CN108647686A - 一种基于卷积神经网络的水表图像读数识别方法 - Google Patents
一种基于卷积神经网络的水表图像读数识别方法 Download PDFInfo
- Publication number
- CN108647686A CN108647686A CN201810449150.9A CN201810449150A CN108647686A CN 108647686 A CN108647686 A CN 108647686A CN 201810449150 A CN201810449150 A CN 201810449150A CN 108647686 A CN108647686 A CN 108647686A
- Authority
- CN
- China
- Prior art keywords
- water meter
- image
- convolutional neural
- neural networks
- character
- 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
Classifications
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的水表图像读数识别方法,该方法包括如下步骤:(1)获取训练样本;(2)使用随机梯度下降法对训练样本中的数据进行训练,构建识别水表图像字符的卷积神经网络;(3)采用构建的卷积神经网络对待识别的水表图像进行识别,得到水表图像的读数。与现有技术相比,本发明实现过程简单,识别精度高和识别准确率高。
Description
技术领域
本发明涉及一种水表图像读数识别方法,尤其是涉及一种基于卷积神经网络的水表图像读数识别方法。
背景技术
在信息化发展,建设“智慧城市”的大背景下,发展“智慧水务”,能够带动水务信息化技术的全面提升,发挥信息化建设效益。管网水量精确计量和管网漏损控制等都是发展“智慧水务”的重要措施,对基础数据的收集实时性和准确性都提出了更高的要求。当前很大一部分入户水表的水量数据依靠普通人工抄读获取,容易出错,间隔时间长,难以满足发展“智慧水务”的要求,因此提高水表抄读的自动化程度可以在很大程度上减少人为疏漏,提高抄表数据的客观性和准确性,同时减少单个水表抄读的人工消耗,增加抄表频率。水表图像字符识别技术就是为了实现水表图像字符读数的自动识别,由此可见开展这方面的研究可以为快速准确的完成水表图像读数的自动识读提供有效的技术支持,并对最终获取更加高频准确的水表水量数据有着重要的现实意义。
国内外有关水表图像字符识别的研究很多,以下为一些代表性的研究:
1)基于Tesseract的识别方法
如文献:
[1]:LYATE J.(2011).“Automated Reading of High Volume Water Meters”.Stellenbosch:University of Stellenbosch.
该类方法的主要技术措施:首先在水表表头上加装固定摄像头拍摄水表照片,然后通过图像预处理获得单个待识别字符的二值图像,最后使用经过训练的Tesseract光学字符识别引擎对水表字符图像进行识别。
优缺点:这类方法优势在于它不仅能够识读整字符,还能够识读半字符。但其不足之处在于:(1)半字符图像识读精度和准确率不高,图像预处理效果不稳定和Tesseract对半字符识别能力的局限性是其应用于实际水表图像字符识别的最主要限制因素;(2)二值图像的获取和Tesseract光学字符识别引擎的训练过程需要掌握图像预处理和相关方法的参数调整等相关专门知识技能,实现和改进的难度大。
2)基于模板匹配的识别方法
如文献:
[2]:吴梦麟.(2006).图像式水表读数识别方法研究.南京理工大学.
[3]:何道远.(2010).面向水表质量监控的图像处理系统.浙江大学.
[4]:金静晓,信昆仑.(2015).改进的半字识别算法在水表读数系统中的应用.供水技术,2015(01),43-45.
该类方法的主要技术措施:通过应用各种字符图像模板对待识别的单张水表字符的二值图像进行匹配,然后基于一定距离计算方法判断匹配的最佳结果,然后按最佳匹配结果获得读数。
优缺点:其优点在于使用长模板匹配的方法对半字符图像的识别精度高,(1)半字符图像识读准确率不高,图像预处理效果不稳定和模板代表能力的局限性是其应用于实际水表图像字符识别的最主要限制因素;(2)模板制作和二值图像的获取过程需要掌握图像预处理和相关方法的参数调整等相关专门知识技能,实现和改进的难度大。
3)基于人工提取图面特征的方法
如文献:
[5]:林文娅.(2007).基于神经网络的水表字符识别.南京理工大学.
[6]:屠震元.(2015).基于机器视觉的嵌入式仪表读数识别系统研究.浙江理工大学.
该类方法的主要技术措施:采用人工提取二值图面特征的方法,再配机器学习或模板匹配等各种方法对抽取的特征进行处理和识别。
优缺点:其优点在于人工提取图像特征的过程能简化问题,缺点在于(1)字符图像识读精度和准确率不高,水表字符图像的情况复杂多变,图像预处理效果不稳定和人工提取的图面特征涵盖情况的局限性是其应用于实际水表图像字符识别的最主要限制因素;(2)二值图像的获取和人工提取图面特征的过程需要掌握图像预处理和相关方法的参数调整等相关专门知识技能,实现和改进的难度大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的水表图像读数识别方法。
本发明的目的可以通过以下技术方案来实现:
一种基于卷积神经网络的水表图像读数识别方法,该方法包括如下步骤:
(1)获取训练样本;
(2)使用随机梯度下降法对训练样本中的数据进行训练,构建识别水表图像字符的卷积神经网络;
(3)采用构建的卷积神经网络对待识别的水表图像进行识别,得到水表图像的读数。
步骤(1)具体为:
(11)搭建水表照片拍摄装置获取水表图像;
(12)采用ORB算法对水表图像进行矫正定位并分割出单张字符图像;
(13)标记单张字符图像的读数。
步骤(11)具体为:首先改造水表表芯使其匀速转动,然后在表芯正上方固定拍摄装置获取水表字轮匀速转动的视频,最后分割待识别视频,每隔一定帧数提取一张图像作为水表图像。
步骤(12)具体为:
(121)选取矫正定位模板图像,确定字轮框四个角点的坐标;
(122)使用ORB算法查找待矫正定位图像中的模板图像,获取待矫正图像对应于模板图像的匹配角点坐标,利用投影变换将待矫正定位图像匹配角点的坐标矫正至模板图像的坐标;
(123)通过矫正定位模板图像的坐标分割出待矫正定位图像中字轮框图像,进而分割得到字轮框中每个待识别单张字符图像。
步骤(13)具体为:对于单张字符图像,标记字符图像读数,标记读数的范围从0到9.9,每间隔0.1为一个类别,共100个类别。
步骤(3)具体为:对待识别的水表图像矫正定位,分割出待识别的单个水表字符图像,然后将所有水表字符图像输入卷积神经网络进行识别并输出识别结果。
与现有技术相比,本发明具有如下优点:
(1)本发明建立具有卷积神经网络,并通过卷积神经网络进行水表读数识别,实现过程简单,识别精度高,识别准确率高;
(2)本发明标记单张字符图像的读数时每间隔0.1为一个类别,共100个类别,样本分类精度为0.1个单位,训练好的卷积神经网络的识别精度也可以达到0.1个单位精度,由此大大提高了识别精度。
附图说明
图1为本发明基于卷积神经网络的水表图像读数识别方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,一种基于卷积神经网络的水表图像读数识别方法,该方法包括如下步骤:
(1)获取训练样本;
(2)使用随机梯度下降法对训练样本中的数据进行训练,构建识别水表图像字符的卷积神经网络;
(3)采用构建的卷积神经网络对待识别的水表图像进行识别,得到水表图像的读数。
步骤(1)具体为:
(11)搭建水表照片拍摄装置获取水表图像;
(12)采用ORB算法对水表图像进行矫正定位并分割出单张字符图像;
(13)标记单张字符图像的读数。
步骤(11)具体为:
(111)明确识别水表种类,采用相应的表芯,改造成可以以适当速度匀速转动的状态进行视频拍摄,拍摄时长需要使得提取的图片数量足够训练卷积神经网络;
(112)将拍摄的视频通过Free Video to JPG Converter等软件每隔一定帧数提取一图片,获得足够数量的字轮发生转动变化的水表图像。
获取水表图像后,首先需要定位和分割出字符图像。图像矫正定位是这一过程中的一个关键步骤。ORB是一种基于BRIEF描述符和FAST角点检测方法的算法。可以通过OpenCV库的ORB相关类和函数编程实现ORB算法过程,最后通过模板图像的坐标分割待识别的单张字符图像。由此,步骤(12)具体为:
(121)选取矫正定位模板图像,确定字轮框四个角点的坐标;
(122)使用ORB算法查找待矫正定位图像中的模板图像,获取待矫正图像对应于模板图像的匹配角点坐标,利用投影变换将待矫正定位图像匹配角点的坐标矫正至模板图像的坐标;
(123)通过矫正定位模板图像的坐标分割出待矫正定位图像中字轮框图像,进而分割得到字轮框中每个待识别单张字符图像。
获取分割的字符图像后,需要标注对应的读数,将图像与标注读数对应起来,用于后续模型的训练和测试,由此,步骤(13)具体为:对于单张字符图像,标记字符图像读数,标记读数的范围从0到9.9,每间隔0.1为一个类别,共100个类别。步骤(13)通过半自动标注程序进行读数标记,具体地:
(131)首先编程实现一个具有长模板匹配功能的带标注辅助线的半自动标注程序;
(132)根据标注辅助线检查自动标注的读数是否正确,正确则四舍五入保留一位小数,按从0到9.9,每间隔0.1为一个类别,共100个类别分类存储字符图像,否则修改读数再分类存储。
卷积神经网络的训练和计算包括顺序的一系列处理过程,每一个处理步骤为一层,有输入层,卷积层,池化层,ReLU层,全连接层,softmax层和损失函数层等。其中输入层可以接受3通道彩色图像,最大输入尺寸为299×299。主要结构可以表示为:输入层->[[卷积层->ReLU层]*N->池化层?]*M->[全连接层->ReLU层]*K->全连接层->softmax层输出分类,即输入经过一系列处理后通过softmax层产生分类结果。上述表达方式中“[]”表示结构,“*”表示结构的重复,“?”表示可能使用或不使用,N,M,K≥0,N、M和K表示结构重复的次数。
具体地,本实施例卷积神经网络通过如下方式获得:
下载Apache 2.0协议授权的预训练Inception-v3卷积神经网络模型进行修改,舍弃原有的分类输出,由TensorFlow框架添加一个全连接层,通过水表字符图像数据集训练这个全连接层,迭代一定次数后得到训练好的卷积神经网络模型。
1)首先通过TensorFlow在Github上的项目下载预训练Inception-v3卷积神经网络模型,其结构如表1所示。
表1Incpetion-v3结构概况
主要结构序号 | 类型 | 操作尺寸/步长或注记 | 输入尺寸 |
1 | 卷积 | 3×3/2 | 299×299×3 |
2 | 卷积 | 3×3/1 | 149×149×32 |
3 | 卷积带填充 | 3×3/1 | 147×147×32 |
4 | 池化 | 3×3/2 | 147×147×64 |
5 | 卷积 | 3×3/1 | 73×73×64 |
6 | 卷积 | 3×3/2 | 71×71×80 |
7 | 卷积 | 3×3/1 | 35×35×192 |
8 | 3×inception | Inception结构(1) | 35×35×288 |
9 | 5×inception | Inception结构(2) | 17×17×768 |
10 | 2×inception | Inception结构(3) | 8×8×1280 |
11 | 池化 | 8×8 | 8×8×2048 |
12 | 线性连接 | 逻辑数 | 1×1×2048 |
13 | softmax | 分类器 | 1×1×1000 |
2)在表1中“主要结构序号”11所对应的池化层后,通过TensorFlow框架对计算图进行修改,添加:
(a)一个由字符图像标记读数和池化层输出组成的训练输入;
(b)一个用于分类输出的全连接层;
(c)一个交叉熵损失函数;
(d)一个使用梯度下降法的优化器;
(e)一个观察迭代效果的验证准确率计算函数;
3)通过TensorFlow框架和水表字符图像数据集自动训练模型。所有训练样本中,随机选取10%的用于验证,每100个验证样本为一个验证批次,其余用作训练。以100张随机选取的训练样本为一个迭代批次,迭代一定的次数,每10个迭代批次的训练结束后,随机选取1个批次的100个验证样本评估当前训练结果的准确率。
4)达到一定的迭代次数后,随迭代次数增加交叉熵趋于稳定降低,验证准确率稳定于95%以上,视为训练完成,全连接层中的权重和偏移量参数能够较好地拟合训练样本的水表字符图像和标记读数。
步骤(3)具体为:对待识别的水表图像矫正定位,分割出待识别的单个水表字符图像,然后将所有水表字符图像输入卷积神经网络进行识别并输出识别结果。具体地:卷积神经网络训练完成后,通过TensorFlow框架加载训练好的模型输出的计算图文件和类别标签文件,输入待识别的单张水表字符图像文件,可以得到精度0.1的识别读数结果。在得到每个单张字符图像的读数后,对于高位字符的读数,因为误差控制0.5个单位以内时,足以判断各位读数间的进位关系,进而能确定水表图像中整个字轮的数值。
在上述过程中,如果发现错误分类的水表字符图像,可以人工标记其正确读数并将字符图像分类存储到训练用的水表字符图像数据集中,通过使用扩充的训练用水表字符图像数据集定期重新自动训练卷积神经网络模型,不断迭代地改进该识别方法识别能力。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (6)
1.一种基于卷积神经网络的水表图像读数识别方法,其特征在于,该方法包括如下步骤:
(1)获取训练样本;
(2)使用随机梯度下降法对训练样本中的数据进行训练,构建识别水表图像字符的卷积神经网络;
(3)采用构建的卷积神经网络对待识别的水表图像进行识别,得到水表图像的读数。
2.根据权利要求1所述的一种基于卷积神经网络的水表图像读数识别方法,其特征在于,步骤(1)具体为:
(11)搭建水表照片拍摄装置获取水表图像;
(12)采用ORB算法对水表图像进行矫正定位并分割出单张字符图像;
(13)标记单张字符图像的读数。
3.根据权利要求2所述的一种基于卷积神经网络的水表图像读数识别方法,其特征在于,步骤(11)具体为:首先改造水表表芯使其匀速转动,然后在表芯正上方固定拍摄装置获取水表字轮匀速转动的视频,最后分割待识别视频,每隔一定帧数提取一张图像作为水表图像。
4.根据权利要求2所述的一种基于卷积神经网络的水表图像读数识别方法,其特征在于,步骤(12)具体为:
(121)选取矫正定位模板图像,确定字轮框四个角点的坐标;
(122)使用ORB算法查找待矫正定位图像中的模板图像,获取待矫正图像对应于模板图像的匹配角点坐标,利用投影变换将待矫正定位图像匹配角点的坐标矫正至模板图像的坐标;
(123)通过矫正定位模板图像的坐标分割出待矫正定位图像中字轮框图像,进而分割得到字轮框中每个待识别单张字符图像。
5.根据权利要求2所述的一种基于卷积神经网络的水表图像读数识别方法,其特征在于,步骤(13)具体为:对于单张字符图像,标记字符图像读数,标记读数的范围从0到9.9,每间隔0.1为一个类别,共100个类别。
6.根据权利要求1所述的一种基于卷积神经网络的水表图像读数识别方法,其特征在于,步骤(3)具体为:对待识别的水表图像矫正定位,分割出待识别的单个水表字符图像,然后将所有水表字符图像输入卷积神经网络进行识别并输出识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449150.9A CN108647686A (zh) | 2018-05-11 | 2018-05-11 | 一种基于卷积神经网络的水表图像读数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810449150.9A CN108647686A (zh) | 2018-05-11 | 2018-05-11 | 一种基于卷积神经网络的水表图像读数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647686A true CN108647686A (zh) | 2018-10-12 |
Family
ID=63754811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810449150.9A Pending CN108647686A (zh) | 2018-05-11 | 2018-05-11 | 一种基于卷积神经网络的水表图像读数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647686A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635799A (zh) * | 2018-12-17 | 2019-04-16 | 石家庄科林电气股份有限公司 | 一种燃气表字轮数字的识别方法 |
CN109784342A (zh) * | 2019-01-24 | 2019-05-21 | 厦门商集网络科技有限责任公司 | 一种基于深度学习模型的ocr识别方法及终端 |
CN109886276A (zh) * | 2019-02-18 | 2019-06-14 | 福州视驰科技有限公司 | 一种表盘滚动数字字符的半字判断方法 |
CN110033037A (zh) * | 2019-04-08 | 2019-07-19 | 重庆邮电大学 | 一种数字式仪表读数的识别方法 |
CN110197227A (zh) * | 2019-05-30 | 2019-09-03 | 成都中科艾瑞科技有限公司 | 一种多模型融合的仪表读数智能识别方法 |
CN110490195A (zh) * | 2019-08-07 | 2019-11-22 | 桂林电子科技大学 | 一种水表表盘读数识别方法 |
CN110991437A (zh) * | 2019-11-28 | 2020-04-10 | 北京嘉楠捷思信息技术有限公司 | 字符识别方法及其装置、字符识别模型的训练方法及其装置 |
CN112163546A (zh) * | 2020-10-13 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于视觉识别系统的水表数值判定方法及装置 |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
US11176369B2 (en) | 2019-12-23 | 2021-11-16 | Ricoh Company, Ltd. | Digital monitoring of analog gauges with dynamically configurable thresholds |
CN117576677A (zh) * | 2023-12-01 | 2024-02-20 | 广州柏诚智能科技有限公司 | 一种水表读数识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
CN106682664A (zh) * | 2016-12-07 | 2017-05-17 | 华南理工大学 | 基于全卷积递归神经网络的水表圆盘区域检测方法 |
US20170364734A1 (en) * | 2016-06-17 | 2017-12-21 | Water Pigeon Inc. | Systems and methods for automated meter reading |
-
2018
- 2018-05-11 CN CN201810449150.9A patent/CN108647686A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364734A1 (en) * | 2016-06-17 | 2017-12-21 | Water Pigeon Inc. | Systems and methods for automated meter reading |
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
CN106682664A (zh) * | 2016-12-07 | 2017-05-17 | 华南理工大学 | 基于全卷积递归神经网络的水表圆盘区域检测方法 |
Non-Patent Citations (2)
Title |
---|
佘世洲,宋凯,刘辉,谭守标,张骥: "一种电力指针式仪表示数自动识别的鲁棒方法", 《计算机技术与发展》 * |
莫宇琨,信昆仑,陈能: "深度卷积神经网络在水表字符图像识别上的应用", 《供水技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635799A (zh) * | 2018-12-17 | 2019-04-16 | 石家庄科林电气股份有限公司 | 一种燃气表字轮数字的识别方法 |
CN109635799B (zh) * | 2018-12-17 | 2020-10-20 | 石家庄科林电气股份有限公司 | 一种燃气表字轮数字的识别方法 |
CN109784342A (zh) * | 2019-01-24 | 2019-05-21 | 厦门商集网络科技有限责任公司 | 一种基于深度学习模型的ocr识别方法及终端 |
CN109886276B (zh) * | 2019-02-18 | 2023-05-09 | 福州视驰科技有限公司 | 一种表盘滚动数字字符的半字判断方法 |
CN109886276A (zh) * | 2019-02-18 | 2019-06-14 | 福州视驰科技有限公司 | 一种表盘滚动数字字符的半字判断方法 |
CN110033037A (zh) * | 2019-04-08 | 2019-07-19 | 重庆邮电大学 | 一种数字式仪表读数的识别方法 |
CN110197227A (zh) * | 2019-05-30 | 2019-09-03 | 成都中科艾瑞科技有限公司 | 一种多模型融合的仪表读数智能识别方法 |
CN110197227B (zh) * | 2019-05-30 | 2023-10-27 | 成都中科艾瑞科技有限公司 | 一种多模型融合的仪表读数智能识别方法 |
CN110490195A (zh) * | 2019-08-07 | 2019-11-22 | 桂林电子科技大学 | 一种水表表盘读数识别方法 |
CN110991437A (zh) * | 2019-11-28 | 2020-04-10 | 北京嘉楠捷思信息技术有限公司 | 字符识别方法及其装置、字符识别模型的训练方法及其装置 |
CN110991437B (zh) * | 2019-11-28 | 2023-11-14 | 嘉楠明芯(北京)科技有限公司 | 字符识别方法及其装置、字符识别模型的训练方法及其装置 |
US11176369B2 (en) | 2019-12-23 | 2021-11-16 | Ricoh Company, Ltd. | Digital monitoring of analog gauges with dynamically configurable thresholds |
CN112163546A (zh) * | 2020-10-13 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于视觉识别系统的水表数值判定方法及装置 |
CN112270317A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于深度学习和帧差法的传统数字水表读数识别方法 |
CN117576677A (zh) * | 2023-12-01 | 2024-02-20 | 广州柏诚智能科技有限公司 | 一种水表读数识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647686A (zh) | 一种基于卷积神经网络的水表图像读数识别方法 | |
Rong et al. | Radial lens distortion correction using convolutional neural networks trained with synthesized images | |
CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
CN108182433B (zh) | 一种表计读数识别方法及系统 | |
CN109064454A (zh) | 产品缺陷检测方法及系统 | |
CN109978035B (zh) | 基于改进的k-means和损失函数的行人检测方法 | |
CN112818988A (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN112801094B (zh) | 一种指针式仪表图像倾斜校正方法 | |
CN108805196A (zh) | 用于图像识别的自动增量学习方法 | |
CN110232445B (zh) | 一种基于知识蒸馏的文物真伪鉴定方法 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
CN110472581A (zh) | 一种基于深度学习的细胞图像分析方法 | |
CN109993021A (zh) | 人脸正脸检测方法、装置及电子设备 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN115294317A (zh) | 一种用于工业生产厂区的指针式仪表读数智能检测方法 | |
CN115861170A (zh) | 基于改进yolo v4算法的表面缺陷检测方法 | |
CN117115722A (zh) | 施工场景检测的方法、装置、存储介质及电子设备 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN111191781A (zh) | 训练神经网络的方法、对象识别方法和设备以及介质 | |
CN110309727B (zh) | 一种建筑识别模型的建立方法、建筑识别方法和装置 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN111652244A (zh) | 一种基于无监督特征提取和匹配的指针式表计识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |