CN110796210A - 一种标签信息的识别方法及装置 - Google Patents
一种标签信息的识别方法及装置 Download PDFInfo
- Publication number
- CN110796210A CN110796210A CN201810880159.5A CN201810880159A CN110796210A CN 110796210 A CN110796210 A CN 110796210A CN 201810880159 A CN201810880159 A CN 201810880159A CN 110796210 A CN110796210 A CN 110796210A
- Authority
- CN
- China
- Prior art keywords
- product
- picture
- label picture
- product label
- identifying
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 28
- 238000012015 optical character recognition Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000109539 Conchita Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种标签信息的识别方法及装置，获取产品标签图片以及产品的属性信息，并基于卷积神经网络模型，识别产品标签图片中包括的文本信息，得到识别结果，若确定文本信息的识别结果与产品的属性信息相同时，确定为产品配置的标签图片正确，从而降低标签信息的误检率，提高工作效率。
Description
技术领域
本发明涉及图像识别处理领域，尤其涉及一种标签信息的识别方法及装置。
背景技术
日常生活的耗能产品或小包装物上，通常会有能效标签的标识，它是表示产品能源效率等级等性能指标的一种信息标签，作为一种特征标识，其能够唯一表征产品的属性，因此，对于产品而言，其上面所带的能效标签尤其重要。
目前，识别能效标签的方法主要是依靠人工，生产线上的员工需要人工检查标签是否印制错误，并需要检查标签是否贴在对应的产品上，这种人工识别的方法工作量较大，并且长时间工作时员工会出现视觉疲劳，容易导致误检率提升。
发明内容
本发明的目的是提供一种标签信息的识别方法及装置，以降低标签信息的误检率，提高工作效率。
本发明的目的是通过以下技术方案实现的：
第一方面，本发明提供一种标签信息的识别方法，包括：
获取产品标签图片以及所述产品的属性信息；
基于卷积神经网络模型，识别所述产品标签图片中包括的所述文本信息，得到第一识别结果；其中，所述文本信息用于表征所述产品标签图片所对应的产品的属性；
若确定所述第一识别结果与所述获取的产品的属性信息相同时，则确定为所述产品配置的所述产品标签图片正确。
可选的，所述基于卷积神经网络模型，识别所述产品标签图片中包括的文本信息，包括：
基于卷积神经网络模型，对所述产品标签图片包括的文本信息进行分类，得到不同类别的字符；
利用光学字符识别OCR算法，对所述分类后的不同类别的字符进行识别。
可选的，采集能效标签图片之后，以及基于卷积神经网络模型识别所述产品标签图片中包括的所述文本信息之前，所述方法还包括：
对所述产品标签图片进行如下至少一项的处理：图像二值化、图像去噪、调整对比度、旋转校正。
可选的，所述产品标签图片还包括二维码和/或条形码；
所述获取所述产品的属性信息，包括：
识别所述产品标签图片中包括的二维码和/或条形码，获取所述产品的属性信息；
第二方面，本发明提供了一种标签信息的识别装置，包括：
获取单元，获取产品标签图片以及所述产品的属性信息；
处理单元，用于基于卷积神经网络模型，识别所述获取单元获取到的所述产品标签图片中包括的所述文本信息，得到第一识别结果；
其中，所述文本信息用于表征所述产品标签图片所对应的产品的属性；
确定单元，用于在确定所述第一识别结果与所述获取的产品的属性信息相同时，确定为所述产品配置的所述产品标签图片正确。
可选的，所述处理单元具体用于按如下方式基于卷积神经网络模型，识别所述产品标签图片中包括的文本信息：
基于卷积神经网络模型，对所述产品标签图片包括的文本信息进行分类，得到不同类别的字符；
利用光学字符识别OCR算法，对所述分类后的不同类别的字符进行识别。
可选的，所述处理单元还用于：对所述产品标签图片进行如下至少一项的处理：图像二值化、图像去噪、调整对比度、旋转校正。
可选的，所述产品标签图片还包括二维码和/或条形码。
可选的，获取单元具体按如下方式获取所述产品的属性信息：
识别所述产品标签图片包括的二维码和/或条形码，获取所述产品的属性信息。
第三方面，本发明提供一种标签信息的识别装置，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行第一方面所述的方法。
第四方面，本发明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指令，当所述计算机指令在计算机上运行时，使得计算机执行第一方面所述的方法。
附图说明
图1为本申请实施例提供的一种标签信息的识别方法；
图2为本申请实施例提供的一种标签信息的识别装置框图；
图3为本申请实施例提供的另一种标签信息的识别装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本申请实施例提供的一种标签信息的识别方法，图1所示方法的执行主体可以为一种标签信息的识别装置，参阅图1所示，该方法包括：
S101：获取产品的标签图片以及产品的属性信息。
本申请实施例中，产品的标签图片中可包括有文本信息，该文本信息用于表征该产品的属性。
可以理解的是，本申请实施例中可通过图像采集设备，例如，照相机、摄像机等进行图像的采集。
S102：基于卷积神经网络模型，对产品标签图片中的文本信息进行识别。
本申请实施例中，可利用预先训练的卷积神经网络模型，识别产品标签中包括的文本信息。
具体的，一种可能的实施方式中，可基于卷积神经网络模型，对产品标签图片包括的文本信息进行分类，以区分不同的字符，利用光学字符识别(Optical CharacterRecognition，OCR)技术对不同的字符进行识别。
由于卷积神经网络模型处理的是单个字符，因此，在对文本信息进行分类之前，需要提取产品标签图片中的文本信息，并对提取出的文本信息进行分割，得到一个一个的字符。
S103：若确定文本信息的识别结果与获取的产品的属性信息相同时，则确定为产品配置的产品标签图片正确。
本申请实施例中，对产品标签图片中的文本信息进行识别可得到识别结果，将产品标签图片中的文本信息与获取的产品属性信息进行对比，当确定产品标签图片中的文本信息的识别结果与获取的产品属性信息一致时，确定为产品配置的产品标签图片是正确的。
进一步的，基于卷积神经网络模型识别产品标签图片包括的文本信息之前，采集能效标签图片之后，还可对采集到的能效标签图片进行预处理，以得到高分辨率的图片。
具体的，可对图片进行如下至少一项预处理过程：图像二值化、图像去噪、调整对比度、旋转校正。
在实际应用中，通常会将能效标签的图片以纸质的形式打印出来，贴在对应的产品上，但是纸质的方式只是其中的一种表现形式，本申请实施例并不限于此。例如，也可以为便携式文档格式(Portable Document Format，PDF)的形式。
通常，PDF文件可能会存在多页内容，并且单页PDF文件需转换为图片。而在PDF中提取的单页内容转为图片后，可能会由于图片自身存在噪点或不清晰或文本混乱复杂等，需要对图片进行预处理。
对于多页的PDF文件，首先利用PDF处理软件将PDF拆分为多个单页，并利用ImageMagick软件将单页PDF文件转换为高分辨率图片。
进一步的，该产品标签图片中还可包括二维码和/或条形码。
具体的，由于能效标签图片中的文本通常多为渲染字体或艺术字体，并且能效标签图片中的条形码及二维码等会存在扭曲变形、不完整等现象，因此识别难度较大，可对能效标签图片进行预处理。
例如，具体处理操作包括：可对图像进行二值化、去噪、调整对比度、旋转矫正等处理，以提高图片质量，降低干扰。
可以理解是，本申请实施例中的预处理方式并不限于此，例如，可对图像进行中值滤波、边缘检测等。
一种可能的实施方式中，本申请实施例中的卷积神经网络模型可采用如下方式训练得到：
将字符图片集输入到卷积神经网络中，人为的对输入的字符图片中的字符进行分类，利用深度学习的算法，对模型中的参数进行训练，并且对模型进行不断校正，最终得到最优的分类模型。
该模型中存储训练好的最优的可以实现分类的神经元的权值、偏值等参数值。
可以理解的是，该分类模型即为卷积神经网络模型，通过上述训练学习的过程，使得训练得到的卷积神经网络模型具有分类识别字符的能力。
具体的，利用该卷积神经网络模型对产品标签图片中的文本信息进行识别时，可利用神经网络算法的卷积核卷积处理，形成一表征图片特征的多维向量。不同图片对应不同向量，按向量的差异性区分不同字符，例如，在神经网络中可根据向量之间的夹角判断是否可以将字符归属于一类。
举个例子，假设一个字有多种不同的字体或者颜色等，那么在分类的时候可将不同特征的同一个字的字归属为一类。当将标签信息中的文本信息输入到卷积神经网络模型中，卷积神经网络模型中针对同一个字可能保存有多种不同类型的形式，那么卷积神经网络模型可根据每一种特征的字的概率识别标签信息中的字。
需要说明的是，不同类型的字可包括同一个字的不同字体、不同颜色等。
可以理解的是，在利用卷积核卷积处理时，可根据一种卷积核卷积处理字符的颜色，另一种卷积核卷积处理字符的线条等这种方式，对文本信息进行识别，得到多维向量。
更进一步的，可对产品标签图片中包括的二维码和/或条形码进行识别，获取产品的属性信息。
可以理解的是，可通过终端扫描二维码和/或条形码，以识别出二维码或者条形码对应的信息。
当对产品标签中的文本信息进行识别之后，可得到产品的对应信息，例如，可将文本信息的识别结果认为是“信息1”，当对产品标签中的二维码或者条形码进行识别之后，可得到产品的属性信息，例如，可将二维码和/或条形码的识别结果认为是“信息2”。
一种可能的实施方式中，可将“信息1”与“信息2”进行比对，判断两者是否一致，若一致，则可确定产品标签与产品相对应，若不一致，则可确定产品标签与产品不对应，再通过上述方式，可快速准确的确定产品标签与产品的对应关系，可降低误检率，提高工作效率。
可以理解为若确定二维码或条形码的识别结果与识别产品标签图片包括的文本信息的识别结果相同时，则确定为产品配置的产品标签图片正确。
基于与上述一种标签信息的识别方法实施例相同的构思，本发明实施例还提供了一种标签信息的识别装置，参阅图2所示。该装置包括：获取单元101、处理单元102，确定单元103。
其中，获取单元101用于获取产品标签图片以及产品的属性信息。
处理单元102，用于基于卷积神经网络模型，识别获取单元101获取到的产品标签图片中包括的文本信息，得到第一识别结果。
其中，文本信息用于表征产品标签图片所对应的产品的属性。
确定单元103，用于在确定第一识别结果与获取的产品的属性信息相同时，则确定为产品配置的产品标签图片正确。
具体的，处理单元102具体用于按如下方式基于卷积神经网络模型，识别产品标签图片中包括的文本信息：
基于卷积神经网络模型，对产品标签图片包括的文本信息进行分类，得到不同类别的字符；
利用光学字符识别OCR算法，对分类后的不同类别的字符进行识别。
进一步的，处理单元102还用于：对产品标签图片进行如下至少一项的处理：图像二值化、图像去噪、调整对比度、旋转校正。
可选的，产品标签图片还包括二维码和/或条形码。
更进一步的，获取单元101具体用于按如下方式获取产品的属性信息：识别产品标签图片包括的二维码和/或条形码，获取产品的属性信息。
需要说明的是，本发明实施例中上述涉及的标签信息的识别装置中各个单元的功能实现可以进一步参照相关方法实施例的描述，在此不再赘述。
需要理解的是，在本文的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
具体的，在实际应用中，可在该标签信息的识别装置中基于计算机程序设计语言python，安装以下程序模块：zbar模块、pyzbar模块、pytesseract模块。
其中，zbar以及pyzbar是条形码/二维码的扫描工具，zbar模块用于识别条形码信息，pyzbar模块用于识别二维码信息，pytesseract模块可调用Tesseract-OCR识别字符，并将文本信息保存在文本文件中。
Tesseract-OCR模块是在centos 7系统下编译安装的开源的OCR引擎，编译可基于长短期记忆网络(Long Short-Term Memory，LSTM)的OCR引擎Tesseract 4.0进行，并基于深度学习算法，采用LSTM神经网络训练模型，以供Tesseract-OCR引擎调用。
本申请实施例还提供另外一种标签信息的识别装置，如图3所示，该装置包括：
存储器202，用于存储程序指令。
收发机201，用于接收和发送识别标签信息的指令。
处理器200，用于调用所述存储器中存储的程序指令，根据收发机201接收到的指令按照获得的程序执行本申请实施例所述的任一方法流程。处理器200用于实现图2所示的处理单元(102)以及确定单元(103)所执行的方法。
其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器200代表的一个或多个处理器和存储器202代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。
收发机201可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器200负责管理总线架构和通常的处理，存储器202可以存储处理器200在执行操作时所使用的数据。
处理器200可以是中央处理器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)。
本申请实施例还提供了一种计算机存储介质，用于储存为上述本申请实施例中所述的任一装置所用的计算机程序指令，其包含用于执行上述本申请实施例提供的任一方法的程序。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种标签信息的识别方法，其特征在于，包括：
获取产品标签图片，以及获取所述产品的属性信息；
基于卷积神经网络模型，识别所述产品标签图片中包括的文本信息，得到第一识别结果；
其中，所述文本信息用于表征所述产品标签图片所对应的产品的属性；
若确定所述第一识别结果与所述获取的产品的属性信息相同时，则确定为所述产品配置的所述产品标签图片正确。
2.如权利要求1所述的方法，其特征在于，所述基于卷积神经网络模型，识别所述产品标签图片中包括的文本信息，包括：
基于卷积神经网络模型，对所述产品标签图片包括的文本信息按照字符进行分类，得到不同类别的字符；
利用光学字符识别OCR算法，对所述分类后的不同类别的字符进行识别。
3.如权利要求1或2所述的方法，其特征在于，采集能效标签图片之后，以及基于卷积神经网络模型，识别所述产品标签图片中包含的文本信息之前，所述方法还包括：
对所述产品标签图片进行如下至少一项的处理：图像二值化、图像去噪、调整对比度、旋转校正。
4.如权利要求1所述的方法，其特征在于，所述产品标签图片中还包括二维码和/或条形码；
所述获取所述产品的属性信息，包括：
识别所述产品标签图片包括的二维码和/或条形码，获取所述产品的属性信息。
5.一种标签信息的识别装置，其特征在于，包括：
获取单元，获取产品标签图片以及所述产品的属性信息；
处理单元，用于基于卷积神经网络模型，识别所述获取单元获取到的所述产品标签图片中包括的所述文本信息，得到第一识别结果；
其中，所述文本信息用于表征所述产品标签图片所对应的产品的属性；
确定单元，用于在确定所述第一识别结果与所述获取的产品的属性信息相同时，确定为所述产品配置的所述产品标签图片正确。
6.如权利要求5所述的装置，其特征在于，所述处理单元具体用于按如下方式基于卷积神经网络模型，识别所述产品标签图片中包括的文本信息：
基于卷积神经网络模型，对所述产品标签图片包括的文本信息进行分类，得到不同类别的字符；
利用光学字符识别OCR算法，对所述分类后的不同类别的字符进行识别。
7.如权利要求5或6所述的装置，其特征在于，所述处理单元还用于：对所述产品标签图片进行如下至少一项的处理：图像二值化、图像去噪、调整对比度、旋转校正。
8.如权利要求5所述的装置，其特征在于，所述产品标签图片中还包括二维码和/或条形码；
获取单元具体按如下方式获取所述产品的属性信息：
识别所述产品标签图片包括的二维码和/或条形码，获取所述产品的属性信息。
9.一种应用数据的处理装置，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1～4任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行权利要求1～4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810880159.5A CN110796210A (zh) | 2018-08-03 | 2018-08-03 | 一种标签信息的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810880159.5A CN110796210A (zh) | 2018-08-03 | 2018-08-03 | 一种标签信息的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110796210A true CN110796210A (zh) | 2020-02-14 |
Family
ID=69425768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810880159.5A Pending CN110796210A (zh) | 2018-08-03 | 2018-08-03 | 一种标签信息的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796210A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164057A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种合格标签的检测方法、存储介质和电子设备 |
| CN113419659A (zh) * | 2021-08-23 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 标签模板的构建方法、系统、程序产品及存储介质 |
| CN113962231A (zh) * | 2021-10-13 | 2022-01-21 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及系统 |
| CN116563841A (zh) * | 2023-07-07 | 2023-08-08 | 广东电网有限责任公司云浮供电局 | 配电网设备标识牌的检测方法、检测装置和电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022805A (zh) * | 2016-05-25 | 2016-10-12 | 华中科技大学 | 一种基于标签识读的防伪溯源系统及方法 |
| CN106446896A (zh) * | 2015-08-04 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 一种字符分割方法、装置及电子设备 |
| CN106446954A (zh) * | 2016-09-29 | 2017-02-22 | 南京维睛视空信息科技有限公司 | 一种基于深度学习的字符识别方法 |
-
2018
- 2018-08-03 CN CN201810880159.5A patent/CN110796210A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446896A (zh) * | 2015-08-04 | 2017-02-22 | 阿里巴巴集团控股有限公司 | 一种字符分割方法、装置及电子设备 |
| CN106022805A (zh) * | 2016-05-25 | 2016-10-12 | 华中科技大学 | 一种基于标签识读的防伪溯源系统及方法 |
| CN106446954A (zh) * | 2016-09-29 | 2017-02-22 | 南京维睛视空信息科技有限公司 | 一种基于深度学习的字符识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164057A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种合格标签的检测方法、存储介质和电子设备 |
| CN113419659A (zh) * | 2021-08-23 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 标签模板的构建方法、系统、程序产品及存储介质 |
| CN113962231A (zh) * | 2021-10-13 | 2022-01-21 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及系统 |
| CN113962231B (zh) * | 2021-10-13 | 2024-03-26 | 杭州胜铭纸业有限公司 | 包装箱信息码光学识别比对方法及系统 |
| CN116563841A (zh) * | 2023-07-07 | 2023-08-08 | 广东电网有限责任公司云浮供电局 | 配电网设备标识牌的检测方法、检测装置和电子设备 |
| CN116563841B (zh) * | 2023-07-07 | 2023-11-10 | 广东电网有限责任公司云浮供电局 | 配电网设备标识牌的检测方法、检测装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902622B (zh) | 一种用于登机牌信息验证的文字检测识别方法 | |
| US8923608B2 (en) | Pre-screening training data for classifiers | |
| CN110942074B (zh) | 字符切分识别方法、装置、电子设备、存储介质 | |
| US7570816B2 (en) | Systems and methods for detecting text | |
| CN110796210A (zh) | 一种标签信息的识别方法及装置 | |
| CN109685065B (zh) | 试卷内容自动分类的版面分析方法、系统 | |
| US20200134382A1 (en) | Neural network training utilizing specialized loss functions | |
| CN109934255B (zh) | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 | |
| CN108734159B (zh) | 一种图像中敏感信息的检测方法及系统 | |
| CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
| CN110309301B (zh) | 企业类别的分类方法、装置及智能终端 | |
| CN113158895B (zh) | 票据识别方法、装置、电子设备及存储介质 | |
| US20210374455A1 (en) | Utilizing machine learning and image filtering techniques to detect and analyze handwritten text | |
| US11023720B1 (en) | Document parsing using multistage machine learning | |
| CN113191358B (zh) | 金属零件表面文本检测方法和系统 | |
| US11715288B2 (en) | Optical character recognition using specialized confidence functions | |
| CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
| CN115187870A (zh) | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 | |
| CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
| CN117909743A (zh) | 训练数据集获得方法、装置、电子设备及可读存储介质 | |
| CN112613367A (zh) | 票据信息文本框获取方法、系统、设备及存储介质 | |
| CN117095402A (zh) | 一种签收单的处理方法、装置、介质及电子设备 | |
| CN111198943B (zh) | 一种简历筛选方法、装置及终端设备 | |
| CN114612919B (zh) | 一种票据信息处理系统及方法、装置 | |
| CN116311276A (zh) | 文档图像矫正方法、装置、电子设备及可读介质 |
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: 20200214 |
|
| RJ01 | Rejection of invention patent application after publication |