CN110570442A - 一种复杂背景下轮廓检测方法、终端设备及存储介质 - Google Patents

一种复杂背景下轮廓检测方法、终端设备及存储介质 Download PDF

Info

Publication number
CN110570442A
CN110570442A CN201910885631.9A CN201910885631A CN110570442A CN 110570442 A CN110570442 A CN 110570442A CN 201910885631 A CN201910885631 A CN 201910885631A CN 110570442 A CN110570442 A CN 110570442A
Authority
CN
China
Prior art keywords
contour
image
detected
complex background
model
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
Application number
CN201910885631.9A
Other languages
English (en)
Inventor
吴婷婷
雷李辉
杨培德
蒋渊洋
庄进发
王平
黄振中
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.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information Co Ltd
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 Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN201910885631.9A priority Critical patent/CN110570442A/zh
Publication of CN110570442A publication Critical patent/CN110570442A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种复杂背景下轮廓检测方法、终端设备及存储介质，该方法中包括：S1：采集原始图像和对应的轮廓图像共同组成训练集；S2：构建生成对抗网络模型，通过训练集对生成对抗网络模型进行训练后得到最终模型；S3：将待检测图像输入训练后的最终模型，输出对应的轮廓图像；S4：对轮廓图像进行去噪处理后，将其转换为二值化图像；S5：根据二值化图像获得图像的轮廓点集，并进行角点检测，将检测到的角点添加至轮廓点集中；S6：查找轮廓的顶点；S7：剔除轮廓图像中不符合要求的轮廓；S8：将得到的轮廓通过透视变换映射回原始图像，将映射后的轮廓作为待检测图像的轮廓。本发明可以解决复杂背景的轮廓检测问题，且可以泛化到更多的应用场景上。

Description

一种复杂背景下轮廓检测方法、终端设备及存储介质
技术领域
本发明涉及图像检测领域，尤其涉及一种复杂背景下轮廓检测方法、终端设备及存储介质。
背景技术
轮廓检测是指在包含目标的数字图像中，采取一定的方法忽略掉背景和目标内部的纹理噪声干扰，以实现目标轮廓提取的过程，旨在从图像中提取出可体现物体形状的曲线。目前轮廓检测的方法可以分为四类，第一类是基于像素的方法，即判断某个像素是否位于轮廓上。第二类是基于边缘的方法，既检测边缘，而后通过分类或者优化边缘片段来得到轮廓。第三类是基于区域的方法，将轮廓视为兴趣区域的边界，将区域内部信息考虑在内。第四类是基于深度网络的方法，利用神经网络进行轮廓检测。在目标识别，场景理解等问题中，能够进行准确的轮廓检测无疑能带来更好的效果。然而在复杂背景下的轮廓检测在计算机视觉中依旧是一项较为困难的工作。
尽管目前在传统图像处理中有不少针对轮廓检测提出的算法，经典的如根据光照变化与纹理变化进行检测，这两种情况下轮廓是根据判断区域边界而得出的。还有从全局关系入手感知轮廓的方法，如感知分类，错觉轮廓等方法。然而在实际的应用场景中，图像往往包含复杂背景、大量噪声、纹理复杂或者对比度低等干扰因素，这使得传统算法往往难以得到理想的轮廓检测效果。
尽管针对某些图像设计一个繁琐的算法或许能够得到该图像较为清晰的轮廓，但难以泛化到更多的图像上，而逐个图像进行调整参数修改算法等处理需要的人工成本过高，难以应用在工业化的应用上。
发明内容
为了解决上述问题，本发明提出了一种复杂背景下轮廓检测方法、终端设备及存储介质。
具体方案如下：
一种复杂背景下轮廓检测方法，包括以下步骤：
S1：采集与待检测物品类型相同的物品的多张图像，并标注出图像样本对应的轮廓，将原始图像和对应的轮廓图像共同组成训练集；
S2：构建生成对抗网络模型，其中模型的输入为原始图像，模型的输出为原始图像对应的轮廓图像，通过训练集对生成对抗网络模型进行训练后得到最终模型；
S3：将待检测图像输入训练后的最终模型，输出对应的轮廓图像；
S4：对轮廓图像进行去噪处理后，将其转换为二值化图像；
S5：根据二值化图像获得图像的轮廓点集，并进行角点检测，将检测到的角点添加至轮廓点集中；
S6：根据轮廓点集中的点拟合为外接多边形，将轮廓点集中距离每个外接多边形的顶点最近的点的坐标作为轮廓的顶点，根据轮廓的顶点构建轮廓；
S7：对轮廓图像中的轮廓进行筛选，剔除其中不符合要求的轮廓；
S8：将得到的轮廓通过透视变换映射回原始图像，将映射后的轮廓作为待检测图像的轮廓。
进一步的，步骤S4中去噪处理包括中值滤波和图像腐蚀。
进一步的，外接多边形为矩形，则按照矩形的长宽比和面积比对轮廓进行筛选。
一种复杂背景下轮廓检测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，在传统图像处理的方法的基础上引入了神经网络模型，利用图像翻译思路，使图像通过神经网络模型去除复杂背景与噪声，转换成轮廓清晰的简单图像，再通过简单的传统轮廓检测算法提取轮廓坐标。本发明可以解决复杂背景的轮廓检测问题，同时可以泛化到更多的应用场景上。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中的原始图像和轮廓图像的示意图。
图3所示为该实施例中的映射前和映射后的轮廓的示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种复杂背景下轮廓检测方法，所述复杂背景即图像中包含多个干扰物品的图像，如图1所示，所述方法包括以下步骤：
步骤1、采集与待检测物品类型相同的物品的多张图像，并标注出图像样本对应的轮廓，将原始图像和对应的轮廓图像共同组成训练集。
所述标注为根据轮廓的顶点来绘制轮廓，如图2所示。
该实施例中待检测物品为银行卡，因此采集同类型银行卡的图像约3000张。
步骤2、构建生成对抗网络模型，其中模型的输入为原始图像，模型的输出为原始图像对应的轮廓图像，通过训练集对生成对抗网络模型进行训练后得到最终模型。
该实施例中设置所述生成对抗网络模型由一个全局生成网络和一个局部增强网络组成，两个网络均以残差网络构成。判别网络由四层简单的卷积网络构成。
该实施例中，由于样本量较少，因此使用dropout网络防止过拟合，并设置参数为0.7。训练初始学习率为0.0002，学习率在网络迭代到第五轮开始衰减。网络训练至30轮停止训练。
步骤3、将待检测图像通过训练后的模型，输出对应的轮廓图像。
所述待检测图像为图像内部包含待检测的物品(如银行卡)，但该图像内也可能包含其他物品。因此对应的轮廓图像中可能包含多个轮廓。
步骤4、对轮廓图像进行去噪处理后，将其转换为二值化图像。
所述去噪处理包括对轮廓图像进行中值滤波和图像腐蚀。
该实施例中设置中值滤波的滤波窗口尺寸为3，图像腐蚀中腐蚀内核设置为2。
步骤5、在二值化图像中使用opencv函数获得二值化图像的轮廓点集，并进行角点检测，将检测到的角点添加至轮廓点集中。
步骤6、查找轮廓的顶点：根据轮廓点集中的点拟合为外接多边形，将轮廓点集中距离每个外接多边形的顶点最近的点的坐标作为轮廓的顶点，根据轮廓的顶点构建轮廓。
步骤7、由于图像中可能包含多个轮廓，因此，需要对轮廓进行筛选，剔除不符合要求的轮廓。
该实施例中以银行卡为例进行说明，由于正常银行卡(非异型卡)为矩形，因此根据轮廓的长宽比和面积比对轮廓进行筛选，剔除长宽比和面积比不符合需求范围的轮廓。所述长宽比为外接多边形(矩形)的长与外接多边形的宽的比值，面积比为外接多边形的面积与整张图像面积的比值。
正常银行卡(非异型卡)的长宽比为4:3，因此，该实施例中设置长宽比阈值为4，面积比阈值为0.1，当检测到的银行卡的轮廓的外接矩形长宽比大于4，或者外接矩形的面积占整张图像的比例小于0.1时，则设定该轮廓不符合需求，将其抛弃。
需要说明的是，上述长宽比阈值和面积比阈值根据实际需求进行调整。
在其他的实施例中，如果轮廓的外接多边形不是矩形，是三角形、六边形等，其筛选过程中可以不按照长宽比，而是按照其他的比例设定，如三角形的夹角。
步骤8、将得到的轮廓映射回原图。
将最终获得到的轮廓映射回原图，获取原图中的坐标位置，并通过透视变换对图像进行矫正，以便后续其他图像处理。
以银行卡的矩形为例，透视变换效果图3所示，图像由四边形映射回为正矩形。
本发明实施例一提供了一种在复杂场景下进行轮廓检测的方法。该方法利用3000张样本训练神经网络进行图像翻译工作，将复杂背景的图像转化为简单背景图像，从而可以利用传统算法提取出更为精准的轮廓，同时可以对进行过透视变换的轮廓进行矫正。经过测试，该方法提取的轮廓精准度比传统算法要高很多，尤其是在复杂场景下，避免了许多误检与漏检的情况。同时该算法泛化能力强，能够应用在许多不同场景下。
在计算机视觉领域中，利用轮廓这一图像目标的典型特征，能够对解决如目标识别、场景理解这样实际的问题带来极大的效果提升。使用轮廓提取技术提取出感兴趣的区域能够有效的排除其他区域带来的干扰，提高算法的准确率。使用该方法进行轮廓提取能够避免使用传统算法带来的在复杂场景下轮廓提取精度低，泛化能力弱的问题，能够更好的在实际问题中应用。
实施例二：
本发明还提供一种复杂背景下轮廓检测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述复杂背景下轮廓检测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述复杂背景下轮廓检测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述复杂背景下轮廓检测终端设备的组成结构仅仅是复杂背景下轮廓检测终端设备的示例，并不构成对复杂背景下轮廓检测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述复杂背景下轮廓检测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述复杂背景下轮廓检测终端设备的控制中心，利用各种接口和线路连接整个复杂背景下轮廓检测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述复杂背景下轮廓检测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述复杂背景下轮廓检测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (5)

1.一种复杂背景下轮廓检测方法，其特征在于，包括以下步骤：
S1：采集与待检测物品类型相同的物品的多张图像，并标注出图像样本对应的轮廓，将原始图像和对应的轮廓图像共同组成训练集；
S2：构建生成对抗网络模型，其中模型的输入为原始图像，模型的输出为原始图像对应的轮廓图像，通过训练集对生成对抗网络模型进行训练后得到最终模型；
S3：将待检测图像输入训练后的最终模型，输出对应的轮廓图像；
S4：对轮廓图像进行去噪处理后，将其转换为二值化图像；
S5：根据二值化图像获得图像的轮廓点集，并进行角点检测，将检测到的角点添加至轮廓点集中；
S6：根据轮廓点集中的点拟合为外接多边形，将轮廓点集中距离每个外接多边形的顶点最近的点的坐标作为轮廓的顶点，根据轮廓的顶点构建轮廓；
S7：对轮廓图像中的轮廓进行筛选，剔除其中不符合要求的轮廓；
S8：将得到的轮廓通过透视变换映射回原始图像，将映射后的轮廓作为待检测图像的轮廓。
2.根据权利要求1所述的复杂背景下轮廓检测方法，其特征在于：步骤S4中去噪处理包括中值滤波和图像腐蚀。
3.根据权利要求1所述的复杂背景下轮廓检测方法，其特征在于：外接多边形为矩形，则按照矩形的长宽比和面积比对轮廓进行筛选。
4.一种复杂背景下轮廓检测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～3中任一所述方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～3中任一所述方法的步骤。
CN201910885631.9A 2019-09-19 2019-09-19 一种复杂背景下轮廓检测方法、终端设备及存储介质 Pending CN110570442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910885631.9A CN110570442A (zh) 2019-09-19 2019-09-19 一种复杂背景下轮廓检测方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910885631.9A CN110570442A (zh) 2019-09-19 2019-09-19 一种复杂背景下轮廓检测方法、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN110570442A true CN110570442A (zh) 2019-12-13

Family

ID=68781114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910885631.9A Pending CN110570442A (zh) 2019-09-19 2019-09-19 一种复杂背景下轮廓检测方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN110570442A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932566A (zh) * 2020-05-27 2020-11-13 杭州群核信息技术有限公司 一种模型轮廓图生成方法、装置和系统
CN112784771A (zh) * 2021-01-27 2021-05-11 浙江芯昇电子技术有限公司 人形检测方法、系统和监控设备
CN113034523A (zh) * 2021-04-23 2021-06-25 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质及计算机设备
CN113505799A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 显著性检测方法及其模型的训练方法和装置、设备、介质
CN114638818A (zh) * 2022-03-29 2022-06-17 广东利元亨智能装备股份有限公司 图像处理方法、装置、电子设备及存储介质
CN115953593A (zh) * 2023-01-10 2023-04-11 广州市易鸿智能装备有限公司 工业零件的轮廓识别方法、装置、设备和计算机存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100061637A1 (en) * 2008-09-05 2010-03-11 Daisuke Mochizuki Image processing method, image processing apparatus, program and image processing system
CN108986081A (zh) * 2018-06-28 2018-12-11 湖南红太阳新能源科技有限公司 光伏组件玻璃裂纹检测方法、装置、设备及存储介质
CN109637664A (zh) * 2018-11-20 2019-04-16 平安科技（深圳）有限公司 一种bmi评测方法、装置及计算机可读存储介质
CN109859224A (zh) * 2019-01-31 2019-06-07 东北大学 一种传送带矿岩颗粒图像分割方法
WO2019110824A1 (en) * 2017-12-07 2019-06-13 Imra Europe S.A.S. Using silhouette for fast object recognition

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100061637A1 (en) * 2008-09-05 2010-03-11 Daisuke Mochizuki Image processing method, image processing apparatus, program and image processing system
WO2019110824A1 (en) * 2017-12-07 2019-06-13 Imra Europe S.A.S. Using silhouette for fast object recognition
CN108986081A (zh) * 2018-06-28 2018-12-11 湖南红太阳新能源科技有限公司 光伏组件玻璃裂纹检测方法、装置、设备及存储介质
CN109637664A (zh) * 2018-11-20 2019-04-16 平安科技（深圳）有限公司 一种bmi评测方法、装置及计算机可读存储介质
CN109859224A (zh) * 2019-01-31 2019-06-07 东北大学 一种传送带矿岩颗粒图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TING-CHUN WANG等: "High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs", 《ARXIV.ORG》 *
余超超等: "基于显著图与傅里叶描述子的交通标志检测", 《计算机工程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932566A (zh) * 2020-05-27 2020-11-13 杭州群核信息技术有限公司 一种模型轮廓图生成方法、装置和系统
CN111932566B (zh) * 2020-05-27 2024-02-20 杭州群核信息技术有限公司 一种模型轮廓图生成方法、装置和系统
CN112784771A (zh) * 2021-01-27 2021-05-11 浙江芯昇电子技术有限公司 人形检测方法、系统和监控设备
CN113034523A (zh) * 2021-04-23 2021-06-25 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质及计算机设备
CN113505799A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 显著性检测方法及其模型的训练方法和装置、设备、介质
CN114638818A (zh) * 2022-03-29 2022-06-17 广东利元亨智能装备股份有限公司 图像处理方法、装置、电子设备及存储介质
CN114638818B (zh) * 2022-03-29 2023-11-03 广东利元亨智能装备股份有限公司 图像处理方法、装置、电子设备及存储介质
CN115953593A (zh) * 2023-01-10 2023-04-11 广州市易鸿智能装备有限公司 工业零件的轮廓识别方法、装置、设备和计算机存储介质
CN115953593B (zh) * 2023-01-10 2023-11-21 广州市易鸿智能装备有限公司 工业零件的轮廓识别方法、装置、设备和计算机存储介质

Similar Documents

Publication Publication Date Title
CN110826416B (zh) 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN110659647B (zh) 印章图像识别方法及装置、智能发票识别设备和存储介质
CN109165538B (zh) 基于深度神经网络的条形码检测方法及装置
CN109117773B (zh) 一种图像特征点检测方法、终端设备及存储介质
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN109948521B (zh) 图像纠偏方法和装置、设备及存储介质
CN111223078B (zh) 瑕疵等级判定的方法及存储介质
CN109977899B (zh) 一种物品识别的训练、推理以及增加新种类的方法和系统
CN114495098B (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN109190639A (zh) 一种车辆颜色识别方法、装置及系统
CN110807404A (zh) 基于深度学习的表格线检测方法、装置、终端、存储介质
CN114723677A (zh) 图像缺陷检测方法、检测装置、检测设备及存储介质
CN114255223A (zh) 基于深度学习的双阶段卫浴陶瓷表面缺陷检测方法和设备
CN114638294A (zh) 一种数据增强方法、装置、终端设备及存储介质
CN112883926A (zh) 表格类医疗影像的识别方法及装置
CN113269752A (zh) 一种图像检测方法、装置终端设备及存储介质
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
CN115984662A (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
Gui et al. A fast caption detection method for low quality video images
CN111507177B (zh) 一种用于计量周转柜的识别方法及装置
Xu et al. Tolerance Information Extraction for Mechanical Engineering Drawings–A Digital Image Processing and Deep Learning-based 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication