CN110046530A - 一种基于多任务目标检测的条形码倾斜矫正方法 - Google Patents

一种基于多任务目标检测的条形码倾斜矫正方法 Download PDF

Info

Publication number
CN110046530A
CN110046530A CN201910197760.9A CN201910197760A CN110046530A CN 110046530 A CN110046530 A CN 110046530A CN 201910197760 A CN201910197760 A CN 201910197760A CN 110046530 A CN110046530 A CN 110046530A
Authority
CN
China
Prior art keywords
bar code
method based
classification
target detection
network
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
CN201910197760.9A
Other languages
English (en)
Other versions
CN110046530B (zh
Inventor
许绍云
易帆
李功燕
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.)
Zhongke Weizhi Technology Co.,Ltd.
Original Assignee
Institute of Microelectronics of CAS
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 Institute of Microelectronics of CAS filed Critical Institute of Microelectronics of CAS
Priority to CN201910197760.9A priority Critical patent/CN110046530B/zh
Publication of CN110046530A publication Critical patent/CN110046530A/zh
Application granted granted Critical
Publication of CN110046530B publication Critical patent/CN110046530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1456—Methods for optical code recognition including a method step for retrieval of the optical code determining the orientation of the optical code with respect to the reader and correcting therefore

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多任务目标检测的条形码倾斜矫正方法，包括：构建单阶段目标检测器，所述单阶段目标检测器包括依次连接的特征提取基础网络和检测头部网络；将条形码图像输入所述特征提取基础网络，提取得到特征图；将所述特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果。本发明通过先对条形码倾斜程度进行分类，然后进行角度回归，有效降低了条形码矫正难度，并通过与单阶段目标检测器融合构成多任务目标检测模型，并行提高检测和矫正的效率，对提升译码准确率和速度起到较好促进作用。

Description

一种基于多任务目标检测的条形码倾斜矫正方法
技术领域
本发明涉及深度学习、图像处理技术领域，具体涉及一种基于多任务目标检测的条形码倾斜矫正方法。
背景技术
当前主流的条形码识别方法主要分为传统的数字图像处理和深度学习两类算法。
传统图像处理方法主要通过手工设计特征和规则，对条形码区域进行标记、旋转角度计算进而获得条形码矫正结果。一般地，传统图像算法对实验和应用环境要求较高。在物流包裹分拣场景下，条形码图片因为光照不均、背景干扰、包裹扭曲形变、模糊、污损等情况造成图片质量下降和特征不明显，进而算法性能大打折扣。
近年来，深度学习技术快速发展，凭借着其强大的拟合和提取特征能力，已经在绝大多数图像领域取得优于传统图像处理方法的效果。现有的一些方法中，一些是基于卷积神经网络的级联条形码检测算法，首先使用Faster-Rcnn目标检测算法获得条形码区域，再借助最大稳定极值区域(Maximally Stable ExtremalRegions，MSERs)算法消除背景噪声并检测条形码方向，最后通过自适应流形(Adaptive Manifold，AM)滤波器处理模糊条形码区域，整个算法流程由于多阶段处理速度较慢。另一些通过YOLO目标检测算法定位条形码区域，之后将条形码区域裁剪放缩至正方形送入一个角度矫正卷积神经网络预测条形码的倾斜角，然而这两部分网络提取特征存在重复冗余，并且直接回归预测倾斜角误差偏大。
发明内容
本发明的目的是通过以下技术方案实现的。
具体的，本发明提供了一种基于多任务目标检测的条形码倾斜矫正方法，包括：
构建单阶段目标检测器，所述单阶段目标检测器包括依次连接的特征提取基础网络和检测头部网络；
将条形码图像输入所述特征提取基础网络，提取得到特征图；
将所述特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果。
优选的，所述特征提取基础网络用于特征提取，输出所述条形码图像不同大小、不同抽象层次的语义特征信息表示；所述检测头部网络根据所述语义特征信息表示和监督信息完成待检测目标的分类和定位。
优选的，所述分类的结果是输出类别标签，所述定位的结果是输出检测矩形框的位置信息。
优选的，所述将特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果，包括：
将[0,180]角度范围均匀划分成M个象限，M为正整数，对应的在检测头部增加M分类预测条形码倾斜角度落在哪个象限，确定象限之后再对倾斜角进行回归，相应的的角度回归量取值范围变成
所述检测头部网络进一步包括分类网络和倾斜角度回归网络，所述倾斜角度回归网络输出值x通过Sigmoid激活函数归一化到[0,1]范围内，再乘以映射到
计算倾斜条形码角度值θ为：
其中m为分类网络输出的象限值；
通过仿射变换矫正条形码。
优选的，所述射变换包括：逆时针旋转90-θ，其中旋转变换矩阵T为：
优选的，所述检测头部网络通过3×3卷积运算获得特征图待检测张量，将张量划分为S×S个格点，每个格点设置多个预设锚框。
优选的，进一步包括：训练所述单阶段目标检测器，设定损失函数，所述损失函数包括：分类损失、边界框回归损失和角度矫正损失。
优选的，所述分类损失的计算方式如下：
其中为示性函数，当第i个预测回归框与类别为c的真值标记框j匹配时值为1，否则为0；+和-分别代表正负样本；为输出类别为c的概率值；为负样本的概率值；N代表与真值框匹配的正样本数量，M代表未能匹配的负样本个数；β代表正负样本平衡因子。
优选的，所述角度矫正损失的计算方式如下：
Langle＝1-cos(θ-θ*)
θ为预测回归角度，θ*为真值标注角度。
优选的，所述单阶段目标检测器进一步包括非极大值抑制单元。
本发明的优点在于：本发明通过先对条形码倾斜程度进行分类，然后进行角度回归，有效降低了条形码矫正难度，并通过与单阶段目标检测器融合构成多任务目标检测模型，并行提高检测和矫正的效率，对提升译码准确率和速度起到较好促进作用。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
附图1示出了根据本发明实施方式的一种基于多任务目标检测的条形码倾斜矫正方法流程图；
附图2示出了根据本发明实施方式的条形码倾斜角度定义示意图；
附图3示出了根据本发明实施方式的带倾斜校正的检测头部示意图；
附图4示出了根据本发明实施方式的Anchor设置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
由于实际生产环境中对条形码识别速度要求严格，本发明以单阶段目标检测器为基础，改进检测器结构，提出一种多任务目标检测的条形码矫正方法。
1、单阶段目标检测器结构
单阶段目标检测器模型整体上由特征提取基础网络和检测头部网络构成，如图1所示。特征提取基础网络用于特征提取，输出图像不同大小、不同抽象层次的语义特征信息表示；检测头部网络则根据这些语义特征信息表示和监督信息完成待检测目标的分类和定位任务，分类的结果是输出类别标签，定位的结果是输出检测矩形框的位置信息，包含矩形框的中心位置坐标(fx,fy)和宽高(fw,fh)。检测头部网络负责的类别预测和位置回归两个任务一般是并行进行的，构成多任务的损失进行联合训练。
2、矫正网络设计
首先，定义矫正角度，如图2所示，从水平轴出发逆时针旋转至与黑条纹重合的旋转角度为矫正角度值，记为θ。由于条形码首尾颠倒都能译码，矫正角度值的范围是θ∈[0,180]。
本发明中，单阶段目标检测器中特征提取基础网络提取的特征信息已经包含条形码的语义，可以直接将倾斜矫正任务嵌入到检测头部网络中。如果在检测头部网络中增加3×3卷积核的数量来回归角度信息，直接回归可得到一个[0,180]范围内的角度值，但是这样会导致误差相对较大。为降低误差值，在回归倾斜角度之前，先对条形码倾斜程度进行分类以降低直接回归角度的难度，有效减少回归误差。具体地，将[0,180]角度范围均匀划分成M个象限，M为正整数，对应的在检测头部增加M分类预测条形码倾斜角度落在哪个象限，确定象限之后再对倾斜角进行回归，相应的的角度回归量取值范围变成一般来说，倾斜角度回归网络输出值x通过Sigmoid激活函数归一化到[0,1]范围内，再乘以映射到通过设计上述策略，最终倾斜条形码角度值θ为：
其中m为分类网络输出的象限值。
获得倾斜条形码角度值之后，通过仿射变换可以矫正条形码，由于倾斜角是从水平方向开始逆时针旋转定义的，故实际条形码需要逆时针旋转90-θ(若旋转角为负值，顺时针旋转即可)旋转变换矩阵T为：
最终，检测头部结构如图3所示。首先从特征提取基础网络中抽取特征图，假设特征图的大小为S×S×D，通过3×3卷积运算获得特征图待检测张量，将张量划分为S×S个格点，每个格点设置B个预设锚框(Anchor)，如图4所示，这样每个格点最多可以检测B个中心落在此格点内的目标。每个格点向量中具体值含义为：对于每一个Anchor，输出检测矩形框的4个坐标信息(fx,fy,fw,fh)；N个属性类别标签值，其中N-1个值代表实际类别数目，剩下1个代表背景类别；M个象限类别标签值；1个角度回归值。最终每个格点向量的长度为B*(4+N+M+1)。
3、多任务损失函数
为了训练优化设计的网络结构，需要设定合理的损失函数，最终的损失主要包含三项：分类损失、边界框回归损失和角度矫正损失。
分类损失主要涉及到属性分类损失和象限分类损失，考虑到正负样本比例会影响最终网络的训练效果，本发明设计一种类别均衡的Softmax交叉熵损失进行计算：
其中为示性函数，当第i个预测回归框与类别为c的真值(Ground Truth)标记框j匹配时值为1，否则为0；+和-分别代表正负样本；为输出类别为c的概率值；为负样本的概率值；N代表与真值框匹配的正样本数量，M代表未能匹配的负样本个数；β代表正负样本平衡因子。
回归输出的位置坐标信息(fx,fy,fw,fh)代表一种偏移(offset)变换关系，中心点坐标信息的预测值(fx,fy)是相对于Anchor左上角坐标的偏移值，边界框宽高信息的预测值(fw,fh)是相对于Anchor长宽的变化比例，具体计算方式如下：
其中(xp,yp,wp,hp)、(xa,ya,wa,ha)和(xg,yg,wg,hg)分别是预测回归框、Anchor和真值标记框的中心点坐标和宽高，(tx,ty,tw,th)代表真值(Ground Truth)标记框相对于Anchor的变换关系。边界框位置回归损失函数选择Smooth-L1：
从Smooth-L1损失函数可以看出，借助Anchor作为中间桥梁，预测回归框不断向真值标记框靠近调整，同时引入偏移量和log变换限定输出量的范围，保证每一个Anchor负责检测周围附近单位以内的目标，使得模型更容易收敛并且损失保持在合理的量级上，可以看作一种标准化(Normalization)操作。
回归角度损失函数选择Smooth-L1损失函数，采用余弦距离函数归一化角度值，保证网络最终的角度回归效果：
Langle＝1-cos(θ-θ*)
θ为预测回归角度，θ*为真值标注角度。
综上，将上述的分类损失、定位回归损失和角度回归损失合并，得到最终的多任务损失函数：
L＝Lcls+λ1Lloc+λ2Langle
其中λ1和λ2为平衡这三者的权重因子，本发明通过交叉验证(Cross validation)设置λ1值为2，λ2值为10。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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 (10)

1.一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，包括：
构建单阶段目标检测器，所述单阶段目标检测器包括依次连接的特征提取基础网络和检测头部网络；
将条形码图像输入所述特征提取基础网络，提取得到特征图；
将所述特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果。
2.根据权利要求1所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述特征提取基础网络用于特征提取，输出所述条形码图像不同大小、不同抽象层次的语义特征信息表示；所述检测头部网络根据所述语义特征信息表示和监督信息完成待检测目标的分类和定位。
3.根据权利要求2所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述分类的结果是输出类别标签，所述定位的结果是输出检测矩形框的位置信息。
4.根据权利要求1或2所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述将特征图输入检测头部网络，对所述特征图进行分类和位置回归，得到矫正结果，包括：
将[0,180]角度范围均匀划分成M个象限，M为正整数，对应的在检测头部增加M分类预测条形码倾斜角度落在哪个象限，确定象限之后再对倾斜角进行回归，相应的的角度回归量取值范围变成
所述检测头部网络进一步包括分类网络和倾斜角度回归网络，所述倾斜角度回归网络输出值x通过Sigmoid激活函数归一化到[0,1]范围内，再乘以映射到
计算倾斜条形码角度值θ为：
其中m为分类网络输出的象限值；
通过仿射变换矫正条形码。
5.根据权利要求4所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述射变换包括：逆时针旋转90-θ，其中旋转变换矩阵T为：
6.根据权利要求1所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述检测头部网络通过3×3卷积运算获得特征图待检测张量，将张量划分为S×S个格点，每个格点设置多个预设锚框。
7.根据权利要求1所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，进一步包括：
训练所述单阶段目标检测器，设定损失函数，所述损失函数包括：分类损失、边界框回归损失和角度矫正损失。
8.根据权利要求7所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述分类损失的计算方式如下：
其中为示性函数，当第i个预测回归框与类别为c的真值标记框j匹配时值为1，否则为0；+和-分别代表正负样本；为输出类别为c的概率值；为负样本的概率值；N代表与真值框匹配的正样本数量，M代表未能匹配的负样本个数；β代表正负样本平衡因子。
9.根据权利要求7所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述角度矫正损失的计算方式如下：
Langle＝1-cos(θ-θ*)
θ为预测回归角度，θ*为真值标注角度。
10.根据权利要求1所述的一种基于多任务目标检测的条形码倾斜矫正方法，其特征在于，
所述单阶段目标检测器进一步包括非极大值抑制单元。
CN201910197760.9A 2019-03-15 2019-03-15 一种基于多任务目标检测的条形码倾斜矫正方法 Active CN110046530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910197760.9A CN110046530B (zh) 2019-03-15 2019-03-15 一种基于多任务目标检测的条形码倾斜矫正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910197760.9A CN110046530B (zh) 2019-03-15 2019-03-15 一种基于多任务目标检测的条形码倾斜矫正方法

Publications (2)

Publication Number Publication Date
CN110046530A true CN110046530A (zh) 2019-07-23
CN110046530B CN110046530B (zh) 2022-03-25

Family

ID=67274871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910197760.9A Active CN110046530B (zh) 2019-03-15 2019-03-15 一种基于多任务目标检测的条形码倾斜矫正方法

Country Status (1)

Country Link
CN (1) CN110046530B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110879993A (zh) * 2019-11-29 2020-03-13 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN110991230A (zh) * 2019-10-25 2020-04-10 湖北富瑞尔科技有限公司 基于旋转候选框的任意方向遥感影像舰船检测方法及系统
CN112001428A (zh) * 2020-08-05 2020-11-27 中国科学院大学 一种基于特征匹配优化的无锚框目标检测网络训练方法
CN113221962A (zh) * 2021-04-21 2021-08-06 哈尔滨工程大学 一种解耦分类与回归任务的三维点云单阶段目标检测方法
CN113538449A (zh) * 2020-04-20 2021-10-22 顺丰科技有限公司 一种图像矫正方法、装置、服务器及存储介质
CN114022558A (zh) * 2022-01-05 2022-02-08 深圳思谋信息科技有限公司 图像定位方法、装置、计算机设备和存储介质
CN114842353A (zh) * 2022-05-06 2022-08-02 自然资源部第一海洋研究所 基于自适应目标方向的神经网络遥感影像目标检测方法
CN115310469A (zh) * 2022-10-12 2022-11-08 广东奥普特科技股份有限公司 条形码定位模型训练方法、定位方法、系统、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4874706B2 (ja) * 2006-04-28 2012-02-15 シヤチハタ株式会社 Ｑｒコード読取装置
CN104463066A (zh) * 2014-12-03 2015-03-25 上海电机学院 一种商品外包装一维条形码快速定位识别方法
US20150317060A1 (en) * 2012-12-01 2015-11-05 Gspi B.V. Device, A Method And A Server For Retrieving Information Using A Machine Readable Image
CN107066914A (zh) * 2017-03-13 2017-08-18 广州卓德信息科技有限公司 一种复杂背景下的二维条码图像定位方法及系统
CN107944321A (zh) * 2017-11-28 2018-04-20 努比亚技术有限公司 一种图像识别方法、终端和计算机可读存储介质
CN108021837A (zh) * 2016-11-04 2018-05-11 株式会社理光 一种条形码检测方法、条形码检测装置及电子设备
CN108427924A (zh) * 2018-03-09 2018-08-21 华中科技大学 一种基于旋转敏感特征的文本回归检测方法
CN108470172A (zh) * 2017-02-23 2018-08-31 阿里巴巴集团控股有限公司 一种文本信息识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4874706B2 (ja) * 2006-04-28 2012-02-15 シヤチハタ株式会社 Ｑｒコード読取装置
US20150317060A1 (en) * 2012-12-01 2015-11-05 Gspi B.V. Device, A Method And A Server For Retrieving Information Using A Machine Readable Image
CN104463066A (zh) * 2014-12-03 2015-03-25 上海电机学院 一种商品外包装一维条形码快速定位识别方法
CN108021837A (zh) * 2016-11-04 2018-05-11 株式会社理光 一种条形码检测方法、条形码检测装置及电子设备
CN108470172A (zh) * 2017-02-23 2018-08-31 阿里巴巴集团控股有限公司 一种文本信息识别方法及装置
CN107066914A (zh) * 2017-03-13 2017-08-18 广州卓德信息科技有限公司 一种复杂背景下的二维条码图像定位方法及系统
CN107944321A (zh) * 2017-11-28 2018-04-20 努比亚技术有限公司 一种图像识别方法、终端和计算机可读存储介质
CN108427924A (zh) * 2018-03-09 2018-08-21 华中科技大学 一种基于旋转敏感特征的文本回归检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LICHAO XU 等: "Automatic extraction of 1D barcodes from video scans for drone-assisted inventory management in warehousing applications", 《INTERNATIONAL JOURNAL OF LOGISTICS RESEARCH AND APPLICATIONS》 *
易帆 等: "基于多任务目标检测的条形码倾斜矫正算法研究", 《计算机应用与软件》 *
许晓辉 等: "基于最小二乘法的二维条码图像倾斜校正方法", 《浙江工业大学学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991230A (zh) * 2019-10-25 2020-04-10 湖北富瑞尔科技有限公司 基于旋转候选框的任意方向遥感影像舰船检测方法及系统
CN110991230B (zh) * 2019-10-25 2023-08-11 湖北富瑞尔科技有限公司 基于旋转候选框的任意方向遥感影像舰船检测方法及系统
CN110879993A (zh) * 2019-11-29 2020-03-13 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN110879993B (zh) * 2019-11-29 2023-03-14 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN113538449A (zh) * 2020-04-20 2021-10-22 顺丰科技有限公司 一种图像矫正方法、装置、服务器及存储介质
CN112001428A (zh) * 2020-08-05 2020-11-27 中国科学院大学 一种基于特征匹配优化的无锚框目标检测网络训练方法
CN113221962A (zh) * 2021-04-21 2021-08-06 哈尔滨工程大学 一种解耦分类与回归任务的三维点云单阶段目标检测方法
CN113221962B (zh) * 2021-04-21 2022-06-21 哈尔滨工程大学 一种解耦分类与回归任务的三维点云单阶段目标检测方法
CN114022558A (zh) * 2022-01-05 2022-02-08 深圳思谋信息科技有限公司 图像定位方法、装置、计算机设备和存储介质
CN114842353A (zh) * 2022-05-06 2022-08-02 自然资源部第一海洋研究所 基于自适应目标方向的神经网络遥感影像目标检测方法
CN114842353B (zh) * 2022-05-06 2024-04-02 自然资源部第一海洋研究所 基于自适应目标方向的神经网络遥感影像目标检测方法
CN115310469A (zh) * 2022-10-12 2022-11-08 广东奥普特科技股份有限公司 条形码定位模型训练方法、定位方法、系统、设备及介质

Also Published As

Publication number Publication date
CN110046530B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN110046530A (zh) 一种基于多任务目标检测的条形码倾斜矫正方法
US11798132B2 (en) Image inpainting method and apparatus, computer device, and storage medium
Wang et al. Learning center probability map for detecting objects in aerial images
CN106203430B (zh) 一种基于前景聚集度和背景先验的显著性物体检测方法
US20190164312A1 (en) Neural network-based camera calibration
CN108346162B (zh) 基于结构信息和空间约束的遥感图像配准方法
CN111553347A (zh) 一种面向任意角度的场景文本检测方法
Hou et al. Cascade detector with feature fusion for arbitrary-oriented objects in remote sensing images
Lim et al. Change detection in high resolution satellite images using an ensemble of convolutional neural networks
CN107944437B (zh) 一种基于神经网络和积分图像的人脸定位方法
CN110097584A (zh) 结合目标检测和语义分割的图像配准方法
Yang et al. Classified road detection from satellite images based on perceptual organization
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
Zhang et al. Gsip: Green semantic segmentation of large-scale indoor point clouds
CN111652240A (zh) 一种基于cnn的图像局部特征检测与描述方法
CN114972423A (zh) 一种航拍视频运动目标检测方法及系统
Zhu et al. To see in the dark: N2DGAN for background modeling in nighttime scene
Azeem et al. A robust automatic meter reading system based on mask-rcnn
CN113095316B (zh) 基于多级融合和角点偏移的图像旋转目标检测方法
Mi et al. Research on a Fast Human‐Detection Algorithm for Unmanned Surveillance Area in Bulk Ports
Chen et al. Coupled global–local object detection for large vhr aerial images
Xiu et al. Dynamic-scale graph convolutional network for semantic segmentation of 3d point cloud
Zhou et al. Vehicle detection in remote sensing image based on machine vision
CN110910349B (zh) 一种基于航拍视觉的风电机组状态获取方法
CN115862119B (zh) 基于注意力机制的人脸年龄估计方法及装置

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
CB02 Change of applicant information

Address after: 214105 No. 299 Dacheng Road, Xishan District, Jiangsu, Wuxi

Applicant after: Zhongke Weizhi intelligent manufacturing technology Jiangsu Co.,Ltd.

Address before: 214105 No. 299 Dacheng Road, Xishan District, Jiangsu, Wuxi

Applicant before: ZHONGKE WEIZHI INTELLIGENT MANUFACTURING TECHNOLOGY JIANGSU Co.,Ltd.

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20200915

Address after: 214105 No. 299 Dacheng Road, Xishan District, Jiangsu, Wuxi

Applicant after: ZHONGKE WEIZHI INTELLIGENT MANUFACTURING TECHNOLOGY JIANGSU Co.,Ltd.

Address before: Reed City Road Kunshan city Suzhou city Jiangsu province 215347 No. 1699 building 7 layer ITRI

Applicant before: KUNSHAN BRANCH, INSTITUTE OF MICROELECTRONICS OF CHINESE ACADEMY OF SCIENCES

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: No. 979, Antai Third Road, Xishan District, Wuxi City, Jiangsu Province, 214000

Patentee after: Zhongke Weizhi Technology Co.,Ltd.

Address before: No. 299, Dacheng Road, Xishan District, Wuxi City, Jiangsu Province

Patentee before: Zhongke Weizhi intelligent manufacturing technology Jiangsu Co.,Ltd.

CP03 Change of name, title or address