CN106384110A - 具有自适应能力的钢印字符在线自动识别方法 - Google Patents

具有自适应能力的钢印字符在线自动识别方法 Download PDF

Info

Publication number
CN106384110A
CN106384110A CN201610817484.8A CN201610817484A CN106384110A CN 106384110 A CN106384110 A CN 106384110A CN 201610817484 A CN201610817484 A CN 201610817484A CN 106384110 A CN106384110 A CN 106384110A
Authority
CN
China
Prior art keywords
character
adaptive ability
embossing seal
seal character
automatic identification
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.)
Granted
Application number
CN201610817484.8A
Other languages
English (en)
Other versions
CN106384110B (zh
Inventor
顾勇
黄守兵
严旻
蔡艳
盛洁
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.)
Shanghai Huizhong Automotive Manufacturing Co Ltd
Original Assignee
Shanghai Huizhong Automotive Manufacturing Co Ltd
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 Shanghai Huizhong Automotive Manufacturing Co Ltd filed Critical Shanghai Huizhong Automotive Manufacturing Co Ltd
Priority to CN201610817484.8A priority Critical patent/CN106384110B/zh
Publication of CN106384110A publication Critical patent/CN106384110A/zh
Application granted granted Critical
Publication of CN106384110B publication Critical patent/CN106384110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • 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
    • 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
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Character Input (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种具有自适应能力的钢印字符在线自动识别方法，用于识别钢印英文字符和数字，其包括以下步骤：S1、设计并制作一种分段控制的LED光源，对钢印字符按照预制方式进行拍摄，获得一系列不同明暗度的钢印字符图像；S2、采用改进的SOBEL算法提取边缘，以此为基础进行钢印点标识并划定后续检测区域；S3、对标记区域采用局部动态阈值算法进行图像分割，并通过欧式距离进行结果筛选，再对分割后的图像进行形态学修补；S4、计算分割图像与字符的相似度得分，对高得分字符进行特征区域复检，复检得分最高者为钢印字符内容。本发明具有自适应能力强，噪声敏感程度低，实时性强等优点，可以满足工业自动检测和信息化的需求。

Description

具有自适应能力的钢印字符在线自动识别方法
技术领域
本发明涉及字符识别领域，特别涉及一种具有自适应能力的钢印字符在线自动识别方法。
背景技术
在字符识别领域中，零件编号在生产全过程的数字化管理中具有重要作用。目前，在制造企业中，通常采用钢印对零部件进行编号。这种方法操作方便、价格低廉，且适合操作人员肉眼读取。虽然条形码或二维码的应用不断增加，许多汽车、船舶等制造类企业仍广泛采用钢印字符给零部件编号。
在这类企业中，工件表面状态复杂，易存在锈斑、油污、焊接飞溅等污染，更为困难的是由于工件定位波动，钢印字符的深浅波动剧烈，且易产生毛边、断续等问题。
因此，虽然字符识别(OCR)技术的研究已经非常成熟，但这些研究成果直接应用于钢印字符时仍存在算法失效或误判率高等问题，有必要针对钢印字符开发新的识别方法和系统。
然而，目前对钢印字符的研究都集中在数字图像处理算法优化方面，并没有从照明成像系统角度进行设计和改进，也没有将成像过程与图像处理算法相结合，其研究成果虽然具有一定的参考价值。但对于刻印深浅波动大、工件表面干扰严重的钢印字符识别来说仍存在显著的局限。
因此，本领域的技术人员亟待于提供一种综合优化硬件和软件的钢印字符在线识别方法。
发明内容
本发明要解决的技术问题是为了克服现有技术中钢印字符识别存在算法失效且误判率高等缺陷，提供一种具有自适应能力的钢印字符在线自动识别方法。
本发明是通过下述技术方案来解决上述技术问题的：一种具有自适应能力的钢印字符在线自动识别方法，用于识别钢印英文字符和数字，其特点在于，所述识别方法包括以下步骤：
S1、设计并制作一种分段控制的LED光源，对钢印字符按照预制方式进行拍摄，获得一系列不同明暗度的钢印字符图像；
S2、采用改进的SOBEL算法提取边缘，以此为基础进行钢印点标识并划定后续检测区域；
S3、对标记区域采用局部动态阈值算法进行图像分割，并通过欧式距离进行结果筛选，再对分割后的图像进行形态学修补；
S4、计算分割图像与字符的相似度得分，对高得分字符进行特征区域复检，复检得分最高者为钢印字符内容。
较佳地，所述步骤S1中的所述LED光源采用环形或矩形。
较佳地，所述步骤S1中具体包括：根据被测对象特征确定分段数和各段的亮度等级。
较佳地，所述步骤S1中采用不同电源为各段LED光源供电，或者采用多路电源为各段LED光源供电。
较佳地，所述步骤S1中所述拍摄过程中所述LED光源各段的开关和强度值独立控制，并根据预先设置的模式工作。
较佳地，所述步骤S2中改进的SOBEL算法采用多个方向的模板，用于提供不同方向的钢印字符轮廓。
较佳地，所述步骤S2中在图像叠加过程中，各方向的权重可根据被检测对象特征进行设置和调节。
较佳地，所述步骤S3中具体包括：根据字符图像的尺寸设定最小边缘尺寸，对于存在连续边缘或临近边缘的区域进行标记。
较佳地，所述步骤S3还具体包括：对于所述标记区域的图像分割采用最大类间方差算法，各区域的阈值只由类间方差算法确定；在分割获得的颗粒间进行欧式距离计算，并根据被测字符的宽度和高度将临近颗粒划分为一组，并摒弃孤立颗粒。
较佳地，所述步骤S4中具体包括：将每组颗粒视为一个字符，通过形态学计算将其连通，在于字符库的单字符图像进行相似度计算，选取得分最高的3-5个字符进行特征区域复检，满足复检条件且相似度得分最高的字符判为识别结果。
本发明的积极进步效果在于：
本发明具有自适应能力的钢印字符在线自动识别方法，将照明成像系统和图像处理算法相融合，用于识别金属或非金属表面的钢印英文字符和数字，其具有自适应能力强，噪声敏感程度低，实时性强等优点。本发明具有自适应能力的钢印字符在线自动识别方法可以实时准确地识别强干扰下的钢印字符、满足工业自动检测和信息化的需求。
附图说明
本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变的更加明显，在附图中相同的附图标记始终表示相同的特征，其中：
图1为本发明具有自适应能力的钢印字符在线自动识别方法中字符拍摄的分段照明设置表格。
图2为本发明具有自适应能力的钢印字符在线自动识别方法中分段控制环形LED光源的结构示意图。
图3为本发明具有自适应能力的钢印字符在线自动识别方法中采用不同照明方式的钢印字符图像。
图4为本发明具有自适应能力的钢印字符在线自动识别方法中SOBEL算法在不同方向的模板。
图5为本发明具有自适应能力的钢印字符在线自动识别方法中钢印字符图像预处理的示意图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
现在将详细参考本发明的优选实施例，其示例在附图中示出。在任何可能的情况下，在所有附图中将使用相同的标记来表示相同或相似的部分。此外，尽管本发明中所使用的术语是从公知公用的术语中选择的，但是本发明说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本发明。
图1为本发明具有自适应能力的钢印字符在线自动识别方法中字符拍摄的分段照明设置表格。图2为本发明具有自适应能力的钢印字符在线自动识别方法中分段控制环形LED光源的结构示意图。图3为本发明具有自适应能力的钢印字符在线自动识别方法中采用不同照明方式的钢印字符图像。图4为本发明具有自适应能力的钢印字符在线自动识别方法中SOBEL算法在不同方向的模板。图5为本发明具有自适应能力的钢印字符在线自动识别方法中钢印字符图像预处理的示意图。
如图1至图5所示，本发明公开了一种具有自适应能力的钢印字符在线自动识别方法，用于识别钢印英文字符和数字，其以下步骤：
步骤一、设计并制作一种分段控制的LED光源，对钢印字符按照预制方式进行拍摄，获得一系列不同明暗度的钢印字符图像。
步骤二、采用改进的SOBEL算法提取边缘，以此为基础进行钢印点标识并划定后续检测区域。
步骤三、对标记区域采用局部动态阈值算法进行图像分割，并通过欧式距离进行结果筛选，再对分割后的图像进行形态学修补。
步骤四、计算分割图像与字符的相似度得分，对高得分字符进行特征区域复检，复检得分最高者为钢印字符内容。
进一步优选地，如图2所示，所述步骤S1中的所述LED光源采用环形或矩形。根据被测对象特征确定分段数和各段的亮度等级。其可以采用不同电源为各段LED光源供电，或者也可以采用多路电源为各段LED光源供电。在拍摄过程中，所述LED光源各段的开关和强度值独立控制，并根据预先设置的模式工作。
进一步优选地，如图3所示，改进的SOBEL算法采用多个方向的模板，用于提供不同方向的钢印字符轮廓。在图像叠加过程中，各个方向的权重可根据被检测对象特征进行设置和调节。所采用的不同照明条件的多次拍摄，以及基于不同方向的SOBEL边缘叠加方法，使得本方法具有良好地自适应能力，可以有效克服多种干扰因素，包括工件位置差异、工件表面锈污、刻印深度波动等。
更近一步地，在步骤三中具体包括：根据字符图像的尺寸设定最小边缘尺寸，对于存在连续边缘或临近边缘的区域进行标记。对于所述标记区域的图像分割采用最大类间方差算法，各区域的阈值只由类间方差算法确定。这里各区域可以采用不同阈值，并不设定区域之间的拘束。在分割获得的颗粒间进行欧式距离计算，并根据被测字符的宽度和高度将临近颗粒划分为一组，并摒弃孤立颗粒。
优选地，在步骤四中具体包括：将每组颗粒视为一个字符，通过形态学计算将其连通，在于字符库的单字符图像进行相似度计算，选取得分最高的3-5个字符进行特征区域复检，满足复检条件且相似度得分最高的字符判为识别结果。
如图1至图5所示，本实施实例中采用环形LED光源为例，此处仅为举例，并不受其限制。所述具有自适应能力的钢印字符在线自动识别方法将环形LED光源分为8段，每段设置2个光照强度，采用具有8路输出的电源为LED光源供电，各路的供电状态分为：0(关闭)、1(低强度)和2(高强度)。
在拍摄过程中，各段光源的设置如图1所示。其中，第一次拍摄中各段光源均采用低强度，避免强光造成的金属表面反光。第二次拍摄中各段光源均采用高强度，提高工件表面暗区的灰度值。第三次拍摄中分段1、4、5、6采用高强度，分段2、3、6、7采用低强度，用于提高字符左右两端的图像灰度值。第四次拍摄中分段1、4、5、6采用低强度，分段2、3、6、7采用高强度，用于提高字符上下两端的图像灰度值。
采用上述照明方式得到的图像如图3所示，四次拍摄的图像具有一定的互补效果。
在本实施例中，用于SOBEL算法的方向模板如图4所示，分别用于提取不同方向的边缘信息。对四次拍摄的图片平滑滤波处理后，采用上述模板进行SOBEL边缘提取，并将边缘提取后的图片进行叠加，得到图5(a)所示的轮廓图像，可以发现，通过本发明的拍摄方法和图像处理算法可以有效提高字符与背景的对比度。
在此基础上，以字符高度和宽度作为拘束条件，对边缘提取图像进行标记处理，即先选取高亮度区域，再以水平方向和竖直方向距离为优化目标进行筛选，如图5(b)所示。
在标记图片上对单字符区域采用最大类间方差法进行图像分割，并迭代采用“腐蚀-膨胀”算法。本实施例中，腐蚀运算的阶数为1，膨胀运算的阶数为2，迭代次数为3，得到图5(c)所示的效果。
统计颗粒面积并计算颗粒与标记区域中心的欧式距离，将距离大于阈值的小面积颗粒滤除。本实施例中，距离阈值设为100像素，面积阈值设为150像素，得到图5(d)所示的效果，可以发现钢印字符图像预处理效果良好，有效地消除了工件表面锈污的影响。
对筛选后的图片进行相似度计算，即将单个字符与字库中预存的图片进行模板匹配运算，分别得到单个字符与字库中A-Z字母和0-9数字的相似度得分。选取得分最高的3个对象，进行特征区域复检。例如，举例说明：若得分最高的字符为“0”，则选择字符中部进行复检，如中部灰度值低于30，则认为复检通过。若得分最高的字符为“2”，则选择字符底部进行复检，如底部灰度值低于30，则认为复检不通过。如果得分最高的3个字符中有通过复检的，则选择最高得分字符作为识别结果；如果得分最高的3个字符中有通过复检的，则判字符识别失败。
在本实施例中，依次对单个字符进行上述操作，最终100％正确识别出了12字符，计算耗费的时间共计92毫秒。因此所述方法可以用于完成钢印字符的在线自动识别。按照本例方法完成1000件零件表面钢印字符的在线识别，识别准确度达到98％。
根据上述描述，本发明公开的所述具有自适应能力的钢印字符在线自动识别方法通过环形或矩形LED阵列组提供非均匀光照，即光源的LED颗粒分组控制，每组具有3个亮度等级，光强分布可按照阈值程序进行改变，每次调节光强分布后拍摄钢印字符，获得一系列不同照明条件下的钢印字符。特别地，其采用了改进的SOBEL算法提取边缘，在此基础上进行钢印点标识并划定后续检测区域，并且对标记区域采用局部动态阈值算法进行图像分割，通过欧式距离进行结果筛选，再对分割后的图像进行形态学修补。进一步地，计算分割图像与字符的相似度得分，对高得分字符进行特征区域复检，复检得分最高者为钢印字符内容。所述具有自适应能力的钢印字符在线自动识别方法具有自适应能力强，噪声敏感程度低，实时性强等优点，可实时准确地识别强干扰下的钢印字符、满足工业自动检测和信息化的需求。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种具有自适应能力的钢印字符在线自动识别方法，用于识别钢印英文字符和数字，其特征在于，所述识别方法包括以下步骤：
S1、设计并制作一种分段控制的LED光源，对钢印字符按照预制方式进行拍摄，获得一系列不同明暗度的钢印字符图像；
S2、采用改进的SOBEL算法提取边缘，以此为基础进行钢印点标识并划定后续检测区域；
S3、对标记区域采用局部动态阈值算法进行图像分割，并通过欧式距离进行结果筛选，再对分割后的图像进行形态学修补；
S4、计算分割图像与字符的相似度得分，对高得分字符进行特征区域复检，复检得分最高者为钢印字符内容。
2.如权利要求1所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S1中的所述LED光源采用环形或矩形。
3.如权利要求2所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S1中具体包括：根据被测对象特征确定分段数和各段的亮度等级。
4.如权利要求3所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S1中采用不同电源为各段LED光源供电，或者采用多路电源为各段LED光源供电。
5.如权利要求1所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S1中所述拍摄过程中所述LED光源各段的开关和强度值独立控制，并根据预先设置的模式工作。
6.如权利要求1所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S2中改进的SOBEL算法采用多个方向的模板，用于提供不同方向的钢印字符轮廓。
7.如权利要求6所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S2中在图像叠加过程中，各方向的权重可根据被检测对象特征进行设置和调节。
8.如权利要求1所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S3中具体包括：根据字符图像的尺寸设定最小边缘尺寸，对于存在连续边缘或临近边缘的区域进行标记。
9.如权利要求8所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S3还具体包括：对于所述标记区域的图像分割采用最大类间方差算法，各区域的阈值只由类间方差算法确定；在分割获得的颗粒间进行欧式距离计算，并根据被测字符的宽度和高度将临近颗粒划分为一组，并摒弃孤立颗粒。
10.如权利要求1所述的具有自适应能力的钢印字符在线自动识别方法，其特征在于，所述步骤S4中具体包括：将每组颗粒视为一个字符，通过形态学计算将其连通，在于字符库的单字符图像进行相似度计算，选取得分最高的3-5个字符进行特征区域复检，满足复检条件且相似度得分最高的字符判为识别结果。
CN201610817484.8A 2016-09-12 2016-09-12 具有自适应能力的钢印字符在线自动识别方法 Active CN106384110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610817484.8A CN106384110B (zh) 2016-09-12 2016-09-12 具有自适应能力的钢印字符在线自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610817484.8A CN106384110B (zh) 2016-09-12 2016-09-12 具有自适应能力的钢印字符在线自动识别方法

Publications (2)

Publication Number Publication Date
CN106384110A true CN106384110A (zh) 2017-02-08
CN106384110B CN106384110B (zh) 2019-07-09

Family

ID=57936394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610817484.8A Active CN106384110B (zh) 2016-09-12 2016-09-12 具有自适应能力的钢印字符在线自动识别方法

Country Status (1)

Country Link
CN (1) CN106384110B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363986A (zh) * 2018-03-07 2018-08-03 曲阜师范大学 基于改进Sobel算子的人脸速写系统和轮廓提取方法
CN113298069A (zh) * 2021-05-28 2021-08-24 深圳市瑞意博科技股份有限公司 一种钢印字符识别方法、装置、计算机设备及存储介质
CN113989793A (zh) * 2021-11-08 2022-01-28 成都天奥集团有限公司 一种石墨电极钢印文字识别方法
CN117523543A (zh) * 2024-01-08 2024-02-06 成都大学 一种基于深度学习的金属压印字符识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101658327A (zh) * 2009-09-13 2010-03-03 周冬莲 卷接机在线钢印检测油墨控制与切口自动纠偏系统
CN201571490U (zh) * 2009-12-17 2010-09-08 上海烟草（集团）公司 针对gd121卷烟机组的烟支钢印在线检测系统
CN201821892U (zh) * 2010-08-05 2011-05-11 葛宇 烟支在线检测仪
CN102426649A (zh) * 2011-10-13 2012-04-25 石家庄开发区冀科双实科技有限公司 一种简单的高准确率的钢印数字自动识别方法
CN102646193A (zh) * 2012-03-23 2012-08-22 河海大学 一种环形排布字符图像分割方法
CN104992152A (zh) * 2015-06-30 2015-10-21 深圳訾岽科技有限公司 一种基于模板字符库的字符识别方法及字符识别系统
CN105203552A (zh) * 2015-09-18 2015-12-30 南京拓控信息科技有限公司 一种360°踏面图像检测系统及其检测方法
CN205158398U (zh) * 2015-10-19 2016-04-13 江西中烟工业有限责任公司赣州卷烟厂 盘纸钢印在线检测装置
CN205535346U (zh) * 2016-03-29 2016-08-31 杭州利珀科技有限公司 一种用于机器视觉的智能光源

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101658327A (zh) * 2009-09-13 2010-03-03 周冬莲 卷接机在线钢印检测油墨控制与切口自动纠偏系统
CN201571490U (zh) * 2009-12-17 2010-09-08 上海烟草（集团）公司 针对gd121卷烟机组的烟支钢印在线检测系统
CN201821892U (zh) * 2010-08-05 2011-05-11 葛宇 烟支在线检测仪
CN102426649A (zh) * 2011-10-13 2012-04-25 石家庄开发区冀科双实科技有限公司 一种简单的高准确率的钢印数字自动识别方法
CN102646193A (zh) * 2012-03-23 2012-08-22 河海大学 一种环形排布字符图像分割方法
CN104992152A (zh) * 2015-06-30 2015-10-21 深圳訾岽科技有限公司 一种基于模板字符库的字符识别方法及字符识别系统
CN105203552A (zh) * 2015-09-18 2015-12-30 南京拓控信息科技有限公司 一种360°踏面图像检测系统及其检测方法
CN205158398U (zh) * 2015-10-19 2016-04-13 江西中烟工业有限责任公司赣州卷烟厂 盘纸钢印在线检测装置
CN205535346U (zh) * 2016-03-29 2016-08-31 杭州利珀科技有限公司 一种用于机器视觉的智能光源

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363986A (zh) * 2018-03-07 2018-08-03 曲阜师范大学 基于改进Sobel算子的人脸速写系统和轮廓提取方法
CN108363986B (zh) * 2018-03-07 2021-08-13 曲阜师范大学 基于改进Sobel算子的人脸速写系统和轮廓提取方法
CN113298069A (zh) * 2021-05-28 2021-08-24 深圳市瑞意博科技股份有限公司 一种钢印字符识别方法、装置、计算机设备及存储介质
CN113989793A (zh) * 2021-11-08 2022-01-28 成都天奥集团有限公司 一种石墨电极钢印文字识别方法
CN117523543A (zh) * 2024-01-08 2024-02-06 成都大学 一种基于深度学习的金属压印字符识别方法
CN117523543B (zh) * 2024-01-08 2024-03-19 成都大学 一种基于深度学习的金属压印字符识别方法

Also Published As

Publication number Publication date
CN106384110B (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
Gupte et al. Detection and classification of vehicles
Abolghasemi et al. An edge-based color-aided method for license plate detection
CN108090429B (zh) 一种分级前脸卡口车型识别方法
TWI381321B (zh) 重組多張影像與辨識方法以及影像擷取與辨識系統
CN106384110A (zh) 具有自适应能力的钢印字符在线自动识别方法
CN106650553A (zh) 车牌识别方法及系统
EP3567518B1 (en) Lane marker recognition
CN103886589B (zh) 面向目标的自动化高精度边缘提取方法
CN104318238A (zh) 一种验钞模块中对扫描的钞票图提取冠字号的方法
CN102521565A (zh) 低分辨率视频的服装识别方法及系统
CN102136166A (zh) 多模态信息融合的纸币成像鉴伪方法及其装置
CN103455820A (zh) 基于机器视觉技术的车辆检测和跟踪方法及系统
CN104700092A (zh) 一种基于模板和特征匹配相结合的小字符数字识别方法
CN109711418A (zh) 一种针对物体平面图像的轮廓角点检测方法
CN104077594A (zh) 一种图像识别方法和装置
CN108846831A (zh) 基于统计特征和图像特征相结合的带钢表面缺陷分类方法
CN104537363A (zh) 基于视觉检测系统的橱柜调节脚全自动装配控制方法
Indrabayu et al. Blob modification in counting vehicles using gaussian mixture models under heavy traffic
CN105631816B (zh) 一种虹膜图像噪声分类检测方法
Huber-Mörk et al. Statistical rail surface classification based on 2d and 21/2d image analysis
CN106650735A (zh) 一种led字符自动定位识别方法
Dai et al. A vehicle detection method via symmetry in multi-scale windows
CN102129569B (zh) 基于多尺度对比特征的对象检测设备和方法
Boonsim Racing bib number localization on complex backgrounds

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant