CN116778195B - 一种基于颜色码的设备识别方法和*** - Google Patents
一种基于颜色码的设备识别方法和*** Download PDFInfo
- Publication number
- CN116778195B CN116778195B CN202311031664.XA CN202311031664A CN116778195B CN 116778195 B CN116778195 B CN 116778195B CN 202311031664 A CN202311031664 A CN 202311031664A CN 116778195 B CN116778195 B CN 116778195B
- Authority
- CN
- China
- Prior art keywords
- color
- code
- unit
- digital information
- color code
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000007639 printing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 239000000463 material Substances 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 239000000853 adhesive Substances 0.000 description 4
- 230000001070 adhesive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000004519 grease Substances 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010023 transfer printing Methods 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/22—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及设备识别技术领域,公开了一种基于颜色码的设备识别方法和***。该方法包括生成所需识别设备的数字信息码,并将数字信息码保存;生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上;部署摄像头,获取粘贴在所需识别设备上的颜色码图像;利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息;根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果;记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对。该方法通用性强、智能化程度高、实施便利且准确率高,对于提高设备管理效率具有重大意义。
Description
技术领域
本发明涉及设备识别技术领域,具体为一种基于颜色码的设备识别方法和***。
背景技术
伴随着物联网技术的互联互通和人工智能算力需求的崛起,边端智能通信设备和服务器算力设备大量部署,相关配套设施不断丰富。然而设备的更新扩展缺少了管理手段的同步提升,传统的设备识别监管方法主要基于条形码、二维码、NFC等技术,但这些方法普遍存在着一些问题,如识别难度大、精度低、成本高,部署难度大。
例如申请公开号为CN114781417A的申请文件公开了一种二维码识别方法、二维码识别装置及电子设备,用二维码标记设备,并对设备进行识别,但通常存在一些问题:二维码的存储容量是有限的,较小的二维码可能无法存储足够的信息,而较大的二维码可能占用过多空间从而使用不便;相比其他快速识别方法,二维码的读取速度较慢,这可能需要更多的时间;为了识别二维码,通常需要使用专门的扫描设备或具有相应功能的应用程序,这对于一些场景来说不易实现;二维码识别在某些情况下可能存在安全性和隐私问题,例如恶意方可能生成伪造的二维码来进行欺骗或攻击。
又如申请公开号为CN112329495A的中国专利公开了一种条形码识别方法、装置及***,该方法的步骤包括:获取多个采集图像;对该采集图像包括的至少一个条形码进行定位,得到每一条形码的定位结果;基于定位结果,从该采集图像中并行地截取每一条形码,得到初始条形码图像;对该采集图像中每一条形码的初始条形码图像并行地进行计算处理,得到各条形码单元的宽度;基于预设最小宽度和初始条形码图像中各条形码单元的宽度,对该采集图像中每一条形码的初始条形码图像并行地进行宽度缩放处理,得到目标条形码图像;对目标条形码图像并行地进行译码处理,得到该采集图像中每一条形码所承载的信息。该专利有一些缺陷:条形码识别的过程中,扫码枪和识别距离都是有严格的限制要求,在严格的限制性条件下业务不易扩展,只能满足特定的场合要求;条形码不具备可读性,在对专业设备进行识别时难以复核识别结果的准确情况;条形码需要通过人力近距离扫描识别,不具备远距离自动定位识别目标的能力,因此需要大量人力成本去进行重复式机械性劳动;黑白信息只能表示二进制信息,并且一维条码只能通过水平方向表达信息,而垂直方向不能表达信息,其垂直方向高度是为了辅助阅读器的对准。
这时就需要一种通用性强、智能化程度高、实施便利且准确率高的识别方法。
发明内容
本发明的目的在于提供一种基于颜色码的设备识别方法和***,以解决上述背景技术中提出的现有的问题。
为实现上述目的,本发明提供如下技术方案:一种基于颜色码的设备识别方法,包括以下具体步骤:
生成所需识别设备的数字信息码,并将数字信息码保存;
生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上;
部署摄像头,获取粘贴在所需识别设备上的颜色码图像;
利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息;
根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果;
记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对。
本发明的进一步改进在于,生成所需识别设备的数字信息码,并将数字信息码保存通过信息生成模块实现,信息生成模块包含信息生成单元和数据库单元;
其中,信息生成单元根据所绑定的设备类型以及管理规模与应用场景生成特定长度以及包含特定信息的数字信息码,数据库单元用于实现将数字信息码与设备具体信息进行绑定并保存的功能。
本发明的进一步改进在于,生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上通过颜色码生成模块实现,颜色码生成模块包含颜色码生成单元和颜色码打印单元;
其中,颜色码生成单元根据所需识别设备的数字信息码,通过计算机
自动生成颜色码;颜色码打印单元将计算机自动生成的颜色码打印到PVC材质或者磨砂材质上。
本发明的进一步改进在于,颜色码由三部分组成,分别是负责定位的黑色边缘框、携带设备信息的色块以及负责色块区分的白色底色;其中,携带设备信息的色块由红绿蓝计算机三原色构成。
本发明的进一步改进在于,所述部署摄像头,获取粘贴在所需识别设备上的颜色码图像通过图像采集模块实现;图像采集模块包括摄像头单元和图像预处理单元;
其中,摄像头单元拍摄包含有颜色码的RGB图像;图像预处理单元对摄像头单元拍摄的含有颜色码的RGB图像进行预处理,预处理过程包含调整亮度、对比度、饱和度以及对含有颜色码的RGB图像的三个通道进行滤波。
本发明的进一步改进在于,对含有颜色码的RGB图像的任一通道进行滤波包含以下步骤:
(a)令表示含有颜色码的RGB图像像素点/>的滤波窗口,/>表示初始滤波窗口,/>表示最大滤波窗口,/>表示像素点/>的像素值,/>表示滤波窗口中最小像素值,/>表示滤波窗口中最大像素值,/>表示平均像素值,/>表示中间像素值;
(b)令,/>,若/>或者/>,则直接执行步骤(c),否则执行步骤(d);
(c)若,则增大滤波窗口/>的尺寸,否则输出/>;若增大后的滤波窗口/>的尺寸大于最大滤波窗口/>的尺寸,则输出/>,否则执行步骤(b);
(d)令,/>,若/>或者/>,输出/>,否则输出/>。
本发明的进一步改进在于,利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息通过AI算法定位模块实现;AI算法定位模块包括数据单元和YOLOV5单元;
其中,数据单元将预处理完毕后的含有颜色码的RGB图像经过YOLOV5单元进行初步标注,初步标注完毕后,对含有颜色码的RGB图像进行审核,若含有颜色码的RGB图像存在错误标注,则进行修改;
YOLOV5单元包含两个子单元,分别为模型训练子单元和模型推理子单元,模型训练子单元会定期获取数据单元中审核完毕的含有颜色码的RGB图像,将模型加以训练,并经过验证集测试,若评估指标上升,则更新模型,并将更新后的模型下发至每个执行推理的边端;模型推理子单元会检查模型文件,若模型文件出现变动则更新模型文件。
本发明的进一步改进在于,根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果通过色块识别模块实现;色块识别模块包括位置定位单元、颜色定位单元以及色块识别单元;
其中,位置定位单元获取色卡生成过程中的参数,参数包括整个色卡以像素为单位的长度信息、每个色块左上角/>和右下角/>以像素为单位的位置信息;然后通过两组相对坐标/>和/>确定色块位置;
颜色定位单元将含有颜色码的RGB图像图像转换成灰度图像,通过k-means聚类的方法将图像分为黑框、白底、色块的部分,将每一部分使用轮廓查找的方法并限制轮廓大小找出所有符合标准的轮廓;若在遍历的过程中存在符合色块数量的轮廓个数时,则通过定位轮廓的位置来锁定色块的位置;
色块识别单元将定位后的色块图像的每一个通道所对应的像素值相加,得到每一个通道所有对应像素值之和,选取对应像素值之和最大值所对应的通道作为色块的颜色。
本发明的进一步改进在于,记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对通过数据比对模块实现;数据比对模块包括解码单元、比对单元、报警单元;
其中,解码单元从色块识别单元中获取颜色码中的所有色块识别结果,并将颜色码中的所有色块识别结果解码成数字信息码,并将数字信息码存储到日志文件中;
比对单元从解码单元中获取数字信息码,并与数据库单元中的数字信息码进行比对;若比对结果存在异常,则通过报警单元向运维值班人员进行报警。
一种基于颜色码的设备识别***,包括以下具体模块:
信息生成模块,生成所需识别设备的数字信息码,并将数字信息码保存;
颜色码生成模块,生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上;
图像采集模块,部署摄像头,获取粘贴在所需识别设备上的颜色码图像;
AI算法定位模块,利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息;
色块识别模块,根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果;
数据比对模块,记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现一种基于颜色码的设备识别方法。
一种电子设备,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序时实现一种基于颜色码的设备识别方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明通过提出一种基于颜色码的设备识别方法和***,该方法结合了图像处理、传感器以及计算机领域的技术;整个方法具有以下优势:
(1)通用性强:基于摄像头图像的颜色码识别技术摆脱了物理距离的限制,可以通过调整外部环境的方式来适应户外复杂环境;
(2)智能化程度高:颜色码识别技术优化了接触式扫描的缺点,采取摄像头主动拍摄识别的方式,可以节约成本,避免人工进行重复式机械性劳动;
(3)实施便利:与传统的条形码识别技术相比,基于颜色码的设备识别方法无须特定扫描设备,只需根据情况选择适合摄像头,安装后即可完成部署。
(4)准确率高:在一般稳定环境下经过环境安装适配以及模型微调后准确率可以高达98%以上;在户外等非稳定环境下综合准确率也可以达到88%以上。
附图说明
图1为本发明的一种基于颜色码的设备识别方法的流程图;
图2为本发明的颜色码示意图;
图3为本发明的一种基于颜色码的设备识别***的框架图;
图4为本发明的AI算法定位模块示意图;
图5为本发明的色块识别模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提出一种基于颜色码的设备识别方法,对于边端智能通信设备和服务器算力设备的识别监管具有重大价值,如图1所示,一种基于颜色码的设备识别方法,包含以下具体步骤:
生成所需识别设备的数字信息码,并将数字信息码保存。需要说明的是:
该步骤基于信息生成模块实现,信息生成模块包含信息生成单元和数
据库单元;
其中,信息生成单元生成所需识别设备的数字信息码;设备的数字信
息码是指用数字表示的设备标识码,用于唯一标识和区分不同设备;它可以是一个数字串、数字编码或由数字和字母组成的字符串;设备的数字信息码通常由使用方管理,用于识别其产品线中的每个单独设备,每个设备的数字信息码是唯一的,以确保在***中能够准确标识和追踪特定设备;设备的数字信息码通常依据设备登记日期、型号、功能、出厂编号等条件生成。生成完毕后,数据库单元将数字信息码存储到Mysql数据库中,若数字信息码是一个数字串或者数字编码,则对应的数据类型为Float;若数字信息码是由数字和字母混合组成,则对应的数据类型为VARCHAR。
生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上。需要说明的是:
该步骤通过颜色码生成模块实现,颜色码生成模块包含颜色码生成单元和颜色码打印单元;
其中,颜色码生成单元根据所需识别设备的数字信息码,通过计算
机按照一定的规则自动生成颜色码,如图2所示,颜色码主要由三部分组成,分别是负责定位的黑色边缘框、携带设备信息的色块以及负责色块区分的白色底色。色块由计算机三原色红、绿、蓝组成;若颜色码中包含个色块,则通过不同的位置排列以及颜色变换能够生成/>种排列组合,因此颜色码能够携带大量的信息以区分多种不同的设备,同时红绿蓝的色块符合计算机底层的颜色逻辑,所以在识别的准确率方面也有着天然的优势。颜色码可以根据想要管理设备的数量及物理状态定制不同尺寸的款型,颜色码默认为长方形,长宽比为1:3,携带设备信息的色块默认为长方形,长宽比为1:2,且色块等分排列;若所需要识别的设备在室内环境下使用,颜色码打印单元将计算机自动生成的颜色码通过热转印方式打印到PVC材质上;若所需要识别的设备在室外环境下使用,为了避免颜色码反光,颜色码打印单元将计算机自动生成的颜色码通过热转印方式打印到磨砂材质上。打印完毕后,将颜色码粘贴到所要识别的设备上,值得注意的是,为了提高识别准确率,要确保设备表面干净、平整、光滑,并且没有任何灰尘、油脂、污渍或其他杂质;若设备表面存在灰尘、油脂、污渍或其他杂质,则用酒精进行擦拭,并允许其完全干燥;根据设备表面的材质和特性,选择适合PVC或磨砂材质的粘合剂或胶水,要确保所选的粘合剂与材质兼容,并能在所需环境条件下提供足够的粘合力。
部署摄像头,获取粘贴在所需识别设备上的颜色码图像。需要说明的是:
该步骤通过图像采集模块实现,图像采集模块包括摄像头单元、图像预处理单元;
其中,摄像头单元通过摄像头拍摄包含颜色码的RGB图像,摄像头主要参数包括像素、是否采用广角摄像头及其广角角度与畸变角度、抗曝光程度以及拍摄距离和角度。在拍摄包含颜色码的RGB图像时,选择120度微畸变、500万像素、抗曝光的摄像头进行拍摄,拍摄距离为60厘米,拍摄方向为垂直角度。通常拍摄距离以清晰可见为标准,拍摄距离和摄像头像素及色卡大小成正比;拍摄角度以垂直为最优,垂直角度可以避免透视效果产生的偏差,通常在15度以内不会对结果产生影响,超过15度会导致准确率下降。
由于摄像头拍摄的含有颜色码的RGB图像,通常存在亮度不均、对比度不足,饱和度不足和噪声问题,因此图像预处理单元需要对摄像头拍摄的含有颜色码的RGB图像进行预处理,预处理过程包含调整亮度、对比度、饱和度以及对含有颜色码的RGB图像的三个通道分别进行滤波,其中对含有颜色码的RGB图像的任一通道进行滤波包含以下步骤:
(a)令表示含有颜色码的RGB图像像素点/>的滤波窗口,/>表示初始滤波窗口,/>表示最大滤波窗口,/>表示像素点/>的像素值,/>表示滤波窗口中最小像素值,/>表示滤波窗口中最大像素值,/>表示平均像素值,/>表示中间像素值;
(b)令,/>,若/>或者/>,则直接执行步骤(c),否则执行步骤(d);
(c)若,则增大滤波窗口/>的尺寸,否则输出/>;若增大后的滤波窗口/>的尺寸大于最大滤波窗口/>的尺寸,则输出/>,否则执行步骤(b);
(d)令,/>,若/>或者/>,输出/>,否则输出/>。
利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息。需要说明的是:
该步骤基于AI算法定位模块实现,由于摄像头拍摄的含有颜色码的RGB图像通常含有大量信息,因此需要通过语义分割的手段过滤掉冗余信息,以此实现对色卡的精准分析。
在语义分割的过程中主要面对三个问题:
一、数据来源,首先通过一些人工操作获取数据训练出预训练模型,然后数据单元将预处理完毕后的含有颜色码的RGB图像经过YOLOV5单元进行初步标注,并通过人工审核的方式对标注不准确的数据进行微调和修改,完毕后进行保存。
二、模型训练,在深度学习模型训练的过程中,创建一个含有颜色码的RGB图像数据集文件夹train或val,并将标好的标签数据一同放置在同级目录下的labels文件中,将该数据集划分为训练集和验证集,比例为9:1;在训练过程中,深度学习模型反复从训练集中随机抽取含有颜色码的RGB图像送入深度学习模型,在训练过程中,使用随机梯度下降优化算法对深度学习模型进行训练,其中学习率为0.001,随机梯度下降优化算法广泛应用于深度学习模型的训练过程中,当深度学习模型训练完毕后,在验证集上评估深度学习模型的性能,需要注意的是,在标注标签文件时通过扩大边缘25%的方式标注数据以减少颜色码信息丢失的情况,经过以上操作在评估的过程中可以选择75%的IOU做为标准计算,同时也减少原本IOU 75%会丢失信息的情况,以及避免IOU 100%不利于训练的情况,最终我们可以通过该条件来计算准确率以及召回率。
三、模型推理,模型训练子单元会定期获取数据单元经过人工审核的数据,并将模型加以训练,经过验证集测试,若评估指标上升,则会更新模型下发至每个执行推理的边端。模型推理子单元会检查模型文件,若模型文件出现变动则更新模型文件。
根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果。需要说明的是:
该步骤通过色块识别模块实现;色块识别模块包含位置定位单元、颜色定位单元以及颜色判断单元。
其中,位置定位单元获取色卡生成过程中的参数,参数包括整个色卡以像素为单位的长度信息、每个色块左上角/>和右下角/>以像素为单位的位置信息;然后通过两组相对坐标/>和/>确定色块位置;
颜色定位单元,主要以辅助位置定位的一种方式,在广角成像畸变的情况下,图像会产生球形立体形变并且越靠近边缘会导致形变加重,因此会导致位置定位单元效果变差。颜色定位单元通过将图像转换成灰度图像,然后通过k-means的方法将图像分为黑框、白底、色块的部分,将每一部分使用轮廓查找的方法并限制轮廓大小找出所有符合标准的轮廓,若在遍历的过程中存在符合色块数量的轮廓个数时,即可通过定位轮廓的位置来锁定色块的位置;
色块识别单元将定位后的色块图像每一个通道所对应的像素值相加,得到每一个通道所有对应像素值之和,选取对应像素值之和最大值所对应的通道作为色块的颜色。
记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对。需要说明的是:
该步骤通过通过数据比对模块实现;数据比对模块包括解码单元、比对单元、报警单元;
其中,解码单元从色块识别单元中获取颜色码中的所有色块识别结果,将颜色码中的所有色块识别结果通过计算机自动解码成数字信息码,并将数字信息码存储到日志文件中,便于复盘查验;
比对单元从解码单元中获取数字信息码,并与数据库单元中的数字信息码进行比对;若比对结果存在异常,则通过报警单元向运维值班人员进行报警。
实施例二
本实施例为本发明的第二个实施例,如图3所示,一种基于颜色码的设备识别***,包含以下模块:
信息生成模块,采集所需识别设备的数字信息码,并将数字信息码保
存;信息生成模块包含信息生成单元和数据库单元;
其中,信息生成单元生成所需识别设备的数字信息码;设备的数字信息码是指用数字表示的设备标识码,用于唯一标识和区分不同设备;它可以是一个数字串、数字编码或由数字和字母组成的字符串;设备的数字信息码通常由使用方管理,用于识别其产品线中的每个单独设备,每个设备的数字信息码是唯一的,以确保在***中能够准确标识和追踪特定设备;设备的数字信息码通常依据设备登记日期、型号、功能、出厂编号等条件生成。生成完毕后,数据库单元将数字信息码存储到Mysql数据库中,若数字信息码是一个数字串或者数字编码,则对应的数据类型为Float;若数字信息码是由数字和字母混合组成,则对应的数据类型为VARCHAR。
颜色码生成模块,生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上;颜色码生成模块包含颜色码生成单元和颜色码打印单元;
其中,颜色码生成单元根据所需识别设备的数字信息码,通过计算
机按照一定的规则自动生成颜色码,如图2所示,颜色码主要由三部分组成,分别是负责定位的黑色边缘框、携带设备信息的色块以及负责色块区分的白色底色。色块由计算机三原色红、绿、蓝组成,若颜色码中包含个色块,则通过不同的位置排列以及颜色变换能够生成/>种排列组合,因此颜色码能够携带大量的信息以区分多种不同的设备,同时红绿蓝的色块符合计算机底层的颜色逻辑,所以在识别的准确率方面也有着天然的优势。颜色码可以根据想要管理设备的数量及物理状态定制不同尺寸的款型,颜色码默认为长方形,长宽比为1:3,携带设备信息的色块默认为长方形,长宽比为1:2,且色块等分排列;若所需要识别的设备在室内环境下使用,颜色码打印单元将计算机自动生成的颜色码通过热转印方式打印到PVC材质上;若所需要识别的设备在室外环境下使用,为了避免颜色码反光,颜色码打印单元将计算机自动生成的颜色码通过热转印方式打印到磨砂材质上。打印完毕后,将颜色码粘贴到所要识别的设备上,值得注意的是,为了提高识别准确率,要确保设备表面干净、平整、光滑,并且没有任何灰尘、油脂、污渍或其他杂质,若设备表面存在灰尘、油脂、污渍或其他杂质;则用酒精进行擦拭,并允许其完全干燥;根据设备表面的材质和特性,选择适合PVC或磨砂材质的粘合剂或胶水,要确保所选的粘合剂与材质兼容,并能在所需环境条件下提供足够的粘合力。
图像采集模块,部署摄像头,获取粘贴在所需识别设备上的颜色码图像;图像采集模块包括摄像头单元、图像预处理单元;
其中,摄像头单元通过摄像头拍摄包含颜色码的RGB图像,摄像头主要参数包括像素、是否采用广角摄像头及其广角角度与畸变角度、抗曝光程度以及拍摄距离和角度。在拍摄包含颜色码的RGB图像时,选择120度无畸变、200万像素、抗曝光的摄像头进行拍摄,拍摄距离为70厘米,需要注意的是在使用无畸变摄像机拍摄的过程中需要将摄像头距离增大可视范围,拍摄方向为垂直角度。通常拍摄距离以清晰可见为标准,拍摄距离和摄像头像素及色卡大小成正比;拍摄角度以垂直为最优,垂直角度可以避免透视效果产生的偏差,通常在15度以内不会对结果产生影响,超过15度会导致准确率下降。
由于摄像头拍摄的含有颜色码的RGB图像,通常存在亮度不均、对比度不足,饱和度不足,噪声问题,因此图像预处理单元需要对摄像头拍摄的含有颜色码的RGB图像进行预处理,预处理过程包含调整亮度、对比度、饱和度以及对含有颜色码的RGB图像的三个通道分别进行滤波,其中对含有颜色码的RGB图像的任一通道进行滤波包含以下步骤:
(a)令表示含有颜色码的RGB图像像素点/>的滤波窗口,/>表示初始滤波窗口,/>表示最大滤波窗口,/>表示像素点/>的像素值,/>表示滤波窗口中最小像素值,/>表示滤波窗口中最大像素值,/>表示平均像素值,/>表示中间像素值;
(b)令,/>,若/>或者/>,则直接执行步骤(c),否则执行步骤(d);
(c)若,则增大滤波窗口/>的尺寸,否则输出/>;若增大后的滤波窗口/>的尺寸大于最大滤波窗口/>的尺寸,则输出/>,否则执行步骤(b);
(d)令,/>,若/>或者/>,输出/>,否则输出/>。
AI算法定位模块,利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息;如图4所示,AI算法定位模块包括数据单元和YOLOV5单元;由于摄像头拍摄的含有颜色码的RGB图像通常含有大量信息,因此需要通过语义分割的手段过滤掉冗余信息,以此实现对色卡的精准分析。
在语义分割的过程中主要面对三个问题:
一、数据来源,首先通过一些人工操作获取数据训练出预训练模型,然后数据单元将预处理完毕后的含有颜色码的RGB图像经过YOLOV5单元进行初步标注,并通过人工审核的方式对标注不准确的数据进行微调和修改,完毕后进行保存。
二、模型训练,在深度学习模型训练的过程中,创建一个含有颜色码的RGB图像数据集文件夹train或val,并将标好的标签数据一同放置在同级目录下的labels文件中,将该数据集划分为训练集和验证集比例为9:1;在训练过程中,深度学习模型反复从训练集中随机抽取含有颜色码的RGB图像送入深度学习模型,在训练过程中,使用随机梯度下降优化算法对深度学习模型进行训练,其中学习率为0.001,随机梯度下降优化算法广泛应用于深度学习模型的训练过程中,当深度学习模型训练完毕后,在验证集上评估深度学习模型的性能;需要注意的是,在标注标签文件时扩大边缘25%的方式标注数据以减少颜色码信息丢失的情况,经过以上操作在评估的过程中可以选择75%的IOU做为标准计算,同时也减少原本IOU 75%会丢失信息的情况,以及避免IOU 100%不利于训练的情况,最终我们可以通过该条件来计算准确率以及召回率。
三、模型推理,模型训练子单元会定期获取数据单元经过人工审核的数据,并将模型加以训练,经过验证集测试若评估指标上升,则会更新模型下发至每个执行推理的边端。模型推理子单元会检查模型文件,若模型文件出现变动则更新模型文件。
色块识别模块,根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果;如图5所示,色块识别模块包含位置定位单元、颜色定位单元以及颜色判断单元。
其中,位置定位单元获取色卡生成过程中的参数,参数包括整个色卡以像素为单位的长度信息、每个色块左上角/>和右下角/>以像素为单位的位置信息;然后通过两组相对坐标/>和/>确定色块位置;
颜色定位单元主要以辅助位置定位的一种方式,在广角成像畸变的情况下,图像会产生球形立体形变并且越靠近边缘会导致形变加重,因此会导致位置定位单元效果变差。颜色定位单元通过将图像转换成灰度图像,然后通过k-means的方法将图像分为黑框、白底、色块的部分,将每一部分使用轮廓查找的方法并限制轮廓大小找出所有符合标准的轮廓,若在遍历的过程中存在符合色块数量的轮廓个数时,即可通过定位轮廓的位置来锁定色块的位置;
色块识别单元将定位后的色块图像每一个通道所对应的像素值相加,得到每一个通道所有对应像素值之和,选取对应像素值之和最大值所对应的通道作为色块的颜色。
数据比对模块,记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对;数据比对模块包括解码单元、比对单元、报警单元;
其中,解码单元从色块识别单元中获取颜色码中所有色块识别结果,将颜色码中的所有色块识别结果通过计算机自动解码成数字信息码,并将数字信息码存储到日志文件中,便于复盘查验;
比对单元从解码单元中获取数字信息码,并与数据库单元中的数字信息码进行比对;若比对结果存在异常,则通过报警单元向运维值班人员进行报警。
实施例三
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现一种基于颜色码的设备识别方法。需要说明的是:
一种基于颜色码的设备识别方法的所有计算机程序均使用C++语言实现,
其中,图像采集模块由一个STM32嵌入式微控制器控制,对摄像头采集到的图像进行调整亮度、对比度、饱和度以及滤波预处理的过程,均由STM32嵌入式微控制器实现,信息生成模块、颜色码生成模块、AI算法定位模块、色块识别模块、数据比对模块由远程服务器控制;远程服务器的CPU为Intel CORE i7,Intel CORE i7和STM32嵌入式微控制器共同实现一种基于颜色码的设备识别***。
实施例四
本实施例提供一种电子设备,包括:处理器和存储器,其中,存储器中存储有可供处理器调用的计算机程序;处理器通过调用存储器中存储的计算机程序,执行上述的一种基于颜色码的设备识别方法。该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上的处理器(Central Processing Units,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于颜色码的设备识别方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件,以便进行数据的输入输出。本实施例在此不做赘述。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于颜色码的设备识别方法,其特征在于:包括以下具体步骤:
生成所需识别设备的数字信息码,并将数字信息码保存;
生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上;
部署摄像头,获取粘贴在所需识别设备上的颜色码图像;
利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息;
根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果;
记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对;所述生成所需识别设备的数字信息码,并将数字信息码保存通过信息生成模块实现,信息生成模块包含信息生成单元和数据库单元;
其中,信息生成单元根据所绑定的设备类型以及管理规模与应用场景生成特定长度以及包含特定信息的数字信息码,数据库单元用于实现将数字信息码与设备具体信息进行绑定并保存的功能;所述生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上通过颜色码生成模块实现,颜色码生成模块包含颜色码生成单元和颜色码打印单元;
其中,颜色码生成单元根据所需识别设备的数字信息码,通过计算机自动生成颜色码;颜色码打印单元将计算机自动生成的颜色码打印到PVC材质或者磨砂材质上;所述颜色码由三部分组成,分别是负责定位的黑色边缘框、携带设备信息的色块以及负责色块区分的白色底色;其中,携带设备信息的色块由红绿蓝计算机三原色构成;所述部署摄像头,获取粘贴在所需识别设备上的颜色码图像通过图像采集模块实现;图像采集模块包括摄像头单元和图像预处理单元;
其中,摄像头单元拍摄包含有颜色码的RGB图像;图像预处理单元对摄像头单元拍摄的含有颜色码的RGB图像进行预处理,预处理过程包含调整亮度、对比度、饱和度以及对含有颜色码的RGB图像的三个通道进行滤波;对含有颜色码的RGB图像的任一通道进行滤波包含以下步骤:
(a)令表示含有颜色码的RGB图像像素点/>的滤波窗口,/>表示初始滤波窗口,表示最大滤波窗口,/>表示像素点/>的像素值,/>表示滤波窗口中最小像素值,表示滤波窗口中最大像素值,/>表示平均像素值,/>表示中间像素值;
(b)令,/>,若/>或者/>,则直接执行步骤(c),否则执行步骤(d);
(c)若,则增大滤波窗口/>的尺寸,否则输出/>;若增大后的滤波窗口/>的尺寸大于最大滤波窗口/>的尺寸,则输出/>,否则执行步骤(b);
(d)令,/>,若/>或者/>,输出/>,否则输出/>;利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息通过AI算法定位模块实现;AI算法定位模块包括数据单元和YOLOV5单元;
其中,数据单元将预处理完毕后的含有颜色码的RGB图像经过YOLOV5单元进行初步标注,初步标注完毕后,对含有颜色码的RGB图像进行审核,若含有颜色码的RGB图像存在错误标注,则进行修改;
YOLOV5单元包含两个子单元,分别为模型训练子单元和模型推理子单元,模型训练子单元会定期获取数据单元中审核完毕的含有颜色码的RGB图像,将模型加以训练,并经过验证集测试,若评估指标上升,则更新模型,并将更新后的模型下发至每个执行推理的边端;模型推理子单元会检查模型文件,若模型文件出现变动则更新模型文件;
所述根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果通过色块识别模块实现;色块识别模块包括位置定位单元、颜色定位单元以及色块识别单元;
其中,位置定位单元获取色卡生成过程中的参数,参数包括整个色卡以像素为单位的长度信息、每个色块左上角/>和右下角/>以像素为单位的位置信息;然后通过两组相对坐标/>和/>确定色块位置;
颜色定位单元将含有颜色码的RGB图像转换成灰度图像,通过k-means聚类的方法将图像分为黑框、白底、色块的部分,将每一部分使用轮廓查找的方法并限制轮廓大小找出所有符合标准的轮廓;若在遍历的过程中存在符合色块数量的轮廓个数时,则通过定位轮廓的位置来锁定色块的位置;
色块识别单元将定位后的色块图像的每一个通道所对应的像素值相加,得到每一个通道所有对应像素值之和,选取对应像素值之和最大值所对应的通道作为色块的颜色。
2.根据权利要求1所述的一种基于颜色码的设备识别方法,其特征在于:记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对通过数据比对模块实现;数据比对模块包括解码单元、比对单元、报警单元;
其中,解码单元从色块识别单元中获取颜色码中的所有色块识别结果,并将颜色码中的所有色块识别结果解码成数字信息码,并将数字信息码存储到日志文件中;
比对单元从解码单元中获取数字信息码,并与数据库单元中的数字信息码进行比对;若比对结果存在异常,则通过报警单元向运维值班人员进行报警。
3.一种基于颜色码的设备识别***,基于权利要求1-2任一项所述的一种基于颜色码的设备识别方法实现,其特征在于,包括:
信息生成模块,生成所需识别设备的数字信息码,并将数字信息码保存;
颜色码生成模块,生成与数字信息码相对应的颜色码,并将颜色码打印、粘贴到所需识别的设备上;
图像采集模块,部署摄像头,获取粘贴在所需识别设备上的颜色码图像;
AI算法定位模块,利用AI算法自动定位颜色码在图像中的位置,获取颜色码的顺序信息;
色块识别模块,根据定位颜色码的位置,获取颜色码中色块坐标信息,利用色块坐标信息获取色块识别结果;
数据比对模块,记录色块识别结果,解码成数字信息码,并与数据库中的数字信息码进行比对。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1-2任一项所述的一种基于颜色码的设备识别方法。
5.一种电子设备,包括存储器和处理器,所述存储器用于存储计算机程序,
其特征在于,所述处理器用于执行所述计算机程序时实现权利要求1-2任一项所述的一种基于颜色码的设备识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031664.XA CN116778195B (zh) | 2023-08-16 | 2023-08-16 | 一种基于颜色码的设备识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031664.XA CN116778195B (zh) | 2023-08-16 | 2023-08-16 | 一种基于颜色码的设备识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778195A CN116778195A (zh) | 2023-09-19 |
CN116778195B true CN116778195B (zh) | 2023-11-24 |
Family
ID=88013686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311031664.XA Active CN116778195B (zh) | 2023-08-16 | 2023-08-16 | 一种基于颜色码的设备识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778195B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1578969A (zh) * | 2001-11-03 | 2005-02-09 | 卡勒兹普麦迪亚公司 | 识别码的设备和方法 |
CN1912537A (zh) * | 2005-08-01 | 2007-02-14 | 株式会社拓普康 | 三维测量***、三维测量方法和带彩色代码标识 |
CN101189641A (zh) * | 2005-05-12 | 2008-05-28 | 布雷克成像有限公司 | 编码数字图像的像素或体素的方法及处理数字图像的方法 |
CN102646187A (zh) * | 2011-02-20 | 2012-08-22 | 深圳市心艺来文化有限公司 | 彩色图形编码及识别方法 |
CN102982468A (zh) * | 2012-10-31 | 2013-03-20 | 郁敏 | 一种基于彩码识别技术的广告***及方法 |
CN106683593A (zh) * | 2015-11-06 | 2017-05-17 | 沈维 | 一种具有编码信息的广告牌 |
CN106919966A (zh) * | 2016-12-28 | 2017-07-04 | 上海交通大学 | 基于彩色矩形码的图书管理方法及彩色矩形码标签 |
CN111477289A (zh) * | 2019-01-24 | 2020-07-31 | 明码(上海)生物科技有限公司 | 检测报告的存储和读取方法及装置 |
CN114781417A (zh) * | 2022-04-12 | 2022-07-22 | 普联技术有限公司 | 一种二维码识别方法、二维码识别装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100677830B1 (ko) * | 2005-01-18 | 2007-02-05 | 천지득 | 칼라코드 값의 인코딩, 디코딩 알고리즘을 이용한 인터넷서비스 방법 및 그 장치. |
-
2023
- 2023-08-16 CN CN202311031664.XA patent/CN116778195B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1578969A (zh) * | 2001-11-03 | 2005-02-09 | 卡勒兹普麦迪亚公司 | 识别码的设备和方法 |
CN101189641A (zh) * | 2005-05-12 | 2008-05-28 | 布雷克成像有限公司 | 编码数字图像的像素或体素的方法及处理数字图像的方法 |
CN1912537A (zh) * | 2005-08-01 | 2007-02-14 | 株式会社拓普康 | 三维测量***、三维测量方法和带彩色代码标识 |
CN102646187A (zh) * | 2011-02-20 | 2012-08-22 | 深圳市心艺来文化有限公司 | 彩色图形编码及识别方法 |
CN102982468A (zh) * | 2012-10-31 | 2013-03-20 | 郁敏 | 一种基于彩码识别技术的广告***及方法 |
CN106683593A (zh) * | 2015-11-06 | 2017-05-17 | 沈维 | 一种具有编码信息的广告牌 |
CN106919966A (zh) * | 2016-12-28 | 2017-07-04 | 上海交通大学 | 基于彩色矩形码的图书管理方法及彩色矩形码标签 |
CN111477289A (zh) * | 2019-01-24 | 2020-07-31 | 明码(上海)生物科技有限公司 | 检测报告的存储和读取方法及装置 |
CN114781417A (zh) * | 2022-04-12 | 2022-07-22 | 普联技术有限公司 | 一种二维码识别方法、二维码识别装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116778195A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416403B (zh) | 商品与标签的自动关联方法、***、设备及存储介质 | |
EP2767928B1 (en) | Device and method for automatically identifying a qr code | |
WO2022121039A1 (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN107808157B (zh) | 一种***编码定位及识别的方法及装置 | |
CN112052850B (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
CN107145929B (zh) | 一种用于圆柱面二维码贴的预畸变二维码生成方法 | |
CN107680294A (zh) | 房产信息查询方法、***、终端设备及存储介质 | |
CN103597500A (zh) | 用于辨识对象中的文本信息的***和方法 | |
WO2022156178A1 (zh) | 图像目标对比方法、装置、计算机设备及可读存储介质 | |
CN110807454B (zh) | 基于图像分割的文字定位方法、装置、设备及存储介质 | |
CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
CN106156684A (zh) | 一种二维码识别方法及装置 | |
CN109687382B (zh) | 一种基于颜色模版匹配的继电保护压板投退状态识别方法 | |
CN109034694B (zh) | 基于智能制造的生产原料智能存储方法及*** | |
CN110020643A (zh) | 一种压板识别方法与设备 | |
CN103336938A (zh) | 一种基于一维条形码图像的识别方法 | |
CN107403217A (zh) | 一种标记物辅助乱架识别*** | |
CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN115147939A (zh) | 一种大规模场景下的数据分发管理***及方法 | |
Edward V | Support vector machine based automatic electric meter reading system | |
CN104346596A (zh) | 一种qr码的识别方法及识别装置 | |
CN115731554A (zh) | 快件面单识别方法、装置、计算机设备及存储介质 | |
CN111507119A (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
CN116778195B (zh) | 一种基于颜色码的设备识别方法和*** | |
CN106056029B (zh) | 基于路灯标签智能识别技术的路灯移动管理***及其方法 |
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 |