CN110287967B - 一种基于图像的数字及机械表数字识别方法 - Google Patents

一种基于图像的数字及机械表数字识别方法 Download PDF

Info

Publication number
CN110287967B
CN110287967B CN201910576204.2A CN201910576204A CN110287967B CN 110287967 B CN110287967 B CN 110287967B CN 201910576204 A CN201910576204 A CN 201910576204A CN 110287967 B CN110287967 B CN 110287967B
Authority
CN
China
Prior art keywords
digital
image
mechanical
cutting
meter
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.)
Active
Application number
CN201910576204.2A
Other languages
English (en)
Other versions
CN110287967A (zh
Inventor
彭宇
洪硕
马宁
李绍俐
尹童
彭喜元
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910576204.2A priority Critical patent/CN110287967B/zh
Publication of CN110287967A publication Critical patent/CN110287967A/zh
Application granted granted Critical
Publication of CN110287967B publication Critical patent/CN110287967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像的数字及机械表数字识别方法，涉及图像处理技术领域，为解决传统的图像处理方法无法适用于数字及机械表的智能抄表工作的问题，其过程为：利用深度学习目标检测网络MobileNetv2‑SSD进行类型判断和数字区域定位，然后将图片按顶点坐标裁剪，进行图像预处理与二值化操作，将图像转为黑白二值图，机械表加入膨胀腐蚀操作加粗数字、消除噪点，数字表图像预切割与重切割，利用投影法进行预切割，通过阈值匹配确定数字位数后再进行过长段分离、过小段合并的重切割实现数字表数字切割分离，机械表图像平均切割。本发明实现了数字及机械表的分类识别与数字区域定位。

Description

一种基于图像的数字及机械表数字识别方法
技术领域
本发明涉及图像处理技术领域，具体为一种基于图像的数字及机械表数字识别方法。
背景技术
自动抄表(Automatic Meter Reading，AMR)是集计算机技术、通信技术、用电及计量技术于一体，利用微电子和计算机网络，采集、传感、传输等技术自动读取和处理表计数据，将城市居民的用水、电、气信息加以综合处理的系统。具有抄收速度快、计算精度高、抄表同时性好、可直接与营业计算机联网等突出的优点。采用自动抄表系统可以缓解抄表人员的劳动强度、降低人为因素造成的抄表误差，从根本上解决了入户抄表收费给用户和抄表人员带来的麻烦，避免了许多不必要的纠纷，不但能提高管理部门的工作效率，也适应现代用户对用水、用电、用气缴费的需求。
随着国民经济的快速发展和城镇化建设的进一步推进，居民水、电、气用量不断增加，由此加大了抄表与收费结算的工作量。现有的人工抄表方式已经远远不能满足日益增长的工作需求。虽然现在市场上出现了很多针对不同应用场合的远程抄表系统，在一定程度上解决了抄表难的问题。最初有红外抄表系统、无线抄表系统等半人工的方式。后期出现了低压载波抄表系统、485总线抄表系统、光纤传输远程抄表系统等基于信号传输的抄表方式。但是这些抄表系统大多需要对原有的表进行拆装、加装一些电子器件，其工程量大、成本高、且实现周期长，同时也有可能对原有表的性能造成一定的影响。相比前几种方法，通过可见光图像处理的方式对这些表进行数字抄表识别不需要对原有表进行改装，极大地减小了成本，且不会影响电表性能。
居民使用的水、电、气表种类多样、型号多样，主要可以分为两类：数字液晶式和机械字轮式。每一种类型还有许多不同种类的型号，导致其数字区域大小、长度、颜色、字体均不固定。基于传统的图像处理方法无法设计一个适用不同类型表的方法进行智能抄表工作。目前已有的基于可见光图像处理的方式进行数字识别的方法中，区域定位大多采用传统的图像处理方法，其适用型号单一，无法同时适应数字液晶和机械字轮两大类型的表，且由于大多数居民用表使用年限长、所处环境过差，其污迹、噪声干扰较为严重，传统的图像处理方法抗干扰和噪声能力较差、所定位区域精确度较差，严重影响后续的图像二值化操作和数字分割工作。如何设计一个既能够兼容数字及机械表，又可以抵抗各类污迹、噪声、反光干扰的图像处理算法，实现数字及机械表的数字识别仍是一个有待解决的问题。
发明内容
本发明的目的是：针对传统的图像处理方法无法适用于数字及机械表的智能抄表工作的问题，提出一种基于图像的数字及机械表的数字识别方法。
本发明为了解决上述技术问题采取的技术方案是：一种基于图像的数字及机械表数字识别方法，包括以下步骤：
步骤一、利用MobileNetv2-SSD目标检测网络对数字表或机械表图像信息进行分析处理，并根据图像信息对数字表或机械表的类型进行判断，然后对数字表或机械表的数字区域进行定位；
步骤二、将步骤一中分析处理后的数字表或机械表图像信息进行滤波、二值化和形态学处理；
步骤三、根据步骤一中得到的数字表或机械表类型，若类型为数字液晶表则执行步骤四，若类型为机械字轮表则执行步骤五；
步骤四、将步骤二中处理后的图像信息利用预切割与重切割将图像中的数字切割分离为单独的数字图像；
步骤五、将步骤二中处理后的图像信息利用平均切割将图像中的数字切割分离为单独的数字图像；
步骤六、将训练集中的数字表或机械表图像信息按上述步骤切割为单独的数字图像，然后将数字表或机械表切割后的图像信息分别利用SVM分类器进行训练，得到两个SVM分类模型；
步骤七、输入测试集，通过步骤一至步骤五得到切割后单独的数字图像，然后根据步骤一中判定的数字表或机械表类型调用相应的SVM分类模型，得到识别结果。
进一步的，所述步骤一的具体步骤为：
步骤一一、将数字表或机械表图像经过整理、分类和标注作为训练集，分类结果为数字液晶表和机械字轮表，在Tensorflow深度学习框架下搭建MobileNetv2-SSD目标检测网络，设置学习参数，经过迭代训练得到目标检测模型；
步骤一二、调用步骤一一中训练的模型，输入测试图片进行检测；
步骤一三、在步骤一二检测过程中，通过MobileNetv2-SSD目标检测网络中的CNN卷积神经网络MobileNetv2提取数字表或机械表的数字区域特征，分类识别数字表或机械表所属类型，并通过MobileNetv2-SSD目标检测网络中的SSD算法得到检测出的数字区域顶点坐标。
进一步的，所述步骤二的具体步骤为：
步骤二一、将图像按照步骤一得到的数字区域定位信息进行裁剪，得到只含有数字信息的图像；
步骤二二、将裁剪后的图像依次进行灰度化、高斯滤波和双边滤波处理；
步骤二三、将步骤二二处理后的图像根据数字表或机械表类型分别进行形态学处理，数字液晶表采用黑帽方法，机械字轮表采用顶帽方法；
步骤二四、采用OSTU大津法进行自适应阈值二值化处理，得到黑白二值化的图像，若为机械字轮式图像，则将得到的黑白二值化图像进行膨胀腐蚀处理。
进一步的，所述步骤四的具体步骤为：
步骤四一、利用投影法对步骤二四中得到的黑白二值化图像进行预切割，通过判断二值化后图像每列黑白像素点比例确定预切割每段的起始点和终止点；
步骤四二、根据得到的预切割图像每段宽度与阈值进行位数匹配，确定数字液晶表的数字位数；
步骤四三、根据步骤四二得到的位数对预切割的过长段进行二次切割和过小段合并处理。
进一步的，所述步骤五的具体步骤为：首先根据步骤二四中得到的机械字轮表的黑白二值化图像得到图像的像素宽度，然后根据图像的像素宽度进行平均切割。
本发明的有益效果是：本发明能够兼容数字液晶式电表和机械字轮式表，解决了基于图像处理中数字及机械表的识别与抗噪声检测，实现了数字及机械表的分类识别与数字区域定位，并且能够准确识别数字及机械表的数字。对于拍摄过程中由于角度、光照、污迹等产生的噪声干扰具有良好的抵抗能力和适应性，能够实现数字及机械表的数字高精度检测。
附图说明
图1为本发明的数字识别流程图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的一种基于图像的数字及机械表数字识别方法，包括以下步骤：
步骤一、利用MobileNetv2-SSD目标检测网络对数字表或机械表图像信息进行分析处理，并根据图像信息对数字表或机械表的类型进行判断，然后对数字表或机械表的数字区域进行定位；
步骤二、将步骤一中分析处理后的数字表或机械表图像信息进行滤波、二值化和形态学处理；
步骤三、根据步骤一中得到的数字表或机械表类型，若类型为数字液晶表则执行步骤四，若类型为机械字轮表则执行步骤五；
步骤四、将步骤二中处理后的图像信息利用预切割与重切割将图像中的数字切割分离为单独的数字图像；
步骤五、将步骤二中处理后的图像信息利用平均切割将图像中的数字切割分离为单独的数字图像；
步骤六、将训练集中的数字表或机械表图像信息按上述步骤切割为单独的数字图像，然后将数字表或机械表切割后的图像信息分别利用SVM分类器进行训练，得到两个SVM分类模型；
步骤七、输入测试集，通过步骤一至步骤五得到切割后单独的数字图像，然后根据步骤一中判定的数字表或机械表类型调用相应的SVM分类模型，得到识别结果。
具体实施方式二：本实施方式是对具体实施方式一所述的作进一步说明，本实施方式与具体实施方式一的区别是所述步骤一的具体步骤为：
步骤一一、将数字表或机械表图像经过整理、分类和标注作为训练集，分类结果为数字液晶表和机械字轮表，在Tensorflow深度学习框架下搭建MobileNetv2-SSD目标检测网络，设置学习参数，经过迭代训练得到目标检测模型；
步骤一二、调用步骤一一中训练的模型，输入测试图片进行检测；
步骤一三、在步骤一二检测过程中，通过MobileNetv2-SSD目标检测网络中的CNN卷积神经网络MobileNetv2提取数字表或机械表的数字区域特征，分类识别数字表或机械表所属类型，并通过MobileNetv2-SSD目标检测网络中的SSD算法得到检测出的数字区域顶点坐标。
具体实施方式三：本实施方式是对具体实施方式一所述的作进一步说明，本实施方式与具体实施方式一的区别是所述步骤二的具体步骤为：
步骤二一、将图像按照步骤一得到的数字区域定位信息进行裁剪，得到只含有数字信息的图像；
步骤二二、将裁剪后的图像依次进行灰度化、高斯滤波和双边滤波处理，，去除噪声干扰同时保留边缘细节；
步骤二三、将步骤二二处理后的图像根据数字表或机械表类型分别进行形态学处理，数字液晶表采用黑帽方法，机械字轮表采用顶帽方法，突出显示数字所在区域；
步骤二四、采用OSTU大津法进行自适应阈值二值化处理，得到黑白二值化的图像，若为机械字轮式图像，则将得到的黑白二值化图像进行膨胀腐蚀处理，加粗数字区域、进一步剔除噪声干扰；
具体实施方式四：本实施方式是对具体实施方式三所述的作进一步说明，本实施方式与具体实施方式三的区别是所述步骤四的具体步骤为：
步骤四一、利用投影法对步骤二四中得到的黑白二值化图像进行预切割，通过判断二值化后图像每列黑白像素点比例确定预切割每段的起始点和终止点；
步骤四二、根据得到的预切割图像每段宽度与阈值进行位数匹配，确定数字液晶表的数字位数；
步骤四三、根据步骤四二得到的位数对预切割的过长段进行二次切割和过小段合并处理，经过预切割和重切割，最终将数字表的每个数字切割分离。
具体实施方式五：本实施方式是对具体实施方式三所述的作进一步说明，本实施方式与具体实施方式三的区别是所述步骤五的具体步骤为：首先根据步骤二四中得到的机械字轮表的黑白二值化图像得到图像的像素宽度，然后根据图像的像素宽度进行平均切割。
机械字轮表数字长度固定，根据图像像素宽度进行平均切割，最终将数字表的每个数字切割分离。
将训练集中的图片按照上述步骤切割为单独数字。将数字表和机械表切割后的图片分别利用SVM分类器进行训练，得到两个SVM分类模型。实际识别过程中通过判断数字及机械表类型调用相应的模型，完成数字识别得到最终识别结果。
需要注意的是，本发明适用于水表、电表、燃气表等，只要满足数字或机械表的结构类型都可以进行识别，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (4)

1.一种基于图像的数字及机械表数字识别方法，其特征在于包括以下步骤：
步骤一、利用MobileNetv2-SSD目标检测网络对数字表或机械表图像信息进行分析处理，并根据图像信息对数字表或机械表的类型进行判断，然后对数字表或机械表的数字区域进行定位；
步骤二、将步骤一中分析处理后的数字表或机械表图像信息进行滤波、二值化和形态学处理；
步骤三、根据步骤一中得到的数字表或机械表类型，若类型为数字液晶表则执行步骤四，若类型为机械字轮表则执行步骤五；
步骤四、将步骤二中处理后的图像信息利用预切割与重切割将图像中的数字切割分离为单独的数字图像；
步骤五、将步骤二中处理后的图像信息利用平均切割将图像中的数字切割分离为单独的数字图像；
步骤六、将训练集中的数字表或机械表图像信息按上述步骤切割为单独的数字图像，然后将数字表或机械表切割后的图像信息分别利用SVM分类器进行训练，得到两个SVM分类模型；
步骤七、输入测试集，通过步骤一至步骤五得到切割后单独的数字图像，然后根据步骤一中判定的数字表或机械表类型调用相应的SVM分类模型，得到识别结果；
所述步骤一的具体步骤为：
步骤一一、将数字表或机械表图像经过整理、分类和标注作为训练集，分类结果为数字液晶表和机械字轮表，在Tensorflow深度学习框架下搭建MobileNetv2-SSD目标检测网络，设置学习参数，经过迭代训练得到目标检测模型；
步骤一二、调用步骤一一中训练的模型，输入测试图片进行检测；
步骤一三、在步骤一二检测过程中，通过MobileNetv2-SSD目标检测网络中的CNN卷积神经网络MobileNetv2提取数字表或机械表的数字区域特征，分类识别数字表或机械表所属类型，并通过MobileNetv2-SSD目标检测网络中的SSD算法得到检测出的数字区域顶点坐标。
2.根据权利要求1所述的一种基于图像的数字及机械表数字识别方法，其特征在于所述步骤二的具体步骤为：
步骤二一、将图像按照步骤一得到的数字区域定位信息进行裁剪，得到只含有数字信息的图像；
步骤二二、将裁剪后的图像依次进行灰度化、高斯滤波和双边滤波处理；
步骤二三、将步骤二二处理后的图像根据数字表或机械表类型分别进行形态学处理，数字液晶表采用黑帽方法，机械字轮表采用顶帽方法；
步骤二四、采用OSTU大津法进行自适应阈值二值化处理，得到黑白二值化的图像，若为机械字轮式图像，则将得到的黑白二值化图像进行膨胀腐蚀处理。
3.根据权利要求1所述的一种基于图像的数字及机械表数字识别方法，其特征在于所述步骤四的具体步骤为：
步骤四一、利用投影法对步骤二四中得到的黑白二值化图像进行预切割，通过判断二值化后图像每列黑白像素点比例确定预切割每段的起始点和终止点；
步骤四二、根据得到的预切割图像每段宽度与阈值进行位数匹配，确定数字液晶表的数字位数；
步骤四三、根据步骤四二得到的位数对预切割的过长段进行二次切割和过小段合并处理。
4.根据权利要求2所述的一种基于图像的数字及机械表数字识别方法，其特征在于所述步骤五的具体步骤为：首先根据步骤二四中得到的机械字轮表的黑白二值化图像得到图像的像素宽度，然后根据图像的像素宽度进行平均切割。
CN201910576204.2A 2019-06-28 2019-06-28 一种基于图像的数字及机械表数字识别方法 Active CN110287967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910576204.2A CN110287967B (zh) 2019-06-28 2019-06-28 一种基于图像的数字及机械表数字识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910576204.2A CN110287967B (zh) 2019-06-28 2019-06-28 一种基于图像的数字及机械表数字识别方法

Publications (2)

Publication Number Publication Date
CN110287967A CN110287967A (zh) 2019-09-27
CN110287967B true CN110287967B (zh) 2022-11-25

Family

ID=68019648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910576204.2A Active CN110287967B (zh) 2019-06-28 2019-06-28 一种基于图像的数字及机械表数字识别方法

Country Status (1)

Country Link
CN (1) CN110287967B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287933B (zh) * 2019-12-20 2022-09-06 中北大学 一种汽车轮毂x射线图像文字干扰的去除方法及系统
CN111833319A (zh) * 2020-07-02 2020-10-27 南京工程学院 一种基于红外视频的退役动力锂电池热点自动检测方法
CN112241699B (zh) * 2020-10-13 2024-07-05 无锡先导智能装备股份有限公司 物体缺陷类别识别方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007249893A (ja) * 2006-03-20 2007-09-27 Ricoh Elemex Corp 中継伝送装置及び集中検針システム
JP2011081497A (ja) * 2009-10-05 2011-04-21 Kansai Electric Power Co Inc:The 検針データ収集システム
WO2013136295A1 (en) * 2012-03-15 2013-09-19 Northstar Telemetrics, S. L. Method for automatically reading a utility meter, retrofittable meter reader and automatic meter reading system using the same
CN109064731A (zh) * 2018-10-08 2018-12-21 深圳蜜獾智抄科技有限公司 图像识别系统、具有图像识别系统的集抄数据系统及一种远程集中抄表方法
CN109344820A (zh) * 2018-08-06 2019-02-15 北京邮电大学 基于计算机视觉和深度学习的数字式电表读数识别方法
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
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.
CN106228159A (zh) * 2016-07-29 2016-12-14 深圳友讯达科技股份有限公司 一种基于图像识别的计量表抄表装置及其方法
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
CN107016677B (zh) * 2017-03-24 2020-01-17 北京工业大学 一种基于fcn和cnn的云图分割方法
CN109360396B (zh) * 2018-09-27 2021-07-30 长江大学 基于图像识别技术和NB-IoT技术的远程抄表方法及系统
CN109359647A (zh) * 2018-10-16 2019-02-19 翟红鹰 识别多种证件的方法、设备及计算机可读存储介质
CN109858480A (zh) * 2019-01-08 2019-06-07 北京全路通信信号研究设计院集团有限公司 一种数字式仪表识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007249893A (ja) * 2006-03-20 2007-09-27 Ricoh Elemex Corp 中継伝送装置及び集中検針システム
JP2011081497A (ja) * 2009-10-05 2011-04-21 Kansai Electric Power Co Inc:The 検針データ収集システム
WO2013136295A1 (en) * 2012-03-15 2013-09-19 Northstar Telemetrics, S. L. Method for automatically reading a utility meter, retrofittable meter reader and automatic meter reading system using the same
CN109344820A (zh) * 2018-08-06 2019-02-15 北京邮电大学 基于计算机视觉和深度学习的数字式电表读数识别方法
CN109064731A (zh) * 2018-10-08 2018-12-21 深圳蜜獾智抄科技有限公司 图像识别系统、具有图像识别系统的集抄数据系统及一种远程集中抄表方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于C/S和B/S混合结构的远程抄表系统设计;刘春辉等;《微型机与应用》;20140110(第01期);全文 *
电力用户用电数据的异常数据审查和分类;沈海涛等;《电力与能源》;20160220(第01期);全文 *
电力负荷管理系统故障分析及处理;王小勇;《中国高新区》;20171210(第23期);全文 *
缩短自动抄核人工处理时间的工艺路径;周婕;《中国新技术新产品》;20160825(第16期);全文 *
非电子仪表的一种计算机判读和处理系统;高天芳等;《中国科学技术大学学报》;19991230(第06期);全文 *

Also Published As

Publication number Publication date
CN110287967A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110543878B (zh) 一种基于神经网络的指针仪表读数识别方法
CN110287967B (zh) 一种基于图像的数字及机械表数字识别方法
CN106960208B (zh) 一种仪表液晶数字自动切分和识别的方法及系统
CN102236788A (zh) 电力电能表图像自动识别方法
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
AU2020103716A4 (en) Training method and device of automatic identification device of pointer instrument with numbers in natural scene
CN104102912A (zh) 一种基于视频图像识别的分项计量能耗数据采集装置及方法
CN111666824B (zh) 移动机器人的基于颜色属性和机器学习的指示灯识别方法
CN103164692A (zh) 一种基于计算机视觉的特种车辆仪表自动识别系统及算法
CN109993154A (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN107463931A (zh) 一种基于arm平台的实时指针仪表识读方法及装置
CN116758045B (zh) 一种半导体发光二极管的表面缺陷检测方法及系统
CN106803087A (zh) 一种车号自动识别方法及系统
CN111027456A (zh) 基于图像识别的机械水表读数识别方法
CN110728279A (zh) 一种基于嵌入式平台机器视觉的水表数字识别方法
Wang et al. Automatic identification and location of tunnel lining cracks
CN108133213A (zh) 一种面向燃气表外壳式摄像的嵌入式数字识别方法
CN113902914A (zh) 基于微控制器和卷积神经网络的水表读数自动识别方法
Shuo et al. Digital recognition of electric meter with deep learning
CN111832337A (zh) 一种车牌识别方法及装置
CN110930393A (zh) 一种基于机器视觉的芯片料管计数方法、装置及系统
CN114078234B (zh) 供电台区施工工艺的检测方法、系统、存储介质及设备
CN110765900A (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN116052110A (zh) 一种路面标线缺损智能定位方法及系统
Chen et al. Research on Automatic Reading Recognition of Wheel Mechanical Water Meter Based on Improved U-Net and VGG16

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