CN114743201A - 一种基于旋转目标检测的万用表读数识别方法及*** - Google Patents

一种基于旋转目标检测的万用表读数识别方法及*** Download PDF

Info

Publication number
CN114743201A
CN114743201A CN202210410911.6A CN202210410911A CN114743201A CN 114743201 A CN114743201 A CN 114743201A CN 202210410911 A CN202210410911 A CN 202210410911A CN 114743201 A CN114743201 A CN 114743201A
Authority
CN
China
Prior art keywords
reading
rotating
angle
result
change
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
Application number
CN202210410911.6A
Other languages
English (en)
Inventor
彭键清
周威
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 CN202210410911.6A priority Critical patent/CN114743201A/zh
Publication of CN114743201A publication Critical patent/CN114743201A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations

Landscapes

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

Abstract

本发明公开了一种基于旋转目标检测的万用表读数识别方法及***，该方法包括：基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；对读数区域旋转框进行仿射变换并识别，得到读数数字结果；整合读数数字结果与读数单位结果，得到完整读数结果。该***包括：检测模块、实际旋转角度计算模块、单位匹配模块、数字识别模块和读数整合模块。通过使用本发明，可以检测并识别带转换开关万用表任意旋转角度下的完整读数结果。

Description

一种基于旋转目标检测的万用表读数识别方法及***
技术领域
本发明涉及中国智能制造领域，尤其涉及一种基于旋转目标检测的万用表读数识别方法及***。
背景技术
工业仪器仪表读数识别自动化、智能化是大势所趋。基于计算机视觉的仪器仪表读数识别技术，可对采集到的仪器仪表数值信息自动识别，并快速录入到业务***中，有效解决人工抄录过程中抄错、抄漏等问题，提升抄录效率，减少人工录入工作量，降低企业人力成本，实现仪器仪表数据录入的自动化。
现有的万用表读数识别方法主要是首先将检测读数区域并裁剪，进而对裁剪读数图像进行读数识别，但它们大多只关注于水平读数的检测和识别，且往往忽略了读数单位的识别，导致应用价值和应用范围受限。基于传统图像处理的方法要求环境背景单一，且受光照等环境变化干扰较大，因此普适性较差。相比之下，YOLOv5是不含RPN结构的One-stage深度学习目标检测算法，它能很好地检测出读数区域，且具有小型骨干结构如tiny-darknet，能通过一系列优化措施使模型轻量化，适合作为工程算法在移动端部署，具有较高的实际应用价值。但YOLOv5作为通用目标检测算法，不适用于具有大倾角的旋转目标检测，更无法确定目标朝向和角度。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于旋转目标检测的万用表读数识别方法及***，可以检测并识别带转换开关万用表任意旋转角度下的完整读数结果。
本发明所采用的第一技术方案是：一种基于旋转目标检测的万用表读数识别方法，包括以下步骤：
基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；
根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；
将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；
对读数区域旋转框进行仿射变换并识别，得到读数数字结果；
整合读数数字结果与读数单位结果，得到完整读数结果。
进一步，所述改进的YOLOv5模型的训练步骤具体包括：
获取训练图像并进行旋转框标注，将旋转框四个角的坐标编码为几何要素，得到标注后图像；
对标注后图像进行数据增强，得到训练集；
将训练集输入至YOLOv5模型；
依次进行特征提取、特征融合和边框回归得到旋转框信息；
结合真实值标签计算损失对模型参数进行更新，得到改进的YOLOv5模型。
进一步，所述旋转框信息包括旋转框的中心点坐标、宽高、角度、置信度、偏置信息、各类别概率和各朝向类别概率。
进一步，所述改进的YOLOv5模型的检测头输出公式表示如下：
Figure BDA0003603642260000021
上式中，nh为检测头数量，bs为输入模型的待测图像数量大小，na为网格单元的预设框锚点数量，Hi为第i个检测头输出的高，Wi为第i个检测头输出的宽，(x,y)为预测框的中心坐标，(w,h)为预测框的宽和高，conf为预测目标的置信度，C为预测框属于各个类别的概率，nc为预测的目标类别数量，rj为旋转框回归参数，Ok为目标各朝向类别概率。
进一步，所述将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果这一步骤，具体包括：
获取单位匹配信息，得到单位信息数据集和角度信息数据集；
将转换开关实际旋转角度与角度信息数据集进行匹配，得到角度索引值；
将角度索引值与单位信息数据集进行匹配，得到读数单位结果。
进一步，所述对读数区域旋转框进行仿射变换并识别，得到读数数字结果这一步骤，具体包括：
将读数区域旋转框进行仿射变换，得到水平读数区域图；
所述仿射变换包括对读数区域旋转框进行平移、缩放、旋转、翻转和错切组合变换；
基于CRNN读数识别模型对水平读数区域图依次进行CNN特征提取、RNN序列建模和CTC转录，得到读数数字结果。
进一步，所述仿射变换的矩阵公式如下：
Figure BDA0003603642260000031
上式中，(x,y)为读数区域旋转框点坐标，(u,v)为读数区域旋转框点经仿射变换后得到的旋转框点，a0、a1、a2、b0、b1和b2为M参数，M为仿射变换矩阵。
本发明所采用的第二技术方案是：一种基于旋转目标检测的万用表读数识别***，包括：
检测模块，基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；
实际旋转角度计算模块，用于根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；
单位匹配模块，用于将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；
数字识别模块，用于对读数区域旋转框进行仿射变换并识别，得到读数数字结果；
读数整合模块，用于整合读数数字结果与读数单位结果，得到完整读数结果。
本发明方法及***的有益效果是：通过改进YOLOv5算法解决了任意旋转角度下的万用表读数识别难点，并针对一系列带转换开关的万用表提出了读数单位的识别方法，使得读数信息更加完整，且该方法适用于一类带转换开关的数字万用表，扩大了应用范围和应用价值。
附图说明
图1是本发明一种基于旋转目标检测的万用表读数识别方法的步骤流程图；
图2是本发明一种基于旋转目标检测的万用表读数识别***的结构框图；
图3是本发明具体实施例改进YOLOv5旋转区域检测模型示意图；
图4是本发明具体实施例改进YOLOv5输出旋转框示意图；
图5是本发明具体实施例转换开关示意图；
图6是本发明具体实施例读数区域矫正示意图；
图7是本发明具体实施例CRNN读数识别模型的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种基于旋转目标检测的万用表读数识别方法，该方法包括以下步骤：
S1、参照图3，对YOLOv5模型进行训练，得到改进的YOLOv5模型；
S1.1、获取训练图像并进行旋转框标注，将旋转框四个角的坐标编码为几何要素，得到标注后图像；
具体地，参照图4的方式将旋转框的四个角的坐标编码为几何要素，具体操作如下：
||Rj||＝w×Sigmoid(rj)，j∈{0,1}；
上式中，Rj为预测旋转框j点的位置与预测水平框j点的位置之间的距离；w为网格单元预测的水平框的宽度，Sigmoid(rj)为边框回归参数的归一化值，rj为边框偏移回归参数。
S1.2、对标注后图像进行数据增强，得到训练集；
S1.3、将训练集输入至YOLOv5模型；
S1.4、依次进行特征提取、特征融合和边框回归得到旋转框信息；
具体地，旋转框信息包括旋转框的中心点坐标、宽高、角度、置信度、偏置信息、各类别概率和各朝向类别概率。
其中，旋转框角度的计算操作如下：
当rj≠0，即存在旋转框时，从竖直向上方向开始，以顺时针方向计算旋转角度
Figure BDA0003603642260000041
Figure BDA0003603642260000042
上式中，
Figure BDA0003603642260000043
为标注后图像的四个顶点的坐标，
Figure BDA0003603642260000044
为旋转框角度。
当rj＝0，即仅存在水平框，则可以通过预测朝向
Figure BDA0003603642260000045
计算出目标的旋转角度
Figure BDA0003603642260000046
Figure BDA0003603642260000047
其中，
Figure BDA0003603642260000048
为各朝向类别概率中最大概率的朝向，其具体计算操作如下：
Figure BDA0003603642260000049
上式中，P(Ok)为各朝向类别概率，其具体计算操作如下：
P(Ok)＝Sigmoid(Ok),k∈{0,1,2,3}。
S1.5、结合真实值标签计算损失对模型参数进行更新，得到改进的YOLOv5模型。
具体地，该模型的损失函数计算操作如下：
L＝λboxLbox+λobjLobj+λclsLcls+λrboxLrbox+λrotLrot；
上式中，λbox、λobj、λcls、λrbox和λrot分别为Lbox、Lobj、Lcls、Lrbox和Lrot的权重系数；Lbox为水平框bbox的损失函数，使用CIOU Loss损失函数；Lobj为目标置信度损失函数，使用Focal Loss损失函数；Lcls为预测类别损失函数，使用Focal Loss损失函数；Lrbox为旋转框偏移回归损失函数，使用SmoothL1损失函数；Lrot为各朝向分类损失函数，使用Focal Loss损失函数。
其中，旋转框偏移回归损失函数Lrbox表示如下：
Figure BDA0003603642260000051
上式中，rj′为rj的归一化值，
Figure BDA0003603642260000052
为rj的真实值，rj为旋转框偏移回归参数，SmoothL1为计算rj′和
Figure BDA0003603642260000053
之间的回归误差损失的损失函数，其具体操作如下：
Figure BDA0003603642260000054
各朝向分类损失函数Lrot表示如下：
Figure BDA0003603642260000055
上式中，αk为用于平衡正负样本的权重系数，γ为用于平衡简单困难样本。
S2、基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；
具体地，改进的YOLOv5模型由输入端、Backbone特征提取主干网络、Neck特征增强网络和Head检测头构成。
其中，改进的YOLOv5模型检测头输出具体计算操作如下：
Figure BDA0003603642260000056
上式中，nh为检测头数量，bs为输入模型的待测图像数量大小，na为网格单元的预设框锚点数量，Hi为第i个检测头输出的高，Wi为第i个检测头输出的宽，(x,y)为预测框的中心坐标，(w,h)为预测框的宽和高，conf为预测目标的置信度，C为预测框属于各个类别的概率，nc为预测的目标类别数量，rj为旋转框回归参数，Ok为目标各朝向类别概率。
S3、根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；
具体地，转换开关实际旋转角度的具体计算操作为：
Figure BDA0003603642260000061
上式中，θd为读数区域旋转角度，θg为转换开关旋转角度，θr为转换开关实际旋转角度。
其中，θd和θg就是
Figure BDA0003603642260000062
S4、参考图5，将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；
S4.1、获取单位匹配信息，得到单位信息数据集和角度信息数据集；
具体地，将单位信息存储于数组U,U＝{Ull∈{1,2,...,nu}}；
上式中，Ul表示第l个单位，nu表示转换开关单位种类数；
各Ul对应的角度信息储存于数组θ，θ＝{θll∈{1,2,...,nu}}：
上式中，θl表示转换开关中单位Ul对应的旋转角度。
S4.2、将转换开关实际旋转角度与角度信息数据集进行匹配，得到角度索引值；
具体地，转换开关实际旋转角度与角度信息数据集的匹配操作公式如下：
m＝argminl|θr-θl|；
上式中，m为θ中与θr最接近的角度的索引值。
S4.3、将角度索引值与单位信息数据集进行匹配，得到读数单位结果。
具体地，角度索引值与单位信息数据集的匹配操作公式如下：
Figure BDA0003603642260000063
S5、参照图6，对读数区域旋转框进行仿射变换并识别，得到读数数字结果；
S5.1、将读数区域旋转框进行仿射变换，得到水平读数区域图；
具体地，将原旋转框点坐标(x,y)通过仿射变换到坐标(u,v)，其具体操作如下：
Figure BDA0003603642260000071
其矩阵表示形式如下：
Figure BDA0003603642260000072
上式中，M为仿射变换矩阵，可以对读数区域旋转框进行平移、缩放、旋转、翻转和错切组合变换，a0、a1、a2、b0、b1和b2为M参数。
S5.2、参照图7，基于CRNN读数识别模型对水平读数区域图依次进行CNN特征提取、RNN序列建模和CTC转录，得到读数数字结果；
S5.2.1、将水平读数区域图输入至CRNN读数识别模型；
具体地，CRNN读数识别模型由CNN特征提取模块、RNN序列建模模块和CTC转录模块构成，是一种稳定的端到端文本识别框架。
S5.2.2、基于CNN特征提取模块对水平读数区域图进行特征提取，得到卷积特征图；
具体地，将水平读数区域图像输入MobileNetv3轻量级卷积神经网络网络提取整体特征信息，并输出卷积特征图。
S5.2.3、基于RNN序列建模模块对卷积特征图进行序列建模，得到后验概率矩阵；
具体地，为了增强RNN网络的前后序列特征提取能力，本方法使用深度双向LSTM网络提取万用表读数前后序列特征；输入Bi-LSTM的特征图尺寸为(1，T,D)，其高度为1，最大时间长度为T，每个输入向量维度为D，Bi-LSTM输出y是一个后验概率矩阵。
S5.2.4、基于CTC转录模块对后验概率矩阵进行转录，得到读数数字结果。
具体地，CTC转录模块把后验概率矩阵y的每一个时间片接入softmax以获取预测序列，并去除序列中的重复标签，再去除序列中的无效空格标签，从而将含有空格的预测序列翻译为文本信息；假设双向LSTM网络输出的预测序列为“--11-2-22-3--”，经CTC转录后变为最终预测结果“1223”。
S6、整合读数数字结果与读数单位结果，得到完整读数结果。
参照图2，一种基于旋转目标检测的万用表读数识别***，包括：
检测模块，基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；
实际旋转角度计算模块，用于根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；
单位匹配模块，用于将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；
数字识别模块，用于对读数区域旋转框进行仿射变换并识别，得到读数数字结果；
读数整合模块，用于整合读数数字结果与读数单位结果，得到完整读数结果。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明的有益效果具体包括：
1)能够检测并识别万用表任意旋转角度下的读数单位结果：基于YOLOv5进行扩展，对其检测头增加了目标旋转框偏移回归参数和目标各朝向概率参数的输出，仅用一个模型便可完成目标旋转框和角度的检测；基于万用表读数区域和转换开关位姿关系特性，结合读数区域角度和转换开关角度便可计算转换开关实际角度获取读数单位。
2)提高了万用表读数数字结果识别精度且简化了读数识别步骤：将检测的读数区域旋转框进行仿射变换成为水平框以便进行读数识别。常用的读数识别方法由读数字符分割和识别两步组成，而CRNN算法无需进行读数字符分割，可以端到端的完成读数识别。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于旋转目标检测的万用表读数识别方法，其特征在于，包括以下步骤：
基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；
根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；
将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；
对读数区域旋转框进行仿射变换并识别，得到读数数字结果；
整合读数数字结果与读数单位结果，得到完整读数结果。
2.根据权利要求1所述一种基于旋转目标检测的万用表读数识别方法，其特征在于，所述改进的YOLOv5模型的训练步骤具体包括：
获取训练图像并进行旋转框标注，将旋转框四个角的坐标编码为几何要素，得到标注后图像；
对标注后图像进行数据增强，得到训练集；
将训练集输入至YOLOv5模型；
依次进行特征提取、特征融合和边框回归得到旋转框信息；
结合真实值标签计算损失对模型参数进行更新，得到改进的YOLOv5模型。
3.根据权利要求2所述一种基于旋转目标检测的万用表读数识别方法，其特征在于，所述旋转框信息包括旋转框的中心点坐标、宽高、角度、置信度、偏置信息、各类别概率和各朝向类别概率。
4.根据权利要求1所述一种基于旋转目标检测的万用表读数识别方法，其特征在于，所述改进的YOLOv5模型的检测头输出公式表示如下：
Figure FDA0003603642250000011
上式中，nh为检测头数量，bs为输入模型的待测图像数量大小，na为网格单元的预设框锚点数量，Hi为第i个检测头输出的高，Wi为第i个检测头输出的宽，(x,y)为预测框的中心坐标，(w,h)为预测框的宽和高，conf为预测目标的置信度，C为预测框属于各个类别的概率，nc为预测的目标类别数量，rj为旋转框回归参数，Ok为目标各朝向类别概率。
5.根据权利要求1所述一种基于旋转目标检测的万用表读数识别方法，其特征在于，所述将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果这一步骤，具体包括：
获取单位匹配信息，得到单位信息数据集和角度信息数据集；
将转换开关实际旋转角度与角度信息数据集进行匹配，得到角度索引值；
将角度索引值与单位信息数据集进行匹配，得到读数单位结果。
6.根据权利要求1所述一种基于旋转目标检测的万用表读数识别方法，其特征在于，所述对读数区域旋转框进行仿射变换并识别，得到读数数字结果这一步骤，具体包括：
将读数区域旋转框进行仿射变换，得到水平读数区域图；
所述仿射变换包括对读数区域旋转框进行平移、缩放、旋转、翻转和错切组合变换；
基于CRNN读数识别模型对水平读数区域图依次进行CNN特征提取、RNN序列建模和CTC转录，得到读数数字结果。
7.根据权利要求6所述一种基于旋转目标检测的万用表读数识别方法，其特征在于，所述仿射变换的矩阵公式如下：
Figure FDA0003603642250000021
上式中，(x,y)为读数区域旋转框点坐标，(u,v)为读数区域旋转框点经仿射变换后得到的旋转框点，a0、a1、a2、b0、b1和b2为M参数，M为仿射变换矩阵。
8.一种基于旋转目标检测的万用表读数识别***，其特征在于，包括：
检测模块，基于改进的YOLOv5模型对待测图像进行处理，输出读数区域旋转框、读数区域旋转角度和转换开关旋转角度；
实际旋转角度计算模块，用于根据读数区域旋转角度和转换开关旋转角度，计算转换开关实际旋转角度；
单位匹配模块，用于将转换开关实际旋转角度与单位匹配信息进行匹配，得到读数单位结果；
数字识别模块，用于对读数区域旋转框进行仿射变换并识别，得到读数数字结果；
读数整合模块，用于整合读数数字结果与读数单位结果，得到完整读数结果。
CN202210410911.6A 2022-04-19 2022-04-19 一种基于旋转目标检测的万用表读数识别方法及*** Pending CN114743201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210410911.6A CN114743201A (zh) 2022-04-19 2022-04-19 一种基于旋转目标检测的万用表读数识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210410911.6A CN114743201A (zh) 2022-04-19 2022-04-19 一种基于旋转目标检测的万用表读数识别方法及***

Publications (1)

Publication Number Publication Date
CN114743201A true CN114743201A (zh) 2022-07-12

Family

ID=82280642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210410911.6A Pending CN114743201A (zh) 2022-04-19 2022-04-19 一种基于旋转目标检测的万用表读数识别方法及***

Country Status (1)

Country Link
CN (1) CN114743201A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082922A (zh) * 2022-08-24 2022-09-20 济南瑞泉电子有限公司 基于深度学习的水表数字图片处理方法及***
CN116740704A (zh) * 2023-06-16 2023-09-12 安徽农业大学 基于深度学习的小麦叶片表型参数变化率监测方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082922A (zh) * 2022-08-24 2022-09-20 济南瑞泉电子有限公司 基于深度学习的水表数字图片处理方法及***
CN116740704A (zh) * 2023-06-16 2023-09-12 安徽农业大学 基于深度学习的小麦叶片表型参数变化率监测方法和装置
CN116740704B (zh) * 2023-06-16 2024-02-27 安徽农业大学 基于深度学习的小麦叶片表型参数变化率监测方法和装置

Similar Documents

Publication Publication Date Title
CN108427924B (zh) 一种基于旋转敏感特征的文本回归检测方法
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN114743201A (zh) 一种基于旋转目标检测的万用表读数识别方法及***
CN114694165B (zh) 一种pid图纸智能识别与重绘方法
CN112949338A (zh) 深度学习与Hough变换结合的二维条码精确定位方法
CN114332007B (zh) 一种基于Transformer的工业缺陷检测和识别方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN111275010A (zh) 一种基于计算机视觉的行人重识别方法
CN110598698A (zh) 基于自适应区域建议网络的自然场景文本检测方法和***
CN113762269A (zh) 基于神经网络的中文字符ocr识别方法、***、介质及应用
CN111476210A (zh) 基于图像的文本识别方法、***、设备及存储介质
CN113159215A (zh) 一种基于Faster Rcnn的小目标检测识别方法
CN115019103A (zh) 基于坐标注意力群组优化的小样本目标检测方法
CN114998216A (zh) 透明件表面缺陷快速检测方法及装置
CN112966676B (zh) 一种基于零样本学习的文档关键信息抽取方法
CN117609536A (zh) 基于语言引导的指称表达理解推理网络***及推理方法
Su et al. Local fusion attention network for semantic segmentation of building facade point clouds
CN111144469B (zh) 基于多维关联时序分类神经网络的端到端多序列文本识别方法
Zhong et al. Least-squares method and deep learning in the identification and analysis of name-plates of power equipment
CN114782827B (zh) 一种基于图像的物体抓取点获取方法和装置
CN110889418A (zh) 一种气体轮廓识别方法
CN116071544A (zh) 面向弱监督指向性视觉理解的图像描述预测方法
Li et al. Few-shot meta-learning on point cloud for semantic segmentation
CN112199984B (zh) 一种大尺度遥感图像的目标快速检测方法
CN115187896A (zh) 一种用于智能实验考评的细口瓶倾斜角度检测方法

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