CN109344820A - 基于计算机视觉和深度学习的数字式电表读数识别方法 - Google Patents
基于计算机视觉和深度学习的数字式电表读数识别方法 Download PDFInfo
- Publication number
- CN109344820A CN109344820A CN201810884093.7A CN201810884093A CN109344820A CN 109344820 A CN109344820 A CN 109344820A CN 201810884093 A CN201810884093 A CN 201810884093A CN 109344820 A CN109344820 A CN 109344820A
- Authority
- CN
- China
- Prior art keywords
- image
- reading
- value
- numeric area
- confidence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000011017 operating method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009466 transformation 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- 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
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
基于计算机视觉和深度学习的数字式电表读数识别方法，包括下列操作步骤：(1)电表图像预处理过程，包括倾斜矫正、鱼眼矫正和统一图像大小；(2)数字区域检测过程，通过预先训练好的深度神经网络进行数字区域检测；(3)读数识别过程，对数字区域进行分割，并将分割后获得的图像统一分辨率，通过预先训练好的深度神经网络进行识别；本发明方法实现了对数字式电表读数的快速准确读取，实现了电表的自动抄表，省时省力。
Description
技术领域
本发明涉及基于计算机视觉和深度学习的数字式电表读数识别方法，属于计算机视觉技术领域，特别是属于基于计算机视觉的数字识别技术领域。
背景技术
目前，我国很多电表还需要人工抄表，费时费力，效率低下，而且还很容易出错。计算机视觉技术和深度学习技术，近几年获得很大的发展。如何利用计算机视觉技术和深度学习技术，实现电表的自动抄表成为电力行业急需解决的一个技术难题。
发明内容
有鉴于此，本发明的目的是发明一种基于计算机视觉和深度学习技术的方法，实现数字化电表的自动抄表。
为了达到上述目的，本发明提出了基于计算机视觉和深度学习的数字式电表读数识别方法，所述方法包括下列操作步骤：
(1)电表图像预处理过程，具体内容是：首先提取电表图像中全部直线信息，记录直线的位置信息、直线的角度信息，将其中存在平行关系的直线保存在同一组中，根据平行线最多的直线组的角度信息进行所述电表图像的倾斜矫正；然后将所述的经过倾斜矫正后的电表图像进行鱼眼矫正，获取无畸变图像；再次改变所述无畸变图像的分辨率，将所述的无畸变图像大小进行统一，获得所述电表图像的预处理图像；
(2)数字区域检测过程，具体内容是：根据步骤(1)中所获得的预处理图像，通过预先训练好的深度神经网络进行所述预处理图像中的数字区域检测；检测后返回数字区域的分类结果和数字区域的坐标信息；
(3)读数识别过程，具体内容是：根据步骤(2)所返回的数字区域的分类结果和数字区域的坐标信息，对数字区域进行分割，并将分割后获得的图像统一分辨率；将分割后的图像通过预先训练好的深度神经网络进行识别，获取概率最大的数字；计算读数的置信值，如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，否则进行二次识别。
所述步骤(1)中提取电表图像中全部直线信息，记录直线的位置信息、直线的角度信息，将其中存在平行关系的直线保存在同一组中的具体内容是包括如下操作步骤：
(1101)将所述电表图像进行低通滤波处理，去除所述电表图像中的高频成分；
(1102)将上述滤波后的图像转为二值化图像；
(1103)对上述的二值化图像，计算得到图像边缘信息；
(1104)根据上述图像边缘信息，提取直线，记录直线与水平方向夹角角度，并将位置不同，但角度相同的平行线保存到同一组中。
所述步骤(1)中根据平行线最多的直线组的角度信息进行所述电表图像的倾斜矫正的具体内容是包括如下操作步骤：
(1201)获取所述电表图像的高度像素值height和宽度像素值width，并将旋转中心设为图像中心，即坐标(height/2,width/2)；
(1202)根据上述旋转中心和所述的平行线最多的直线组的角度信息即旋转角度，计算获得旋转矩阵；
(1203)根据所述旋转矩阵、所述电表图像的高度像素值height和宽度像素值width，对所述电表图像进行图像旋转操作，获得倾斜校正后的图像。
所述步骤(1)中将所述的无畸变图像大小进行统一为高度为480像素，宽度为640像素。
步骤(2)中所述预先训练好的深度神经网络的训练过程包括如下操作步骤：
(21)选择深度神经网络作为训练网络；
(22)将所述数字电表读数整数部分的长度即读数识别长度、数字区域左上角坐标和数字区域右下角坐标作为训练时标注数据进行输入；
(23)将所述训练网络的模型输出设为4个类别和2个坐标，所述的4个类别分别为：背景类别即所述的预处理图像中无数字区域、读数识别长度为4、读数识别长度为5、读数识别长度为6，共4类；所述的2个坐标为：数字区域左上角坐标，数字区域右下角坐标。
所述步骤(3)中对数字区域进行分割，并将分割后获得的图像统一分辨率的操作具体包括如下步骤：
(3101)首先判断系统是否已给定所述数字电表读数整数部分的数字位数，如果已经给定则按照给定的数字位数直接对所述数字区域进行平均分割；如果没有给定，将通过读取步骤(2)中数字区域检测返回结果中的类别信息对所述数字区域进行平均分割；获得包含单个数字的图像；
(3102)将所获得的包含单个数字的图像统一变换为高度为72像素宽度为72像素的标准图像。
所述步骤(3)中将分割后的图像通过预先训练好的深度神经网络进行识别，获取概率最大的数字的操作具体包括如下步骤：
(3201)选择深度神经网络作为训练网络，进行预先训练；
(3202)所述训练网络的输入为所述的标准图像，输出为该标准图像所包含数字的识别结果及对应概率。
所述步骤(3)中计算读数的置信值，如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，否则进行二次识别操作具体包括如下步骤：
(3301)设定置信值的阈值；
(3302)计算所识别数字组合的联合概率的最大值作为当前读数的置信值；如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，流程结束；否则转步骤(3303)；
(3303)进行二次识别，缩小步骤(2)所获取的数字区域的范围，并对新的数字区域图像重新进行倾斜校正，重新识别数字并重新计算读数的置信值，比较第一次和第二次读数的置信值结果，输出读数的置信值高的那次的读取结果。
本发明的有益效果在于能实现对数字式电表读数的快速准确读取，实现了电表的自动抄表，省时省力。
附图说明
图1是本发明提出的基于计算机视觉和深度学习的数字式电表读数识别方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
参见图1，介绍本发明提出的基于计算机视觉和深度学习的数字式电表读数识别方法，所述方法包括下列操作步骤：
(1)电表图像预处理过程，具体内容是：首先提取电表图像中全部直线信息，记录直线的位置信息、直线的角度信息，将其中存在平行关系的直线保存在同一组中，根据平行线最多的直线组的角度信息进行所述电表图像的倾斜矫正；然后将所述的经过倾斜矫正后的电表图像利用OpenCV库中undistortImage函数进行鱼眼矫正，获取无畸变图像；再次改变所述无畸变图像的分辨率，将所述的无畸变图像大小进行统一，获得所述电表图像的预处理图像；
(4)数字区域检测过程，具体内容是：根据步骤(1)中所获得的预处理图像，通过预先训练好的深度神经网络进行所述预处理图像中的数字区域检测；检测后返回数字区域的分类结果和数字区域的坐标信息；
(5)读数识别过程，具体内容是：根据步骤(2)所返回的数字区域的分类结果和数字区域的坐标信息，对数字区域进行分割，并将分割后获得的图像统一分辨率；将分割后的图像通过预先训练好的深度神经网络进行识别，获取概率最大的数字；计算读数的置信值，如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，否则进行二次识别。
所述步骤(1)中提取电表图像中全部直线信息，记录直线的位置信息、直线的角度信息，将其中存在平行关系的直线保存在同一组中的具体内容是包括如下操作步骤：
(1101)将所述电表图像进行低通滤波处理(如高斯滤波)，去除所述电表图像中的高频成分；
(1102)使用OpenCV中的cvtColor算法将上述滤波后的图像转为二值化图像；
(1103)对上述的二值化图像，使用Canny算法，计算得到图像边缘信息；
(1104)根据上述图像边缘信息，使用OpenCV中的HoughLines算法提取直线，记录直线与水平方向夹角角度，并将位置不同，但角度相同的平行线保存到同一组中。
所述步骤(1)中根据平行线最多的直线组的角度信息进行所述电表图像的倾斜矫正的具体内容是包括如下操作步骤：
(1201)用OpenCV中的shape函数获取所述电表图像的高度像素值height和宽度像素值width，并将旋转中心设为图像中心，即坐标(height/2,width/2)；
(1202)根据上述旋转中心和所述的平行线最多的直线组的角度信息即旋转角度，用OpenCV中的getRotationMatrix2D函数计算获得旋转矩阵；
(1203)根据所述旋转矩阵、所述电表图像的高度像素值height和宽度像素值width，通过OpenCV中的仿射变换函数warpAffine对所述电表图像进行图像旋转操作，获得倾斜校正后的图像。
所述步骤(1)中，利用OpenCV库中resize函数将所述的无畸变图像大小进行统一为高度为480像素，宽度为640像素。
步骤(2)中所述预先训练好的深度神经网络的训练过程包括如下操作步骤：
(21)选择深度神经网络作为训练网络，本实施例中使用caffe(全称Convolutional Architecture for Fast Feature Embedding，是一种常用的深度学习框架，主要应用在视频、图像处理方面的应用上。)框架下ResNet50和FPN作为训练网络；
(22)将所述数字电表读数整数部分的长度即读数识别长度、数字区域左上角坐标(x1,y1)和数字区域右下角坐标(x2,y2)作为训练时标注数据进行输入；
(23)将所述训练网络的模型输出设为4个类别和2个坐标，所述的4个类别分别为：背景类别即所述的预处理图像中无数字区域、读数识别长度为4、读数识别长度为5、读数识别长度为6，共4类；所述的2个坐标为：数字区域左上角坐标，数字区域右下角坐标。
所述步骤(3)中对数字区域进行分割，并将分割后获得的图像统一分辨率的操作具体包括如下步骤：
(3101)首先判断系统是否已给定所述数字电表读数整数部分的数字位数，如果已经给定则按照给定的数字位数直接对所述数字区域进行平均分割；如果没有给定，将通过读取步骤(2)中数字区域检测返回结果中的类别信息对所述数字区域进行平均分割；获得包含单个数字的图像；
(3102)将所获得的包含单个数字的图像通过OpenCV中resize函数统一变换为高度为72像素宽度为72像素的标准图像。
所述步骤(3)中将分割后的图像通过预先训练好的深度神经网络进行识别，获取概率最大的数字的操作具体包括如下步骤：
(3201)选择深度神经网络作为训练网络，进行预先训练，本实施例中使用TensorFlow(TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统)框架下VGG16作为训练网络；
(3202)所述训练网络的输入为所述的标准图像，输出为该标准图像所包含数字的识别结果及对应概率。
所述步骤(3)中计算读数的置信值，如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，否则进行二次识别操作具体包括如下步骤：
(3301)设定置信值的阈值，比如0.6；
(3302)计算所识别数字组合的联合概率的最大值作为当前读数的置信值；如果读数的置信值大于所设定的置信值阈值，比如经过步骤(2)识别出五个数字，对应最高概率分别为0.96、0.97、0.95、0.97、0.98，置信值为0.96*0.97*0.95*0.97*0.98＝0.84094，大于阈值0.6，则直接输出读数结果，流程结束；如果读数的置信值小于阈值，比如经过步骤(2)识别出五个数字，对应最高概率分别为0.91、0.92、0.88、0.90、0.88，置信值则为0.91*0.92*0.88*0.90*0.88＝0.58349，小于设定的阈值0.6，则转步骤(3303)；
(3303)进行二次识别，缩小步骤(2)所获取的数字区域的范围，并对新的数字区域图像重新进行倾斜校正，重新识别数字并重新计算读数的置信值，比较第一次和第二次读数的置信值结果，输出读数的置信值高的那次的读取结果。比如经过第一次识别，得到的置信值为0.5839，二次识别后置信值为0.5962，大于第一次置信值，则输出第二次识别出的数字；如果第一次置信值为0.5839，二次识别后置信值为0.5732，小于第一次置信值，则输出第一次识别出的数字。
发明人对本发明方法进行了大量的实验，实验结果证明本发明的方法是可行有效的。
Claims (8)
1.基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述方法包括下列操作步骤：
(1)电表图像预处理过程，具体内容是：首先提取电表图像中全部直线信息，记录直线的位置信息、直线的角度信息，将其中存在平行关系的直线保存在同一组中，根据平行线最多的直线组的角度信息进行所述电表图像的倾斜矫正；然后将所述的经过倾斜矫正后的电表图像进行鱼眼矫正，获取无畸变图像；再次改变所述无畸变图像的分辨率，将所述的无畸变图像大小进行统一，获得所述电表图像的预处理图像；
(2)数字区域检测过程，具体内容是：根据步骤(1)中所获得的预处理图像，通过预先训练好的深度神经网络进行所述预处理图像中的数字区域检测；检测后返回数字区域的分类结果和数字区域的坐标信息；
(3)读数识别过程，具体内容是：根据步骤(2)所返回的数字区域的分类结果和数字区域的坐标信息，对数字区域进行分割，并将分割后获得的图像统一分辨率；将分割后的图像通过预先训练好的深度神经网络进行识别，获取概率最大的数字；计算读数的置信值，如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，否则进行二次识别。
2.根据权利要求1所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述步骤(1)中提取电表图像中全部直线信息，记录直线的位置信息、直线的角度信息，将其中存在平行关系的直线保存在同一组中的具体内容是包括如下操作步骤：
(1101)将所述电表图像进行低通滤波处理，去除所述电表图像中的高频成分；
(1102)将上述滤波后的图像转为二值化图像；
(1103)对上述的二值化图像，计算得到图像边缘信息；
(1104)根据上述图像边缘信息，提取直线，记录直线与水平方向夹角角度，并将位置不同，但角度相同的平行线保存到同一组中。
3.根据权利要求1所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述步骤(1)中根据平行线最多的直线组的角度信息进行所述电表图像的倾斜矫正的具体内容是包括如下操作步骤：
(1201)获取所述电表图像的高度像素值height和宽度像素值width，并将旋转中心设为图像中心，即坐标(height/2,width/2)；
(1202)根据上述旋转中心和所述的平行线最多的直线组的角度信息即旋转角度，计算获得旋转矩阵；
(1203)根据所述旋转矩阵、所述电表图像的高度像素值height和宽度像素值width，对所述电表图像进行图像旋转操作，获得倾斜校正后的图像。
4.根据权利要求1所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述步骤(1)中将所述的无畸变图像大小进行统一为高度为480像素，宽度为640像素。
5.根据权利要求1所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：步骤(2)中所述预先训练好的深度神经网络的训练过程包括如下操作步骤：
(21)选择深度神经网络作为训练网络；
(22)将所述数字电表读数整数部分的长度即读数识别长度、数字区域左上角坐标和数字区域右下角坐标作为训练时标注数据进行输入；
(23)将所述训练网络的模型输出设为4个类别和2个坐标，所述的4个类别分别为：背景类别即所述的预处理图像中无数字区域、读数识别长度为4、读数识别长度为5、读数识别长度为6，共4类；所述的2个坐标为：数字区域左上角坐标，数字区域右下角坐标。
6.根据权利要求1或5所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述步骤(3)中对数字区域进行分割，并将分割后获得的图像统一分辨率的操作具体包括如下步骤：
(3101)首先判断系统是否已给定所述数字电表读数整数部分的数字位数，如果已经给定则按照给定的数字位数直接对所述数字区域进行平均分割；如果没有给定，将通过读取步骤(2)中数字区域检测返回结果中的类别信息对所述数字区域进行平均分割；获得包含单个数字的图像；
(3102)将所获得的包含单个数字的图像统一变换为高度为72像素宽度为72像素的标准图像。
7.根据权利要求1或6所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述步骤(3)中将分割后的图像通过预先训练好的深度神经网络进行识别，获取概率最大的数字的操作具体包括如下步骤：
(3201)选择深度神经网络作为训练网络，进行预先训练；
(3202)所述训练网络的输入为所述的标准图像，输出为该标准图像所包含数字的识别结果及对应概率。
8.根据权利要求1或7所述的基于计算机视觉和深度学习的数字式电表读数识别方法，其特征在于：所述步骤(3)中计算读数的置信值，如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，否则进行二次识别操作具体包括如下步骤：
(3301)设定置信值的阈值；
(3302)计算所识别数字组合的联合概率的最大值作为当前读数的置信值；如果读数的置信值大于所设定的置信值阈值，则直接输出读数结果，流程结束；否则转步骤(3303)；
(3303)进行二次识别，缩小步骤(2)所获取的数字区域的范围，并对新的数字区域图像重新进行倾斜校正，重新识别数字并重新计算读数的置信值，比较第一次和第二次读数的置信值结果，输出读数的置信值高的那次的读取结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810884093.7A CN109344820B (zh) | 2018-08-06 | 2018-08-06 | 基于计算机视觉和深度学习的数字式电表读数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810884093.7A CN109344820B (zh) | 2018-08-06 | 2018-08-06 | 基于计算机视觉和深度学习的数字式电表读数识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109344820A true CN109344820A (zh) | 2019-02-15 |
| CN109344820B CN109344820B (zh) | 2021-09-17 |
Family
ID=65291599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810884093.7A Expired - Fee Related CN109344820B (zh) | 2018-08-06 | 2018-08-06 | 基于计算机视觉和深度学习的数字式电表读数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109344820B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287967A (zh) * | 2019-06-28 | 2019-09-27 | 哈尔滨工业大学 | 一种基于图像的数字及机械表数字识别方法 |
| CN110287963A (zh) * | 2019-06-11 | 2019-09-27 | 苏州玖物互通智能科技有限公司 | 用于综合性能试验的ocr识别方法 |
| CN111046881A (zh) * | 2019-12-02 | 2020-04-21 | 许昌北邮万联网络技术有限公司 | 基于计算机视觉和深度学习的指针式仪表读数识别方法 |
| WO2020228593A1 (zh) * | 2019-05-15 | 2020-11-19 | 阿里巴巴集团控股有限公司 | 确定图片中目标物类别的方法及装置 |
| CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
| CN114047471A (zh) * | 2021-11-02 | 2022-02-15 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 电能表校验方法、装置、电子设备和存储介质 |
| CN115107050A (zh) * | 2022-06-24 | 2022-09-27 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种轨道式风机巡检机器人及其巡检维护方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060036967A1 (en) * | 2004-04-26 | 2006-02-16 | Crichlow Henry B | Remote meter reading using transmitted visual graphics. |
| CN106650735A (zh) * | 2016-12-30 | 2017-05-10 | 亿嘉和科技股份有限公司 | 一种led字符自动定位识别方法 |
| CN106778754A (zh) * | 2016-11-22 | 2017-05-31 | 南京理工大学 | 一种鲁棒的工业电表数字识别方法 |
| CN107451587A (zh) * | 2017-08-14 | 2017-12-08 | 冯成顺 | 一种电表智能自动识别系统 |
| CN108229480A (zh) * | 2017-12-25 | 2018-06-29 | 新智数字科技有限公司 | 一种数字表读数的识别方法、装置及设备 |
-
2018
- 2018-08-06 CN CN201810884093.7A patent/CN109344820B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060036967A1 (en) * | 2004-04-26 | 2006-02-16 | Crichlow Henry B | Remote meter reading using transmitted visual graphics. |
| CN106778754A (zh) * | 2016-11-22 | 2017-05-31 | 南京理工大学 | 一种鲁棒的工业电表数字识别方法 |
| CN106650735A (zh) * | 2016-12-30 | 2017-05-10 | 亿嘉和科技股份有限公司 | 一种led字符自动定位识别方法 |
| CN107451587A (zh) * | 2017-08-14 | 2017-12-08 | 冯成顺 | 一种电表智能自动识别系统 |
| CN108229480A (zh) * | 2017-12-25 | 2018-06-29 | 新智数字科技有限公司 | 一种数字表读数的识别方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 刘雯雯: "基于数字图像处理的电表号码识别系统研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
| 周成伟: "基于卷积神经网络的自然场景中数字的识别", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020228593A1 (zh) * | 2019-05-15 | 2020-11-19 | 阿里巴巴集团控股有限公司 | 确定图片中目标物类别的方法及装置 |
| CN110287963A (zh) * | 2019-06-11 | 2019-09-27 | 苏州玖物互通智能科技有限公司 | 用于综合性能试验的ocr识别方法 |
| CN110287963B (zh) * | 2019-06-11 | 2021-11-23 | 苏州玖物互通智能科技有限公司 | 用于综合性能试验的ocr识别方法 |
| CN110287967A (zh) * | 2019-06-28 | 2019-09-27 | 哈尔滨工业大学 | 一种基于图像的数字及机械表数字识别方法 |
| CN110287967B (zh) * | 2019-06-28 | 2022-11-25 | 哈尔滨工业大学 | 一种基于图像的数字及机械表数字识别方法 |
| CN111046881A (zh) * | 2019-12-02 | 2020-04-21 | 许昌北邮万联网络技术有限公司 | 基于计算机视觉和深度学习的指针式仪表读数识别方法 |
| CN111046881B (zh) * | 2019-12-02 | 2023-03-24 | 许昌北邮万联网络技术有限公司 | 基于计算机视觉和深度学习的指针式仪表读数识别方法 |
| CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
| CN114047471A (zh) * | 2021-11-02 | 2022-02-15 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 电能表校验方法、装置、电子设备和存储介质 |
| CN115107050A (zh) * | 2022-06-24 | 2022-09-27 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种轨道式风机巡检机器人及其巡检维护方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109344820B (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109344820A (zh) | 基于计算机视觉和深度学习的数字式电表读数识别方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
| CN109284758B (zh) | 一种发票印章消除方法、装置和计算机存储介质 | |
| CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
| CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN106709524B (zh) | 一种电气工程图中的元件符号检测与识别方法 | |
| CN109117703B (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| CN109190742B (zh) | 一种基于灰度特征的编码特征点的解码方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN111783773B (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
| CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
| CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 | |
| CN109740607B (zh) | 字符图像的残缺区域检测和残缺字符图像恢复方法 | |
| CN109871825B (zh) | 一种基于改进的局部二维模式的人像识别方法 | |
| CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
| CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
| CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
| CN107045633A (zh) | 一种基于st‑mser的能源计量表具的数字定位分割方法 | |
| CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
| Shuaishuai et al. | Research on License Plate Recognition Algorithm Based on OpenCV | |
| CN113160251B (zh) | 一种基于显著性先验的图像自动分割方法 | |
| Lin et al. | Extracting regions of interest based on visual attention model |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210917 |