CN110738216A - 基于改进surf算法的药品识别方法 - Google Patents

基于改进surf算法的药品识别方法 Download PDF

Info

Publication number
CN110738216A
CN110738216A CN201910833734.0A CN201910833734A CN110738216A CN 110738216 A CN110738216 A CN 110738216A CN 201910833734 A CN201910833734 A CN 201910833734A CN 110738216 A CN110738216 A CN 110738216A
Authority
CN
China
Prior art keywords
points
medicine
feature
template
matching
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.)
Withdrawn
Application number
CN201910833734.0A
Other languages
English (en)
Inventor
齐梓汀
王建宇
马轩
王子龙
何毅
何新
孟沁成
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201910833734.0A priority Critical patent/CN110738216A/zh
Publication of CN110738216A publication Critical patent/CN110738216A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进SURF算法的药品识别方法，包括：获取药袋图像；构建Hessian矩阵生成兴趣点；构建尺度空间；定位特征点；分配特征点主方向；生成特征点描述子；通过欧式距离来对特征点进行最初的提取，再通过余弦相似度对特征点进行筛选，若测得两个向量间的余弦值比小于设定的阈值则筛除，否则保留该特征点；最后使用模板匹配完成药品的审核识别，即根据检测的药袋图像与模板图像匹配点的匹配数量选择出与检测图像最相似的模板，该模板的种类即检测药袋图像的种类。本发明综合考虑药品审核匹配时的实验环境，对药袋特征的匹配识别准确率高，在旋转和光照上有较好的鲁棒性以及较快的匹配速度。

Description

基于改进SURF算法的药品识别方法
技术领域
本发明涉及机器视觉及图像识别领域，特别是一种基于改进SURF算法的药品识别方法。
背景技术
传统的药品识别审核部分往往使用人工识别，对药品进行分门别类，采用规范化的管理制度及摆放制度分类摆放以便于后续人工识别取拿药品时提高效率。然后人工识别耗时耗力，准确率往往不高。
随着智能化的普及，出现了药品识别码应用，每个药品批准文号就像药品的身份证，药品批号是生产单位在药品生产过程中，将同一次投料，同一次生产工艺所生产的药品用一个批号来表示。利用药品识别码的方法虽然准确率较高，但是人工需求量仍较大。除此之外，近些年来无线射频识别技术RFID在药品识别方面也有一些应用，但是无线射频识别技术存在标签成本和贴标成本较高等问题。
发明内容
本发明的目的在于提供一种基于改进SURF算法的药品识别方法。
实现本发明目的的技术解决方案为：一种基于改进SURF算法的药品识别方法，包括：
步骤1、获取药袋图像；
步骤2、利用改进SURF算法对药袋进行特征匹配，确定药袋种类；具体为：
构建Hessian矩阵生成兴趣点；构建尺度空间；定位特征点；分配特征点主方向；生成特征点描述子；通过欧式距离来对特征点进行最初的提取，再通过余弦相似度对特征点进行筛选，若测得两个向量间的余弦值比小于设定的阈值则筛除，否则保留该特征点；
最后使用模板匹配完成药品的审核识别，即根据检测的药袋图像与模板图像匹配点的匹配数量选择出与检测图像最相似的模板，该模板的种类即检测药袋图像的种类。
与现有技术相比，本发明的显著优点为：(1)本发明综合考虑药品审核匹配时的实验环境，对药袋特征的匹配识别准确率高，在旋转和光照上有较好的鲁棒性以及较快的匹配速度的优势；(2)本发明的识别方法大大加快了药品审核部分的效率，节省了人力财力。
附图说明
图1是本发明基于改进SURF算法的特征匹配流程图。
图2是SURF特征匹配工作流程图。
图3是本发明的应用改进SURF算法审核识别流程图。
图4是SURF尺度空间图。
图5是SURF分配主方向图。
图6是SURF特征描述子图。
图7是改进后SURF特征匹配效果图。
具体实施方式
本发明的一种基于改进SURF算法的药品识别方法，包括：
步骤1、获取药袋图像；
步骤2、利用改进SURF算法对药袋进行特征匹配，确定药袋种类；如图1所示，具体为：
(2-1)构建Hessian矩阵生成兴趣点；Hessian矩阵的作用是对函数的局部曲率进行描述。为了能够生成图像稳定的边缘点就需要构造Hessian矩阵，这一步骤的作用是为了接下来的特征提取。如图7所示，线段两端分别是药袋模板图和目标图的已匹配的兴趣点，兴趣点就是在数学模型中有可能是特征点的像素；
(2-2)尺度空间构建：在(2-1)兴趣点查找时滤波器的尺寸不变，将此滤波器映射药袋图片每个局部区域的不同尺寸，得到尺度空间，提取像素点周围的图像特征；在SURF算法中，即使是图像的组数不相同它们的尺寸也是相同的，不同的地方是盒式滤波器模板的尺寸在不同组之间越来越大，在同一组中即使层数不同滤波器的尺寸也是一样的，只是滤波器的模糊系数会越来越大，如图4所示。
(2-3)定位特征点：将经过hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，如果该点是最大值或者最小值，则保留下来，作为初步的特征点；一般来讲这样的点就是图像中明暗交界，或有明显视觉特征的角点，如中药药袋的四角，品名文字的笔画交界，起笔落笔，商标图片等的图形边角；接下来还需要筛选之前在尺度空间中检测到的关键点，也就是还需要删除定位错误的极值点，对关键点的位置进行更精确的确定，筛选出最终的稳定的特征点。
(2-4)分配特征点主方向：由于药袋可能发生了旋转，所以这个步骤可以适应药袋图像发生的旋转，从而克服旋转对药袋识别过程的影响；具体为：对特征点圆形邻域中的haar小波特征进行统计；对特征点圆形邻域中60度扇形中所有垂直和水平的haar小波特征总和进行统计，用0.2弧度的间隔使扇形做旋转，同时继续对haar小波特征进行统计，最终特征的主方向就是统计值最大的扇形的方向。特征点分配主方向的过程如图5所示。
(2-5)生成特征点描述子：描述子就是特征点周围的明暗变化规律，明暗变化规律就是视觉上的阴影轮廓或交界线等，利用药袋上的颜色的变化或字体图形轮廓来计算生成，特征点即通过自己周边的明暗变化规律或是否有明暗交接线通过自己来凸显自己数学模型上的特征，这些特征数学上描述为特征向量；该步骤具体为：首先顺着特征点的主方向在特征点附近取4×4的矩形区域，每格25个像素，总共400个像素；对每个子区域的25个像素的相对于主方向来说的水平和垂直方位的haar小波特征进行统计，此haar小波特征一共是四个方向分别为水平方向之和，垂直方向之和，水平方向绝对值之和以及垂直方向绝对值之和；在SURF中，每个子块区域的特征向量就是这四个值，所以SURF的特征描述子为4*4*4＝64维向量，仅是SIFT特征描述子的一半。SURF生成特征描述子如图6所示。
(2-6)使用二次匹配，首先通过欧式距离来对特征点进行最初的提取，之后再通过余弦相似度对特征点进行筛选，若测得两个向量间的余弦值比设定的阈值要小就筛除，否则保留；
最后使用模板匹配实现药品的审核识别，特征匹配如图2所示，即根据检测的药袋图像与模板图像匹配点的匹配数量选择出与检测图像最相似的模板，该模板的种类即检测药袋图像的种类。
其中改进算法部分：每个特征点有其对应的特征向量，通过欧式距离对特征点进行初步匹配，如果两个特征点的特征向量欧式距离小则说明他们在图形上的相似度高，即比一般的点更可能是模板图片药袋上文字商标或图形轮廓上的点。可以用其来描述目标图片药袋上的特征。通过余弦相似度对特征点进行筛选，若测得两个向量间的余弦值小于设定阈值则筛除，否则保留该特征点。
两个向量的余弦相似度可由下式表示：
Figure BDA0002191551410000041
其中，a,b分别为模板图片和待识别图片特征点的特征向量，ai和bi分别是a,b特征向量每个维度上的分量，n是图片特征向量的维度。
本发明利用改进的SURF算能够高准确率的识别出药品类别，可针对性的解决药袋摆放与光照影响等环境因素影响而导致无法识别的问题。
下面结合实施例对本发明进行详细说明。
实施例
SURF特征匹配的方法具体可分为以下六个步骤：生产兴趣点，通过构成Hessian矩阵来实现；对尺度空间进行构造；对特征点进行定位；对特征点的主方向进行分配；生成特征点描述子；对特征点进行匹配。
欧式距离是图片关键点相似度的评判标准，如果特征点的欧氏距离越短那么就表明它们的匹配度越好。SURF算法对Hessian矩阵迹的进行了判断，当两个特征点的矩阵迹符号不同时，那么对特征点来说它们的对比度变化方向是反的，需要进行排除。
因为目标是对中药药袋进行识别匹配，而不同的中药药袋也具有很多相似的地方，只是采用一般SURF算法的话，可能会出现不同特征点描述符与同一点的特征描述符相比匹配度反而更高，从而出现较多的匹配错误。因此要对SURF算法进行改进。
SURF算法中欧式距离在特征向量描述子相关性上有所欠缺。向量相似度的判别依据有两个：距离测度法，通过向量空间上的距离来判断向量相似度；相似性函数法，通过函数值大小来判断向量相似度。针对SURF算法中欧式距离在特征向量描述子相关性上有所欠缺的不足之处，本发明提出了改进的SURF算法，改进的方法是使用二次匹配，通过欧式距离来对特征点进行最初的提取，再通过余弦相似度对特征点进行筛选。改进SURF算法识别准确率最高而且识别速度相对而言较好余弦相似度测度是通过对计算向量之间的夹角的余弦值，来判断向量的相似度，夹角越小则相似性越好。
利用特征匹配来完成中药药品的审核的流程为：取已有的药品图片作为模板，用改进后的SURF算法对待识别的药品图片进行匹配，获得最大匹配点数的对应模板就认为是对应的药品，如图3所示。
本发明利用改进的SURF算法通过二次特征匹配来完成中药药品的审核的流程，该审核流程可应用于各种中药房，实现识别，审核药品的功能。
下面对本发明进行详细说明：
所述SURF算法相较于SIFT算法，既有其对旋转和光照具有出色鲁棒性特点值外在实时处理方面做的效果更好，不需要利用专门的图像处理器来加速匹配处理速度。
为了能够生成图像稳定的边缘点就需要构造Hessian矩阵，这一步骤的作用是为了接下来的特征提取。以下为构建Hessian矩阵生成兴趣点的方法：对于某一药袋图像而言，它的Hessian矩阵如下：
Figure BDA0002191551410000051
高斯滤波后的Hessian矩阵如式(2)所示，这是由于矩阵构造前先要对图像进行高斯滤波。
关键点位置的定位依据是当前点是其领域内最亮或是最暗的点，此时对于Hessian矩阵而言，它的判别式获得局部最大值。对离散数字图像而言，相邻像素的灰度差就是一阶导数：
Dx＝f(x+1,y)-f(x,y) (3)
对其再一次导获得二阶导数：
Dxx＝f(x+1,y)+f(x-1,y)-2*f(x,y) (4)
Hessian矩阵的判别式就是当下点对水平方位的二阶偏导乘上垂直方向的二阶偏导再减去当下点的水平、垂直二阶偏导的平方：
Figure BDA0002191551410000061
为了使运算速度变快需要对判别式进行一些修改。f(x,y)是Hessian矩阵判别式里原始图像的高斯卷积，高斯卷积的特性是服从正态分布，距离中心越远系数越低，所以在SURF算法中用盒式滤波器来对高斯滤波器进行替换，为减小替换带来的误差就是使用0.9的系数来乘以Dxy：
det(H)＝Dxx*Dyy-(0.9*Dxy)2 (6)
接下来是尺度空间的构建：SURF的尺度空间和SIFT相同都是由O组L层的图像构成的。两者不同的地方在于，在SIFT算法中在同一组中的图像的尺寸是相同的，只是在高斯模糊系数的利用上系数变得越来越大，而下一组的图像尺寸为上一组图像尺寸的一半。但是在SURF算法中，即使是图像的组数不相同它们的尺寸也是相同的，不同的地方是盒式滤波器模板的尺寸在不同组之间越来越大，在同一组中即使层数不同滤波器的尺寸也是一样的，只是滤波器的模糊系数会越来越大。之后定位特征点，分配特征点主方向，生成特征点描述子，对SURF算法而言，首先需要顺着特征点的主方位在特征点附近取得矩形区域，然后对每个子区域的25个像素的相对于主方向来说的水平和垂直方位的haar小波特征进行统计，此haar小波特征一共是四个方向分别为水平方向之和，垂直方向之和，水平方向绝对值之和以及垂直方向绝对值之和。在SURF中，每个子块区域的特征向量就是这四个值，所以SURF的特征描述子为4*4*4＝64维向量，仅是SIFT特征描述子的一半。最终进行特征点的匹配。两种算法相类似，都是通过计算关键点的欧氏距离实现的，同时欧式距离也是图片关键点相似度的评判标准，如果特征点的欧氏距离越短那么就表明它们的匹配度越好。
所述改进的SURF算法由于对中药药袋识别时可能会出现不同特征点描述符与同一点的特征描述符相比匹配度反而更高，从而出现较多的匹配错误，因此考虑到SURF算法中欧式距离在特征向量描述子相关性上有所欠缺。向量相似度的判别依据有两个：距离测度法，通过向量空间上的距离来判断向量相似度；相似性函数法，通过函数值大小来判断向量相似度，利用二次匹配的方法进行改进。二次匹配的详细步骤为：首先通过欧式距离来对特征点进行最初的提取，之后再通过余弦相似度对特征点进行筛选，若测得两个向量间的余弦值比设定的阈值要小就筛除，若余弦值比阈值要大那么就保留。在欧式距离判断后再使用余弦相似度来进行约束，从而去除错误的匹配。余弦相似度测度是通过对计算向量之间的夹角的余弦值，来判断向量的相似度，夹角越小则相似性越好。两个向量的余弦相似度可由下式表示：
Figure BDA0002191551410000071
其中，a,b分别为模板图片和待识别图片特征点的特征向量，ai和bi分别是a,b特征向量每个维度上的分量，n是图片特征向量的维度。
使用改进后的SURF特征对中药药袋进行匹配的结果如图7所示，图中连线是特征匹配点的对应关系。
本发明可用于药房各类药品的审核阶段，由于药品药袋的种类繁多，市面上药袋印刷的文字也参差不齐，条码位置也不统一，其次由于塑料药袋收到光照影响很大，对机器识别药袋上提出了很大的挑战。本发明采用改进的SURF算法来进行特征匹配，最后使用模板匹配，在药品审核时，通过进行实时的特征匹配，完成对药品的审核识别。

Claims (3)

1.一种基于改进SURF算法的药品识别方法，其特征在于，包括：
步骤1、获取药袋图像；
步骤2、利用改进SURF算法对药袋进行特征匹配，确定药袋种类；具体为：
构建Hessian矩阵生成兴趣点；构建尺度空间；定位特征点；分配特征点主方向；生成特征点描述子；通过欧式距离来对特征点进行最初的提取，再通过余弦相似度对特征点进行筛选，若测得两个向量间的余弦值比小于设定的阈值则筛除，否则保留该特征点；
最后使用模板匹配完成药品的审核识别，即根据检测的药袋图像与模板图像匹配点的匹配数量选择出与检测图像最相似的模板，该模板的种类即检测药袋图像的种类。
2.根据权利要求1所述的基于改进SURF算法的药品识别方法，两个向量的余弦相似度可由下式表示：
其中，a,b分别为模板图片和待识别图片特征点的特征向量，ai和bi分别为a,b特征向量每个维度上的分量，n为图片特征向量的维度。
3.根据权利要求1所述的基于改进SURF算法的药品识别方法，其特征在于，分配特征点主方向的具体方法为：对特征点圆形邻域中的haar小波特征进行统计；对特征点圆形邻域中60度扇形中所有垂直和水平的haar小波特征总和进行统计，用0.2弧度的间隔使扇形做旋转，同时继续对haar小波特征进行统计，最终特征的主方向即为统计值最大的扇形的方向。
CN201910833734.0A 2019-09-04 2019-09-04 基于改进surf算法的药品识别方法 Withdrawn CN110738216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833734.0A CN110738216A (zh) 2019-09-04 2019-09-04 基于改进surf算法的药品识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833734.0A CN110738216A (zh) 2019-09-04 2019-09-04 基于改进surf算法的药品识别方法

Publications (1)

Publication Number Publication Date
CN110738216A true CN110738216A (zh) 2020-01-31

Family

ID=69267467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833734.0A Withdrawn CN110738216A (zh) 2019-09-04 2019-09-04 基于改进surf算法的药品识别方法

Country Status (1)

Country Link
CN (1) CN110738216A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353445A (zh) * 2020-03-05 2020-06-30 三构科技(武汉)有限公司 一种基于深度学习的患者援助智能审核系统
CN111383732A (zh) * 2020-03-23 2020-07-07 平安医疗健康管理股份有限公司 一种基于互斥识别的药品审核方法、装置、计算机系统及可读存储介质
CN112200976A (zh) * 2020-09-30 2021-01-08 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
CN113065475A (zh) * 2021-04-08 2021-07-02 上海晓材科技有限公司 一种cad图例快速精准识别方法
CN114140674A (zh) * 2021-10-20 2022-03-04 郑州信大先进技术研究院 结合图像处理及数据挖掘技术的电子证据可用性鉴别方法
WO2022067913A1 (zh) * 2020-09-30 2022-04-07 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
CN114926671A (zh) * 2022-06-16 2022-08-19 福州大学 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353445A (zh) * 2020-03-05 2020-06-30 三构科技(武汉)有限公司 一种基于深度学习的患者援助智能审核系统
CN111383732A (zh) * 2020-03-23 2020-07-07 平安医疗健康管理股份有限公司 一种基于互斥识别的药品审核方法、装置、计算机系统及可读存储介质
CN111383732B (zh) * 2020-03-23 2023-04-18 平安医疗健康管理股份有限公司 一种基于互斥识别的药品审核方法、装置、计算机系统及可读存储介质
CN112200976A (zh) * 2020-09-30 2021-01-08 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
WO2022067913A1 (zh) * 2020-09-30 2022-04-07 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
WO2022067914A1 (zh) * 2020-09-30 2022-04-07 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
CN112200976B (zh) * 2020-09-30 2022-04-26 苏州艾隆科技股份有限公司 药品检测方法、装置、电子终端及存储介质
CN113065475A (zh) * 2021-04-08 2021-07-02 上海晓材科技有限公司 一种cad图例快速精准识别方法
CN113065475B (zh) * 2021-04-08 2023-11-07 上海晓材科技有限公司 一种cad图例快速精准识别方法
CN114140674A (zh) * 2021-10-20 2022-03-04 郑州信大先进技术研究院 结合图像处理及数据挖掘技术的电子证据可用性鉴别方法
CN114140674B (zh) * 2021-10-20 2024-04-16 郑州信大先进技术研究院 结合图像处理及数据挖掘技术的电子证据可用性鉴别方法
CN114926671A (zh) * 2022-06-16 2022-08-19 福州大学 基于模板匹配的nled/qled/oled像素缺陷定位方法及系统

Similar Documents

Publication Publication Date Title
CN110738216A (zh) 基于改进surf算法的药品识别方法
CN110119741B (zh) 一种有背景的卡证图像信息识别方法
EP2783328B1 (en) Text detection using multi-layer connected components with histograms
CN107145829B (zh) 一种融合纹理特征和尺度不变特征的掌静脉识别方法
CN109740606B (zh) 一种图像识别方法及装置
CN108647681A (zh) 一种带有文本方向校正的英文文本检测方法
CN108197644A (zh) 一种图像识别方法和装置
CN109426814B (zh) 一种发票图片特定板块的定位、识别方法、系统、设备
Raju et al. Copy-move forgery detection using binary discriminant features
CN110070090A (zh) 一种基于手写文字识别的物流标签信息检测方法及系统
CN111783757A (zh) 一种基于ocr技术的复杂场景下身份证识别方法
CN105184225B (zh) 一种多国纸币图像识别方法和装置
CN109472770B (zh) 一种印刷电路板检测中的图像特征点快速匹配方法
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
CN110659637A (zh) 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法
CN113158895A (zh) 票据识别方法、装置、电子设备及存储介质
CN113011426A (zh) 一种识别证件的方法和装置
De Oliveira et al. Detecting modifications in printed circuit boards from fuel pump controllers
Yang et al. Automatic single page-based algorithms for medieval manuscript analysis
CN112396582B (zh) 一种基于Mask RCNN的均压环歪斜检测方法
CN110826551B (zh) 一种机动车vin码拓印模图像的智能甄别方法
CN112200789A (zh) 一种图像识别的方法及装置、电子设备和存储介质
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
CN112418210A (zh) 一种杆塔巡检信息智能分类方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200131

WW01 Invention patent application withdrawn after publication