块:
依次连接的数据输入模块、图像预处理及图像增广模块、智能识别模块、文字概率预测模块、深入匹配和匹配定位模块;
所述数据输入模块,用于获取osd菜单图像数据集并制作分类标签;
所述图像预处理及图像增广模块,用于对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;
所述智能识别模型模块,用于对预处理与图像增广后的图像数据集进行特征提取,以实现不同界面不同拍摄环境下osd菜单文字的识别;
所述文字概率预测模块,用于对提取的特征通过分类器分类,并以概率值的形式由大到小依次输出模型预测结果;
所述深入匹配模块,用于利用人工设计特征,对文字概率预测模块分类结果所限定的指定范围内使用模板匹配的方法进行辅助训练,以对分类器的分类结果进一步分类;
所述匹配定位模块,用于利用优化的匹配定位算法,结合各显示器的菜单标准对照表,在识别结果中定位出osd菜单显示不标准的位置所在。
本实施例中,图1所示的方法在图2所示的***中得以实现,具体实现过程为:
在数据输入模块中,利用拍照获取osd图像,共计300张图像的数据集。其中包括训练集200张图像、验证集50张图像、测试集50张图像。将图像根据不同语种的形体进行标注,制作分类标签。
在图像预处理及图像增广模块,将训练集和测试集统一归一化大小为64x64像素的形式,并对图像进行平滑和二值化处理。将标签统一成one-hot编码(独热码)格式。对预处理后的图像通过图像水平平移、图像竖直平移和图像旋转等操作进行图片增广,扩充数据集,以便训练出泛化能力更强的模型。
在智能识别模块,通过卷积神经网络进行特征自动提取,主要采用基于改进的Inception_V3结构模型,参见图3所示。使用Inception_V3结构单元实现图像的并行压缩,使得特征表示的尺寸温和减少,从而避免传统卷积结构严重压缩特征表示;使用多层池化单元实现图像的并行压缩,并行整合特征,最大限度提取出具有平移不变性的特征;使用多层过滤器替代大尺寸过滤器,避免冗余参数,加快训练速度,减少计算量;使用批量归一化,对数据内部进行标准化处理,使输出规范化到0到1之间的正态分布,从而保证网络可以以较高的学习速率进行,防止发生梯度***或者弥散现象。
其中,表示当前实例属于第k类的概率,n表示总类别数,s k(x)表示当前实例x属于第k类的得分,exp(·)表示对括号内元素求指数, 表示实例x关于从1到n的所有类别的得分的指数值的总和,k的范围为1到n,j的范围为1到n。具体的,每一张输入***用来预测的图像(图片)都是一个实例,当前输入***的这张图像(图片)经过前面网络的特征提取到达最后一层,即softmax分类层,然后计算它的属于每个类的概率。所述总类别数在制作分类标签之后获知。参见图4所示为最后一层分类层的示意图,其中Softmax是激活函数,即图中方块σ那部分。所述得分指的是图中的a,a是上一层网络的输出和这一层网络的权重相乘得到的,并不能表示概率,因此需要用softmax归一化到0和1之间,以表示概率。
在深入匹配模块,通过借助传统人工设计特征进行深入匹配。本实施例中,使用传统人工设计特征HOG,利用余弦相似度在预测结果中前三大概率的类别的小范围内进行进一步深入匹配。,
在匹配定位模块,参见图5所示为匹配定位模块的流程图,将标准对照表的内容经行分类操作,同时将输出的识别结果经行分类操作,将识别结果和对照表内容经行同类对比,计算定位概率,确定最终定位位置信息,并输出位置信息和最终检测结果。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种基于深度学习的osd菜单语言自动化检测方法,其特征在于,包括以下步骤:
步骤S1:获取osd菜单的图像数据集;
步骤S2:对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;
步骤S3:构建深度神经网络,并对图像数据集经行特征提取;
步骤S4:根据提取的特征通过分类器分类,以实现不同界面不同拍摄环境下osd菜单文字的识别;
步骤S5:利用人工设计特征,使用模板匹配的方法精选辅助训练,对分类器的分类结果进一步分类,获取osd菜单所示文字的识别结果;
步骤S6:利用匹配定位算法,比照标准对照表定位出osd菜单上显示不符标准的地方。
2.根据权利要求1所述的基于深度学习的osd菜单语言自动化检测方法,其特征在于,所述步骤S1具体为:对不同型号显示器利用相机进行拍照,获取osd菜单图像,并针对不同语种的形体进行标注,制作分类标签。
3.根据权利要求1所述的基于深度学习的osd菜单语言自动化检测方法,其特征在于,所述步骤S2具体为:
步骤S21:对图像数据集中的图像进行平滑去噪二值化处理,同时将图像归一化成统一大小;
步骤S22:对预处理后的图像进行图像增广以扩充数据集。
4.根据权利要求1所述的基于深度学***平移、竖直平移和旋转。
5.根据权利要求1所述的基于深度学***移不变性的特征;采用多层过滤器替代大尺寸过滤器;采用批量归一化,对数据内部进行标准化处理,使输出规范化到0到1之间的正态分布。
7.根据权利要求1所述的基于深度学习的osd菜单语言自动化检测方法,其特征在于,所述步骤S6具体为:将识别出的osd菜单结果以文本形式输出,利用优化的匹配定位算法,结合各显示器的菜单标准对照表定位出osd菜单显示不标准的位置所在。
8.一种基于深度学习的osd菜单语言自动化检测***,其特征在于,包括:依次连接的数据输入模块、图像预处理及图像增广模块、智能识别模块、文字概率预测模块、深入匹配和匹配定位模块;
所述数据输入模块,用于获取osd菜单图像数据集并制作分类标签;
所述图像预处理及图像增广模块,用于对图像数据集中的图像进行预处理,并通过图像增广扩充数据集;
所述智能识别模型模块,用于对预处理与图像增广后的图像数据集进行特征提取,以实现不同界面不同拍摄环境下osd菜单文字的识别;
所述文字概率预测模块,用于对提取的特征通过分类器分类,并以概率值的形式由大到小依次输出模型预测结果;
所述深入匹配模块,用于利用人工设计特征,对文字概率预测模块分类结果所限定的指定范围内使用模板匹配的方法进行辅助训练,以对分类器的分类结果进一步分类;
所述匹配定位模块,用于利用优化的匹配定位算法,结合各显示器的菜单标准对照表,在识别结果中定位出osd菜单显示不标准的位置所在。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102734.2A CN112508845A (zh) | 2020-10-15 | 2020-10-15 | 基于深度学习的osd菜单语言自动化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011102734.2A CN112508845A (zh) | 2020-10-15 | 2020-10-15 | 基于深度学习的osd菜单语言自动化检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508845A true CN112508845A (zh) | 2021-03-16 |
Family
ID=74954123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011102734.2A Pending CN112508845A (zh) | 2020-10-15 | 2020-10-15 | 基于深度学习的osd菜单语言自动化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508845A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020018069A1 (en) * | 2000-08-11 | 2002-02-14 | Kim Byung Han | Picture adjustment method and apparatus for video display appliance |
CN101030216A (zh) * | 2007-04-02 | 2007-09-05 | 丁光耀 | 基于特性参数的字符串匹配方法 |
CN101035221A (zh) * | 2006-03-06 | 2007-09-12 | Lg电子株式会社 | 用于设置电视接收器中的语言的方法和装置 |
CN101193231A (zh) * | 2006-11-28 | 2008-06-04 | 康佳集团股份有限公司 | Osd控制模块及其osd菜单颜色设置方法 |
CN101431633A (zh) * | 2008-12-04 | 2009-05-13 | 深圳创维-Rgb电子有限公司 | 一种支持多种语言的osd的显示方法及*** |
CN101609455A (zh) * | 2009-07-07 | 2009-12-23 | 哈尔滨工程大学 | 一种高速精确单模式字符串匹配的方法 |
CN106843666A (zh) * | 2015-12-04 | 2017-06-13 | 小米科技有限责任公司 | 显示界面调整的方法及装置 |
CN108664996A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种基于深度学习的古文字识别方法及*** |
CN110188750A (zh) * | 2019-05-16 | 2019-08-30 | 杭州电子科技大学 | 一种基于深度学习的自然场景图片文字识别方法 |
CN110955806A (zh) * | 2019-11-29 | 2020-04-03 | 国家电网有限公司客户服务中心 | 一种针对中文文本的字符串匹配方法 |
CN111191087A (zh) * | 2019-12-31 | 2020-05-22 | 歌尔股份有限公司 | 字符匹配方法、终端设备及计算机可读存储介质 |
-
2020
- 2020-10-15 CN CN202011102734.2A patent/CN112508845A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020018069A1 (en) * | 2000-08-11 | 2002-02-14 | Kim Byung Han | Picture adjustment method and apparatus for video display appliance |
CN101035221A (zh) * | 2006-03-06 | 2007-09-12 | Lg电子株式会社 | 用于设置电视接收器中的语言的方法和装置 |
CN101193231A (zh) * | 2006-11-28 | 2008-06-04 | 康佳集团股份有限公司 | Osd控制模块及其osd菜单颜色设置方法 |
CN101030216A (zh) * | 2007-04-02 | 2007-09-05 | 丁光耀 | 基于特性参数的字符串匹配方法 |
CN101431633A (zh) * | 2008-12-04 | 2009-05-13 | 深圳创维-Rgb电子有限公司 | 一种支持多种语言的osd的显示方法及*** |
CN101609455A (zh) * | 2009-07-07 | 2009-12-23 | 哈尔滨工程大学 | 一种高速精确单模式字符串匹配的方法 |
CN106843666A (zh) * | 2015-12-04 | 2017-06-13 | 小米科技有限责任公司 | 显示界面调整的方法及装置 |
CN108664996A (zh) * | 2018-04-19 | 2018-10-16 | 厦门大学 | 一种基于深度学习的古文字识别方法及*** |
CN110188750A (zh) * | 2019-05-16 | 2019-08-30 | 杭州电子科技大学 | 一种基于深度学习的自然场景图片文字识别方法 |
CN110955806A (zh) * | 2019-11-29 | 2020-04-03 | 国家电网有限公司客户服务中心 | 一种针对中文文本的字符串匹配方法 |
CN111191087A (zh) * | 2019-12-31 | 2020-05-22 | 歌尔股份有限公司 | 字符匹配方法、终端设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664996B (zh) | 一种基于深度学习的古文字识别方法及*** | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
Shahab et al. | ICDAR 2011 robust reading competition challenge 2: Reading text in scene images | |
CN109859164B (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
CN109064454A (zh) | 产品缺陷检测方法及*** | |
CN108805223B (zh) | 一种基于Incep-CapsNet网络的篆文识别方法及*** | |
CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
CN110796131A (zh) | 一种汉字书写评价*** | |
CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
CN112381175A (zh) | 一种基于图像处理的电路板识别与分析方法 | |
CN115205521B (zh) | 基于神经网络的厨余垃圾检测方法 | |
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 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及*** | |
CN111680577A (zh) | 人脸检测方法和装置 | |
CN114972880A (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN111832499A (zh) | 一种简易人脸识别分类*** | |
CN112508845A (zh) | 基于深度学习的osd菜单语言自动化检测方法及*** | |
CN115761235A (zh) | 基于知识蒸馏的零样本语义分割方法、***、设备及介质 | |
Lakshmi et al. | A new hybrid algorithm for Telugu word retrieval and recognition | |
CN113569835A (zh) | 一种基于目标检测和分割识别的水表数值读取方法 | |
CN116503674B (zh) | 一种基于语义指导的小样本图像分类方法、装置及介质 | |
CN116959061B (zh) | 基于视频处理疲劳检测方法、电子设备及存储介质 | |
CN115375954B (zh) | 一种化学实验溶液识别方法、装置、设备及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |