CN109858305A - 一种基于深度学习的二维码定位识别系统及方法 - Google Patents
一种基于深度学习的二维码定位识别系统及方法 Download PDFInfo
- Publication number
- CN109858305A CN109858305A CN201910043520.3A CN201910043520A CN109858305A CN 109858305 A CN109858305 A CN 109858305A CN 201910043520 A CN201910043520 A CN 201910043520A CN 109858305 A CN109858305 A CN 109858305A
- Authority
- CN
- China
- Prior art keywords
- module
- dimensional code
- layer
- dimension
- training
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的二维码定位识别系统及方法，采集模块用于预先采集大量的包含二维码的图片；还包括标注模块，标注模块将每张图片进行标准化处理；还包括预训练图片数据集采集模块和深度学习模块，所述深度学习模块用于搭建多层神经网络；还包括预训练模块，该预训练模块使用上述预训练图片数据集采集模块采集到的数据放入到所构建的深度学习模块的多层神经网络中进行训练，保存训练得到的分类器模型及对应的参数值；还包括训练模块，该训练模块将标准化数据提交至预训练模块预训练好的分类器模型进行训练，并更新其参数，从而获得二维码检测分类器。本发明对二维码的识别效率高、不需要对二维码的拍摄位置、角度进行要求。
Description
技术领域
本发明涉及图像处理领域，更具体的，涉及基于深度学习的二维码定位及识别系统。
背景技术
二维码又称QRCode，QR全称QuickResponse，是一个近几年来移动设备上十分流行的一种编码方式，它比传统的BarCode条形码能存更多的信息，也能表示更多的内容。
在正常情况下，对二维码的扫描识别必须保证二维码处于扫描设备视野中心；否者就会出现识别率下降甚至无法识别的情况。现有的解决办法通常是利用一个识别框，人工将二维码移至识别框内来提高识别率。这种方法仅适用于有人参与的情况。
而在某些二维码识别情景中，对包含有二维码的图像的采集已经完成，这种情况下无法通过人工操作来调整二维码在图像中的位置。二维码在图像中的位置、大小、角度、数量均是不固定的。除二维码之外的图像本身的内容及图像本身的质量也是不固定的。这些因素大大影响了二维码识别的准确率和速度。
传统方法通过裁剪或者滑动窗口的形式来解决这个问题，这种方法常常会产生大量的待检测窗口，影响的检测速度。
发明内容
为了解决现有技术中存在的问题，本发明由此提供了一种基于深度学习的二维码定位识别系统，包括采集模块，该采集模块用于预先采集大量的包含二维码的图片；还包括标注模块，所述标注模块将每张图片进行标准化处理，记录其中的二维码的大小及位置；数据库模块，用于将所述二维码的大小和位置信息存储在数据库模块中；还包括预训练图片数据集采集模块和深度学习模块，所述深度学习模块用于搭建多层神经网络；还包括预训练模块，该预训练模块使用上述预训练图片数据集采集模块采集到的数据放入到所构建的深度学习模块的多层神经网络中进行训练，保存训练得到的分类器模型及对应的参数值；还包括标准化数据生成模块，该标准化数据生成模块从所述数据库模块中读取采集到的所有图片及标注信息，生成训练所需的规范化数据；还包括训练模块，该训练模块将标准化数据生成模块生成的规范化数据提交至预训练模块预训练好的分类器模型进行训练，并更新其参数，从而获得训练完成的二维码检测分类器。
进一步的，还包括识别模块，该识别模块用于识别载入的图像；所述二维码检测分类器识别所述图像中是否存在二维码；还包括二维码识别模块，如果所述二维码检测分类器检测到存在二维码，则将检测到的二维码区域裁剪出来，针对该区域进行二维码识别，并返回二维码识别的结果。
进一步的，还包括标准化数据生成模块生成训练所需的规范化数据包括：图片高度、宽度、是否存在二维码，如果存在二维码，二维码的大小及位置。
进一步的，所述多层神经网络包括以下层：
第一层为卷积层，预定输入维数为416x416x3，卷积核大小3x3，步长为1，卷积核数量为16，输出维数为416x416x16；
第二层为池化层，预定输入维数为416x416x16，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为208x208x16；
第三层为卷积层，预定输入维数为208x208x16，卷积核大小3x3，步长为1，卷积核数量为32，输出维数为208x208x32；
第四层为池化层，预定输入维数为208x208x32，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为104x104x32；
第五层为卷积层，预定输入维数为104x104x32，卷积核大小为3x3，步长为1，卷积核数量为64，输出维数为104x104x64；
第六层为池化层，预定输入维数为104x104x64，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为52x52x64；
第七层为卷积层，预定输入维数为52x52x64，卷积核大小为3x3，步长为1，卷积核数量为128，输出维数为52x52x128；
第八层为池化层预定输入维数为52x52x128，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为26x26x128；
第九层为卷积层预定输入维数为26x26x128，卷积核大小为3x3，步长为1，卷积核数量为256，输出维数为26x26x256；
第十层为池化层，预定输入维数为26x26x256，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为13x13x256；
第十一层为卷积层，预定输入维数为13x13x256，卷积核大小为3x3，步长为1，卷积核数量为512，输出维数为13x13x512；
第十二层为卷积层，预定输入维数为13x13x512，卷积核大小为3x3，步长为1，卷积核数量为1024，输出维数13x13x1024；
第十三层为卷积层，预定输入维数为13x13x1024，卷积核大小为3x3，步长为1，卷积核数量为1024，输出维数为13x13x1024；
第十四层为卷积层，预定输入维数为13x13x1024，卷积核大小为1x1，步长为1，卷积核数量为30，输出维数为13x13x30；
第十五层为输出结果层，预定输入维数为13x13x30，输出结果为检测的结果，位置，大小。
进一步的，所述预训练模块使用上述预训练图片数据集采集模块采集到的数据放入到所构建的深度学习模块的多层神经网络的前十三层进行训练，使其在预训练图片数据集上Top-5识别分类准确率达到88％。
本发明的二维码识别系统，可以对任意二维码进行识别，而不论二维码的大小、拍摄角度、背景色如何，提高了二维码的识别率和识别速度。
附图说明
当结合附图考虑时，参考下面的描述能够很好的理解本发明的结构、原理、工作特点和优点，但此处说明的附图用来对本发明的进一步解释，所附示意图只是为了更好的对本发明进行说明，并不对本发明构成不当限定，其中：
图1为本发明基于深度学习的二维码定位识别系统及方法的示意图。
具体实施方式
下面结合实例和附图对本发明作进一步的描述，应当指出的是，以下实施例仅仅为示意性的，其并非意图限制本发明。
本发明的基于深度学习的二维码定位识别系统包括，采集模块，该采集模块用于预先采集大量的包含二维码的图片，所述采集例如可以基于用户上传的样本进行采集。所述图片中二维码的大小、数量、拍摄角度、拍摄光照条件、拍摄背景均不同，力图覆盖现实拍照中所有可能的情况。还包括标注模块，所述标注模块将每张图片进行标准化处理，记录其中的二维码的大小及位置，例如可以采用标准坐标的形式记录二维码的位置。所述二维码的大小和位置存储在数据库模块中。
还包括预训练图片数据集采集模块，该采集模块例如可以通过ImageNet数据集进行公开数据采集。还包括深度学习模块，该深度学习模块用于搭建多层神经网络；其工具可以采用例如深度学习框架Caffe。
所述多层神经网络包括以下层：
第一层为卷积层，预定输入维数为416x416x3，卷积核大小3x3，步长为1，卷积核数量为16，输出维数为416x416x16
第二层为池化层，预定输入维数为416x416x16，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为208x208x16，
第三层为卷积层，预定输入维数为208x208x16，卷积核大小3x3，步长为1，卷积核数量为32，输出维数为208x208x32
第四层为池化层，预定输入维数为208x208x32，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为104x104x32
第五层为卷积层，预定输入维数为104x104x32，卷积核大小为3x3，步长为1，卷积核数量为64，输出维数为104x104x64
第六层为池化层，预定输入维数为104x104x64，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为52x52x64
第七层为卷积层，预定输入维数为52x52x64，卷积核大小为3x3，步长为1，卷积核数量为128，输出维数为52x52x128
第八层为池化层预定输入维数为52x52x128，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为26x26x128
第九层为卷积层预定输入维数为26x26x128，卷积核大小为3x3，步长为1，卷积核数量为256，输出维数为26x26x256
第十层为池化层，预定输入维数为26x26x256，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为13x13x256
第十一层为卷积层，预定输入维数为13x13x256，卷积核大小为3x3，步长为1，卷积核数量为512，输出维数为13x13x512
第十二层为卷积层，预定输入维数为13x13x512，卷积核大小为3x3，步长为1，卷积核数量为1024，输出维数13x13x1024
第十三层为卷积层，预定输入维数为13x13x1024，卷积核大小为3x3，步长为1，卷积核数量为1024，输出维数为13x13x1024
第十四层为卷积层，预定输入维数为13x13x1024，卷积核大小为1x1，步长为1，卷积核数量为30，输出维数为13x13x30
第十五层为输出结果层，预定输入维数为13x13x30，输出结果为检测的结果(有、无)，位置，大小(相对于整个图像)。
还包括配置模块，该配置模块用于配置运行环境，并将计算机的运行模式设置为GPU模式，为预训练及训练做准备。
还包括预训练模块，该预训练模块使用上述预训练图片数据集采集模块采集到的数据放入到所构建的深度学习模块的多层神经网络的前十三层进行训练，使其在预训练图片数据集上Top-5识别分类准确率达到88％，保存训练得到的分类器模型及对应的参数值。
还包括标准化数据生成模块，该标准化数据生成模块从所述数据库模块中读取采集到的所有图片及标注信息，生成训练所需的规范化数据，数据包括以下内容：图片高度、宽度、是否存在二维码，如果存在二维码，二维码的大小及位置。
上述数据以xml文件格式示例：
<size>
<width>384</width>
<height>288</height>
</size>
<object>
<name>n00000001</name>
<bndbox>
<xmin>232</xmin>
<xmax>248</xmax>
<ymin>161</ymin>
<ymax>203</ymax>
</bndbox>
</object>
</annotation>
还包括训练模块，该训练模块将标准化数据生成模块生成的规范化数据提交至预训练模块预训练好的分类器模型进行训练，并更新其参数，从而获得训练完成的二维码分类器模型。至此就完成了全部采集到的图片的训练。
检测时，识别模块首先将待检测图片缩放至416x416大小，然后提交至所述训练完成的二维码分类器模型得到检测结果，如果存在二维码，将检测到的二维码的boundbox区域裁剪出来，二维码识别模块针对该区域进行二维码识别，并返回二维码识别的结果。
尽管已经结合实施例对本发明进行了详细地描述，但是本领域技术人员应当理解地是，本发明并非仅限于特定实施例，相反，在没有超出本申请精神和实质的各种修正，变形和替换都落入到本申请的保护范围之中。
Claims (5)
1.一种基于深度学习的二维码定位识别系统，其特征在于包括，采集模块，该采集模块用于预先采集大量的包含二维码的图片；还包括标注模块，所述标注模块将每张图片进行标准化处理，记录其中的二维码的大小及位置；数据库模块，用于将所述二维码的大小和位置信息存储在数据库模块中；还包括预训练图片数据集采集模块和深度学习模块，所述深度学习模块用于搭建多层神经网络；还包括预训练模块，该预训练模块使用上述预训练图片数据集采集模块采集到的数据放入到所构建的深度学习模块的多层神经网络中进行训练，保存训练得到的分类器模型及对应的参数值；还包括标准化数据生成模块，该标准化数据生成模块从所述数据库模块中读取采集到的所有图片及标注信息，生成训练所需的规范化数据；还包括训练模块，该训练模块将标准化数据生成模块生成的规范化数据提交至预训练模块预训练好的分类器模型进行训练，并更新其参数，从而获得训练完成的二维码检测分类器。
2.根据权利要求1所述的一种基于深度学习的二维码定位识别系统，其特征在于还包括识别模块，该识别模块用于识别载入的图像；所述二维码检测分类器识别所述图像中是否存在二维码；还包括二维码识别模块，如果所述二维码检测分类器检测到存在二维码，则将检测到的二维码区域裁剪出来，针对该区域进行二维码识别，并返回二维码识别的结果。
3.根据权利要求2所述的基于深度学习的二维码定位识别系统，其特征在于，还包括标准化数据生成模块生成训练所需的规范化数据包括：图片高度、宽度、是否存在二维码，如果存在二维码，二维码的大小及位置。
4.根据权利要求1-3任意一项所述的基于深度学习的二维码定位识别系统，其特征在于，所述多层神经网络包括以下层：
第一层为卷积层，预定输入维数为416x416x3，卷积核大小3x3，步长为1，卷积核数量为16，输出维数为416x416x16；
第二层为池化层，预定输入维数为416x416x16，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为208x208x16；
第三层为卷积层，预定输入维数为208x208x16，卷积核大小3x3，步长为1，卷积核数量为32，输出维数为208x208x32；
第四层为池化层，预定输入维数为208x208x32，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为104x104x32；
第五层为卷积层，预定输入维数为104x104x32，卷积核大小为3x3，步长为1，卷积核数量为64，输出维数为104x104x64；
第六层为池化层，预定输入维数为104x104x64，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为52x52x64；
第七层为卷积层，预定输入维数为52x52x64，卷积核大小为3x3，步长为1，卷积核数量为128，输出维数为52x52x128；
第八层为池化层 预定输入维数为52x52x128，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为26x26x128；
第九层为卷积层 预定输入维数为26x26x128，卷积核大小为3x3，步长为1，卷积核数量为256，输出维数为26x26x256；
第十层为池化层，预定输入维数为26x26x256，池化核大小为2x2，步长为2，使用maxpool方法，输出维数为13x13x256；
第十一层为卷积层，预定输入维数为13x13x256，卷积核大小为3x3，步长为1，卷积核数量为512，输出维数为13x13x512；
第十二层为卷积层，预定输入维数为13x13x512，卷积核大小为3x3，步长为1，卷积核数量为1024，输出维数13x13x1024；
第十三层为卷积层，预定输入维数为13x13x1024，卷积核大小为3x3，步长为1，卷积核数量为1024，输出维数为13x13x1024；
第十四层为卷积层，预定输入维数为13x13x1024，卷积核大小为1x1，步长为1，卷积核数量为30，输出维数为13x13x30；
第十五层为输出结果层，预定输入维数为13x13x30，输出结果为检测的结果，位置，大小。
5.根据权利要求4所述的基于深度学习的二维码定位识别系统，其特征在于，所述预训练模块使用上述预训练图片数据集采集模块采集到的数据放入到所构建的深度学习模块的多层神经网络的前十三层进行训练，使其在预训练图片数据集上Top-5识别分类准确率达到88％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910043520.3A CN109858305A (zh) | 2019-01-17 | 2019-01-17 | 一种基于深度学习的二维码定位识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910043520.3A CN109858305A (zh) | 2019-01-17 | 2019-01-17 | 一种基于深度学习的二维码定位识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109858305A true CN109858305A (zh) | 2019-06-07 |
Family
ID=66894958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910043520.3A Pending CN109858305A (zh) | 2019-01-17 | 2019-01-17 | 一种基于深度学习的二维码定位识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858305A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287752A (zh) * | 2019-06-25 | 2019-09-27 | 北京慧眼智行科技有限公司 | 一种点阵码检测方法及装置 |
| CN110427793A (zh) * | 2019-08-01 | 2019-11-08 | 厦门商集网络科技有限责任公司 | 一种基于深度学习的条码检测方法及其系统 |
| CN110490023A (zh) * | 2019-08-27 | 2019-11-22 | 广东工业大学 | 一种二维码形变恢复方法、装置及设备 |
| CN110490022A (zh) * | 2019-08-23 | 2019-11-22 | 京东数字科技控股有限公司 | 一种识别图片中的条形码方法及装置 |
| CN111222355A (zh) * | 2019-12-30 | 2020-06-02 | 新大陆数字技术股份有限公司 | Pcb板上的条码定位方法及系统 |
| CN111310509A (zh) * | 2020-03-12 | 2020-06-19 | 北京大学 | 基于物流运单的实时条码检测系统及方法 |
| CN112417918A (zh) * | 2020-11-13 | 2021-02-26 | 珠海格力电器股份有限公司 | 二维码识别方法、装置、存储介质及电子设备 |
| CN112541367A (zh) * | 2020-12-11 | 2021-03-23 | 上海品览数据科技有限公司 | 一种基于深度学习和图像处理的多种二维码识别方法 |
| CN112580382A (zh) * | 2020-12-28 | 2021-03-30 | 哈尔滨工程大学 | 基于目标检测二维码定位方法 |
| CN110941970B (zh) * | 2019-12-05 | 2023-05-30 | 深圳牛图科技有限公司 | 基于全卷积神经网络的高速维码定位识别系统 |
| CN116451720A (zh) * | 2023-06-09 | 2023-07-18 | 陕西西煤云商信息科技有限公司 | 一种仓储物资扫描识别方法及其识别系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012190085A (ja) * | 2011-03-08 | 2012-10-04 | Mti Ltd | マーカー認識処理装置、認識処理プログラム及び認識処理方法 |
| CN106127093A (zh) * | 2016-06-17 | 2016-11-16 | 广州中大微电子有限公司 | 一种二维码识别芯片及其实现方法 |
| CN106203318A (zh) * | 2016-06-29 | 2016-12-07 | 浙江工商大学 | 基于多层次深度特征融合的摄像机网络行人识别方法 |
| CN107220577A (zh) * | 2017-05-12 | 2017-09-29 | 广州智慧城市发展研究院 | 一种基于机器学习的二维码定位方法及系统 |
| CN108520193A (zh) * | 2018-03-27 | 2018-09-11 | 康体佳智能科技（深圳）有限公司 | 基于神经网络的二维码识别系统及识别方法 |
| CN108681735A (zh) * | 2018-03-28 | 2018-10-19 | 中科博宏（北京）科技有限公司 | 基于卷积神经网络深度学习模型的光学字符识别方法 |
-
2019
- 2019-01-17 CN CN201910043520.3A patent/CN109858305A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012190085A (ja) * | 2011-03-08 | 2012-10-04 | Mti Ltd | マーカー認識処理装置、認識処理プログラム及び認識処理方法 |
| CN106127093A (zh) * | 2016-06-17 | 2016-11-16 | 广州中大微电子有限公司 | 一种二维码识别芯片及其实现方法 |
| CN106203318A (zh) * | 2016-06-29 | 2016-12-07 | 浙江工商大学 | 基于多层次深度特征融合的摄像机网络行人识别方法 |
| CN107220577A (zh) * | 2017-05-12 | 2017-09-29 | 广州智慧城市发展研究院 | 一种基于机器学习的二维码定位方法及系统 |
| CN108520193A (zh) * | 2018-03-27 | 2018-09-11 | 康体佳智能科技（深圳）有限公司 | 基于神经网络的二维码识别系统及识别方法 |
| CN108681735A (zh) * | 2018-03-28 | 2018-10-19 | 中科博宏（北京）科技有限公司 | 基于卷积神经网络深度学习模型的光学字符识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡若君等: "基于深度学习的二维码定位与检测技术", 《现代计算机》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110287752A (zh) * | 2019-06-25 | 2019-09-27 | 北京慧眼智行科技有限公司 | 一种点阵码检测方法及装置 |
| CN110427793A (zh) * | 2019-08-01 | 2019-11-08 | 厦门商集网络科技有限责任公司 | 一种基于深度学习的条码检测方法及其系统 |
| CN110427793B (zh) * | 2019-08-01 | 2022-04-26 | 厦门商集网络科技有限责任公司 | 一种基于深度学习的条码检测方法及其系统 |
| CN110490022A (zh) * | 2019-08-23 | 2019-11-22 | 京东数字科技控股有限公司 | 一种识别图片中的条形码方法及装置 |
| CN110490023A (zh) * | 2019-08-27 | 2019-11-22 | 广东工业大学 | 一种二维码形变恢复方法、装置及设备 |
| CN110941970B (zh) * | 2019-12-05 | 2023-05-30 | 深圳牛图科技有限公司 | 基于全卷积神经网络的高速维码定位识别系统 |
| CN111222355A (zh) * | 2019-12-30 | 2020-06-02 | 新大陆数字技术股份有限公司 | Pcb板上的条码定位方法及系统 |
| CN111310509A (zh) * | 2020-03-12 | 2020-06-19 | 北京大学 | 基于物流运单的实时条码检测系统及方法 |
| CN112417918A (zh) * | 2020-11-13 | 2021-02-26 | 珠海格力电器股份有限公司 | 二维码识别方法、装置、存储介质及电子设备 |
| CN112541367A (zh) * | 2020-12-11 | 2021-03-23 | 上海品览数据科技有限公司 | 一种基于深度学习和图像处理的多种二维码识别方法 |
| CN112580382A (zh) * | 2020-12-28 | 2021-03-30 | 哈尔滨工程大学 | 基于目标检测二维码定位方法 |
| CN112580382B (zh) * | 2020-12-28 | 2022-06-17 | 哈尔滨工程大学 | 基于目标检测二维码定位方法 |
| CN116451720A (zh) * | 2023-06-09 | 2023-07-18 | 陕西西煤云商信息科技有限公司 | 一种仓储物资扫描识别方法及其识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858305A (zh) | 一种基于深度学习的二维码定位识别系统及方法 | |
| CN108334848B (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
| Zhao et al. | Scene parsing by integrating function, geometry and appearance models | |
| US8849058B2 (en) | Systems and methods for image archaeology | |
| KR101446376B1 (ko) | 고유 이미지 프로세스에 따른 미지 문서의 식별 및 검증 | |
| EP2424207A1 (en) | Monitoring system | |
| US20150347801A1 (en) | Object recognition for exception handling in automatic machine-readable symbol reader systems | |
| TW201201107A (en) | Barcode image recognition system and associated method for hand-held device | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| CN104142961A (zh) | 版式文档中复合图的逻辑处理装置和逻辑处理方法 | |
| CN101321223A (zh) | 信息处理方法、信息处理装置和程序存储介质 | |
| JP2009282985A (ja) | デジタル画像の向きの判定方法 | |
| CN111612012A (zh) | 健康码的识别方法及装置 | |
| CN114092938B (zh) | 图像的识别处理方法、装置、电子设备及存储介质 | |
| CN113378815B (zh) | 一种场景文本定位识别的系统及其训练和识别的方法 | |
| CN115862113A (zh) | 陌生人异常识别方法、装置、设备及存储介质 | |
| US7685522B1 (en) | Self-describing forms | |
| CN109800616A (zh) | 一种基于图像特征的二维码定位识别系统 | |
| CN107368832A (zh) | 基于图像的目标检测及分类方法 | |
| JP2004517416A (ja) | コード化されたパターン及びそのコードの抽出方法 | |
| CN108764365A (zh) | 一种设备标识牌检测方法 | |
| CN115937887A (zh) | 文档结构化信息的提取方法及装置、电子设备、存储介质 | |
| CN115223173A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
| JP4853313B2 (ja) | 文字認識装置 | |
| Beijbom | Automated annotation of coral reef survey images |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |