CN110781901B - 基于bp神经网络预测阈值的仪表重影字符识别方法 - Google Patents
基于bp神经网络预测阈值的仪表重影字符识别方法 Download PDFInfo
- Publication number
- CN110781901B CN110781901B CN201911038311.6A CN201911038311A CN110781901B CN 110781901 B CN110781901 B CN 110781901B CN 201911038311 A CN201911038311 A CN 201911038311A CN 110781901 B CN110781901 B CN 110781901B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- ghost
- instrument
- gray level
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 claims abstract description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Character Input (AREA)
Abstract
本发明涉及图像识别领域，公开了一种基于BP神经网络预测阈值的仪表重影字符识别方法，包括如下步骤：获取数显仪表的彩色图像，并进行灰度化处理取得灰度图像，计算灰度图像的灰度级分布统计量，输入到BP神经网络，预测出理想的二值化全局阈值，并对灰度图像进行二值化，得到消除重影的二值图，再将二值图进行去除小连通域处理，创建二值图的最小外接矩形，计算出倾斜角度，并通过仿射变换实现倾斜矫正，采用投影分割法将矫正后的二值图分割成单个字符图像，将字符图像尺寸归一化到32×32，输入到LeNet‑5模型进行识别，取得数显仪表字符的识别结果。本发明基于BP神经网络预测阈值的仪表重影字符识别方法，有效克服重影的影响，识别率高、识别速度快。
Description
技术领域
本发明涉及图像识别领域，具体涉及一种基于BP神经网络预测阈值的仪表重影字符识别方法。
背景技术
电子测量仪器的精度对于测量至关重要，需定期检测其精确度。而传统的数显式仪表缺乏通信接口，无法直接获取仪表的测量值，只能通过双相机分别采集标准表和被测表在快速升压和降压过程中的图像，自动识别仪表读数，最后对比标准表和被测表的结果，以判定被测表的精确度。然而，在仪表数字变化时，部分仪表会出现严重重影，重影增加了图像的二值化难度。
常用的二值化方法主要分为两大类：全局阈值算法和局部阈值算法。全局阈值算法主要包括大律法(Otsu)、最大熵法、迭代法等，主要适用于光照均匀、灰度直方图有明显双峰的图片。局部阈值算法主要包括Sauvola算法、Niblack算法、Bernsen算法等，主要适用于光照不均的图片。以上算法都只能分离仪表图像的背景，无法分离数字重影。
另外，SVM、BP神经网络、模板匹配和KNN等算法被广泛应用于仪表字符识别，并都取得了不错的识别效果。但是上述算法的识别效果很大程度上依赖于提取特征的可区分性。而卷积神经网络可以自动提取合适的特征进行分类，克服了传统算法依赖特征的困难，适合仪表字符的识别。其中，LeNet-5是适用于手写字符识别的经典卷积神经网络，主要包括一个输入层、一个输出层、两个卷积层、两个池化层和三个全连接层，对于仪表字符的识别具有指导意义。
发明内容
本发明的目的就是针对上述技术的不足，提供一种基于BP神经网络预测阈值的仪表重影字符识别方法，有效克服重影的影响，识别率高、识别速度快。
为实现上述目的，本发明所设计的基于BP神经网络预测阈值的仪表重影字符识别方法，包括如下步骤：
A)通过摄像头获取数显仪表的彩色图像；
B)对所述步骤A)中取得的彩色图像进行灰度化处理取得灰度图像；
C)计算所述步骤B)中取得的灰度图像的灰度级分布统计量，输入到BP神经网络，预测出理想的二值化全局阈值，并对灰度图像进行二值化，得到消除重影的二值图；
D)对所述步骤C)中取得的二值图进行去除小连通域处理，降低噪声的影响；
E)创建二值图的最小外接矩形，计算出倾斜角度，并通过仿射变换实现倾斜矫正；
F)采用投影分割法将矫正后的二值图分割成单个字符图像；
G)将所述步骤F)中取得的字符图像尺寸归一化到32×32；
H)将尺寸归一化的字符图像输入到LeNet-5模型进行识别，取得数显仪表字符的识别结果。
优选地，在所述步骤C)中，重复所述步骤A)，取得训练样本图像，对训练样本图像进行灰度化，再提取其中的灰度级分布统计量，并取得理想的二值化全局阈值，将灰度级分布统计量作为输入，对应的理想的二值化全局阈值作为输出，对BP神经网络进行训练。
优选地，所述理想的二值化全局阈值的选取需符合二值化后图像不含有重影、分离重影后数字完整的标准，手动选取每个训练样本图像合理全局阈值的最大值和最小值，并求取合理全局阈值的平均值作为训练样本图像的理想的二值化全局阈值。
优选地，在所述步骤C)中，所述BP神经网络包括2个隐含层，各隐含层的节点数均为25，输入节点数与灰度级分布统计量维度对应，为256，输出节点数为1，所述BP神经网络的隐含层和输出层的节点转移函数为Tansig，训练函数为Traingdm。
优选地，所述步骤H)中的LeNet-5模型采用ReLU替换sigmoid函数，避免sigmoid激活函数会出现梯度消失且泛化能力差的问题，且收敛速度更快。
优选地，所述步骤H)中的LeNet-5模型采用RMSprop优化算法更新权重和偏置，避免梯度下降算法学习率选择困难和会陷入局部最小值的问题，且收敛速度更快。
优选地，所述步骤H)中，LeNet-5模型的训练为以训练样本分割并尺寸归一化后的单个字符图像作为输入，手动制作的对应标签作为输出。
优选地，所述步骤G)中，归一化方法为等比例缩放并居中，周围填充黑色。
本发明与现有技术相比，具有以下优点：实现了仪表重影字符的识别，有效克服重影的影响，识别率高，识别速度快。
附图说明
图1为本发明基于BP神经网络预测阈值的仪表重影字符识别方法的流程图；
图2为摄像头获取的彩色图像；
图3为图2的灰度图；
图4为图3的二值图；
图5为倾斜矫正的流程图；
图6为投影分割的流程图；
图7为字符图像归一化后的示意图；
图8为LeNet-5模型的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
一种基于BP神经网络预测阈值的仪表重影字符识别方法，如图1所示，包括如下步骤：
A)如图2所示，通过摄像头获取数显仪表的彩色图像；
B)如图3所示，对步骤A)中取得的彩色图像进行灰度化处理取得灰度图像；
C)计算步骤B)中取得的灰度图像的灰度级分布统计量，输入到BP神经网络，预测出理想的二值化全局阈值，并对灰度图像进行二值化，如图4所示，得到消除重影的二值图，；
D)对步骤C)中取得的二值图进行去除小连通域处理，降低噪声的影响；
E)创建二值图的最小外接矩形，计算出倾斜角度，并通过仿射变换实现倾斜矫正，如图5所示；
F)如图6所示，采用投影分割法将矫正后的二值图分割成单个字符图像；
G)如图7所示，将步骤F)中取得的字符图像尺寸归一化到32×32，归一化方法为等比例缩放并居中，周围填充黑色；
H)将尺寸归一化的字符图像输入到LeNet-5模型进行识别，如图8所示，取得数显仪表字符的识别结果。
本实施例中，在步骤C)中，重复步骤A)，取得训练样本图像，对训练样本图像进行灰度化，再提取其中的灰度级分布统计量，并取得理想的二值化全局阈值，将灰度级分布统计量作为输入，对应的理想的二值化全局阈值作为输出，对BP神经网络进行训练，其中，理想的二值化全局阈值的选取需符合二值化后图像不含有重影、分离重影后数字完整的标准，手动选取每个训练样本图像合理全局阈值的最大值和最小值，并求取合理全局阈值的平均值作为训练样本图像的理想的二值化全局阈值。本实施例中，训练好的BP神经网络包括2个隐含层，各隐含层的节点数均为25，输入节点数与灰度级分布统计量维度对应，为256，输出节点数为1，BP神经网络的隐含层和输出层的节点转移函数为Tansig，训练函数为Traingdm。在训练好的BP神经网络中输入步骤B)中取得的灰度图像的灰度级分布统计量，即可预测出理想的二值化全局阈值。
本实施例中，步骤H)中的LeNet-5模型采用ReLU替换sigmoid函数，避免sigmoid激活函数会出现梯度消失且泛化能力差的问题，采用RMSprop优化算法更新权重和偏置，避免梯度下降算法学习率选择困难和会陷入局部最小值的问题，且收敛速度更快。在步骤H)中，LeNet-5模型的训练为以训练样本分割并尺寸归一化后的单个字符图像作为输入，手动制作的对应标签作为输出。
通过本发明基于BP神经网络预测阈值的仪表重影字符识别方法，将摄像头获取的仪表图像，通过内部识别成仪表数字，实现了仪表重影字符的识别，有效克服重影的影响，识别率高，识别速度快。
Claims (8)
1.一种基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：包括如下步骤：
A)通过摄像头获取数显仪表的彩色图像；
B)对所述步骤A)中取得的彩色图像进行灰度化处理取得灰度图像；
C)计算所述步骤B)中取得的灰度图像的灰度级分布统计量，输入到BP神经网络，预测出理想的二值化全局阈值，并对灰度图像进行二值化，得到消除重影的二值图；
D)对所述步骤C)中取得的二值图进行去除小连通域处理；
E)创建二值图的最小外接矩形，计算出倾斜角度，并通过仿射变换实现倾斜矫正；
F)采用投影分割法将矫正后的二值图分割成单个字符图像；
G)将所述步骤F)中取得的字符图像尺寸归一化到32×32；
H)将尺寸归一化的字符图像输入到LeNet-5模型进行识别，取得数显仪表字符的识别结果。
2.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：在所述步骤C)中，重复所述步骤A)，取得训练样本图像，对训练样本图像进行灰度化，再提取其中的灰度级分布统计量，并取得理想的二值化全局阈值，将灰度级分布统计量作为输入，对应的理想的二值化全局阈值作为输出，对BP神经网络进行训练。
3.根据权利要求2所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述理想的二值化全局阈值的选取需符合二值化后图像不含有重影、分离重影后数字完整的标准，手动选取每个训练样本图像合理全局阈值的最大值和最小值，并求取合理全局阈值的平均值作为训练样本图像的理想的二值化全局阈值。
4.根据权利要求3所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：在所述步骤C)中，所述BP神经网络包括2个隐含层，各隐含层的节点数均为25，输入节点数与灰度级分布统计量维度对应，为256，输出节点数为1，所述BP神经网络的隐含层和输出层的节点转移函数为Tansig，训练函数为Traingdm。
5.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤H)中的LeNet-5模型采用ReLU替换sigmoid函数。
6.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤H)中的LeNet-5模型采用RMSprop优化算法更新权重和偏置。
7.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤H)中，LeNet-5模型的训练为以训练样本分割并尺寸归一化后的单个字符图像作为输入，手动制作的对应标签作为输出。
8.根据权利要求1所述基于BP神经网络预测阈值的仪表重影字符识别方法，其特征在于：所述步骤G)中，归一化方法为等比例缩放并居中，周围填充黑色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911038311.6A CN110781901B (zh) | 2019-10-29 | 2019-10-29 | 基于bp神经网络预测阈值的仪表重影字符识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911038311.6A CN110781901B (zh) | 2019-10-29 | 2019-10-29 | 基于bp神经网络预测阈值的仪表重影字符识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110781901A CN110781901A (zh) | 2020-02-11 |
| CN110781901B true CN110781901B (zh) | 2023-04-28 |
Family
ID=69387361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911038311.6A Active CN110781901B (zh) | 2019-10-29 | 2019-10-29 | 基于bp神经网络预测阈值的仪表重影字符识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781901B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428069A (zh) * | 2020-03-11 | 2020-07-17 | 中交第二航务工程局有限公司 | 一种铣槽机施工数据获取方法 |
| CN111383199B (zh) * | 2020-03-23 | 2023-05-26 | 如你所视(北京)科技有限公司 | 图像处理方法、装置、计算机可读存储介质及电子设备 |
| CN111935464B (zh) * | 2020-10-19 | 2021-03-12 | 太仓市昊博技术服务有限公司 | 亮度识别仪表监控装置及方法 |
| CN112487981A (zh) * | 2020-11-30 | 2021-03-12 | 哈尔滨工程大学 | 基于双路分割的ma-yolo动态手势快速识别方法 |
| CN113221737B (zh) * | 2021-05-11 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
| CN113343969A (zh) * | 2021-06-21 | 2021-09-03 | 重庆科技学院 | 一种基于GBS-YOLOv5s的指针式仪表智能数显方法 |
| CN113888536B (zh) * | 2021-12-01 | 2022-03-18 | 武汉市利友印务有限公司 | 一种基于计算机视觉的印刷品重影检测方法及系统 |
| CN116721042A (zh) * | 2023-08-10 | 2023-09-08 | 广东石油化工学院 | 基于多阈值二值化的摄像图像倾斜校正方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021905A (zh) * | 2006-02-15 | 2007-08-22 | 中国科学院自动化研究所 | 一种文档图像二值化方法 |
| CN101567041A (zh) * | 2009-05-25 | 2009-10-28 | 公安部交通管理科学研究所 | 基于三维投影的机动车号牌图像的字符识别方法 |
| CN104200211A (zh) * | 2014-09-03 | 2014-12-10 | 腾讯科技（深圳）有限公司 | 图像二值化方法及装置 |
| CN107292873A (zh) * | 2017-06-29 | 2017-10-24 | 西安工程大学 | 一种基于色彩特征的瓷质绝缘子灰密程度检测方法 |
| JP2017207910A (ja) * | 2016-05-18 | 2017-11-24 | 株式会社東芝 | 文字認識装置、文字認識プログラム、文字認識方法 |
| CN107945200A (zh) * | 2017-12-14 | 2018-04-20 | 中南大学 | 图像二值化分割方法 |
| CN109035274A (zh) * | 2018-08-23 | 2018-12-18 | 湖北工业大学 | 基于背景估计与u型卷积神经网络的文档图像二值化方法 |
| CN109086762A (zh) * | 2018-07-20 | 2018-12-25 | 上海工程技术大学 | 一种基于多目摄像头的模糊车牌识别方法 |
| CN109740603A (zh) * | 2019-01-21 | 2019-05-10 | 闽江学院 | 基于cnn卷积神经网络下的车辆字符识别方法 |
| CN110210477A (zh) * | 2019-05-24 | 2019-09-06 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8351699B2 (en) * | 2008-12-18 | 2013-01-08 | Accusoft Corporation | Methods and apparatus for auto image binarization |
-
2019
- 2019-10-29 CN CN201911038311.6A patent/CN110781901B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021905A (zh) * | 2006-02-15 | 2007-08-22 | 中国科学院自动化研究所 | 一种文档图像二值化方法 |
| CN101567041A (zh) * | 2009-05-25 | 2009-10-28 | 公安部交通管理科学研究所 | 基于三维投影的机动车号牌图像的字符识别方法 |
| CN104200211A (zh) * | 2014-09-03 | 2014-12-10 | 腾讯科技（深圳）有限公司 | 图像二值化方法及装置 |
| JP2017207910A (ja) * | 2016-05-18 | 2017-11-24 | 株式会社東芝 | 文字認識装置、文字認識プログラム、文字認識方法 |
| CN107292873A (zh) * | 2017-06-29 | 2017-10-24 | 西安工程大学 | 一种基于色彩特征的瓷质绝缘子灰密程度检测方法 |
| CN107945200A (zh) * | 2017-12-14 | 2018-04-20 | 中南大学 | 图像二值化分割方法 |
| CN109086762A (zh) * | 2018-07-20 | 2018-12-25 | 上海工程技术大学 | 一种基于多目摄像头的模糊车牌识别方法 |
| CN109035274A (zh) * | 2018-08-23 | 2018-12-18 | 湖北工业大学 | 基于背景估计与u型卷积神经网络的文档图像二值化方法 |
| CN109740603A (zh) * | 2019-01-21 | 2019-05-10 | 闽江学院 | 基于cnn卷积神经网络下的车辆字符识别方法 |
| CN110210477A (zh) * | 2019-05-24 | 2019-09-06 | 四川阿泰因机器人智能装备有限公司 | 一种数字式仪表读数识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Zhiwen Wang.Binarization Algorithm of Passport Image Based on Global Iterative Threshold and Local Analysis.《2009 International Conference on Information Management, Innovation Management and Industrial Engineering》.2009,全文. * |
| 廖原.基于卷积网络的车牌二值化算法.《信息与电脑(理论版)》.2018,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110781901A (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781901B (zh) | 基于bp神经网络预测阈值的仪表重影字符识别方法 | |
| CN108122236B (zh) | 基于距离调制损失的迭代式眼底图像血管分割方法 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN111325203A (zh) | 一种基于图像校正的美式车牌识别方法及系统 | |
| CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
| CN113379833B (zh) | 一种基于神经网络的图像可见水印的定位和分割方法 | |
| CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
| CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
| CN110689060B (zh) | 一种基于聚合特征差异学习网络的异源图像匹配方法 | |
| CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
| CN117173158B (zh) | 一种精密连接器质量智能检测方法及系统 | |
| WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
| CN112508857A (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
| CN114170418A (zh) | 一种以图搜图的汽车线束连接器多特征融合图像检索方法 | |
| CN115033721A (zh) | 基于大数据的图像检索方法 | |
| CN113989256A (zh) | 遥感图像建筑物的检测模型优化方法及检测方法、装置 | |
| CN109886320B (zh) | 一种人体股骨x光片智能识读方法及系统 | |
| CN117115197A (zh) | 一种led灯珠电路板设计数据智能处理方法及系统 | |
| CN115424178B (zh) | 一种提高路面裂缝数据识别的增强方法 | |
| CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
| CN110992301A (zh) | 一种气体轮廓识别方法 | |
| CN115527024A (zh) | 一种基于图像信息的检测定位方法及系统 | |
| CN108710915B (zh) | 基于多核学习的多特征融合胃镜图像处理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200211 Assignee: Nanjing Ruishijie Electronic Technology Co.,Ltd. Assignor: HUBEI University OF TECHNOLOGY Contract record no.: X2023980049595 Denomination of invention: Instrument Ghost Character Recognition Method Based on BP Neural Network Predicting Thresholds Granted publication date: 20230428 License type: Exclusive License Record date: 20231205 |