CN110956366A - 一种装维质检中分光器施工一致性检验方法 - Google Patents
一种装维质检中分光器施工一致性检验方法 Download PDFInfo
- Publication number
- CN110956366A CN110956366A CN201911107963.0A CN201911107963A CN110956366A CN 110956366 A CN110956366 A CN 110956366A CN 201911107963 A CN201911107963 A CN 201911107963A CN 110956366 A CN110956366 A CN 110956366A
- Authority
- CN
- China
- Prior art keywords
- port
- tail fiber
- label
- image
- network 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000007689 inspection Methods 0.000 title claims abstract description 23
- 230000003287 optical effect Effects 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 title claims abstract description 13
- 239000000835 fiber Substances 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000001788 irregular Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种装维质检中分光器施工一致性检验方法,包括:检测识别待检验图像,通过第一网络模型得到图像中分光器的各个端口所占用的像素区域Ai;通过第二网络模型得到图像中的标签及其连接的尾纤和端口所占用的像素区域B;对比像素区域Ai和像素区域B,得到带标签的尾纤实际接入的端口号;采用文本识别方法,识别标签上的待施工端口号,通过对比工单上的施工端口号和图像识别出来的端口号获取一致性比较结果。本发明第一网络模型采用目标检测算法yolo3,识别图像中各个端口的占用情况及位置,第二网络模型采用语义分割技术实现尾纤标签区域分割,通过对比两个网络模型的输出结果,获取尾纤施工端口号,为施工一致性检验提供基础。
Description
技术领域
本发明涉及宽带装维工单的质检领域,具体涉及一种装维质检中分光器施工一致性检验方法。
背景技术
当前家庭宽带装维工单的质检工作普遍采用人工抽查的方式进行,需要大量人力进行重复性劳作,存在覆盖率低、延时长、效率低、成本高等问题。同时装维质量及资源利用情况无法第一时间反馈呈现,二次上门整改过程周期过长。因此,装维质量监管力量有限,成为影响装维工作质量的重要因素之一。
近些年,人工智能技术得到了飞速发展,其已广泛应用于人脸识别、智能驾驶、场景分类等领域。作为人工智能技术的基石,深度学习、大数据分析等新型技术也可用于对家庭宽带装维质量的管控。
发明内容
针对上述现有技术存在的问题,本发明提供了一种装维质检中分光器施工一致性检验方法,通过人工智能中的目标检测技术、语义分割技术、OCR识别技术,对装维中分光器施工情况与系统分发的资源进行一致性检验,包括:
第一网络模型训练,将采集图像中的分光器端口进行标注后,输入到目标检测网络进行训练,用于获取分光器端口的占用情况及端口位置,端口所占用的像素区域记为Ai,其中i表示端口号;
第二网络模型训练,将采集图像中的带标签的尾纤及其连接的标签和端口进行整体标注后,输入到目标检测网络进行训练,用于获取带标签的尾纤及其连接的标签和端口整体所在位置,所述带标签的尾纤及其连接的标签和端口整体所占用的像素区域记为B;
尾纤实际接入端口识别,将待检测图像输入到训练好的第一网络模型和第二网络模型,对比两个网络模型的输出结果,获取带标签的尾纤对应接入的端口号;
尾纤待施工端口识别,将待检测图像输入到训练好的文本识别网络,用于识别标签的文字内容,获取与标签相连的尾纤待施工的端口号;
工单一致性检验,将工单上系统分配的施工端口号与所述尾纤实际接入端口、尾纤待施工端口进行比对,若三者端口号相同,则检验结果为施工一致;
作为上述方案的进一步优化,所述尾纤实际接入端口识别中,对比两个网络模型的输出结果的方法具体为:
获取像素区域Ai和B内的每个像素点的坐标,遍历B内的每个像素点的坐标,检测Ai内是否存在相同的坐标位置,统计Ai内与B内像素点坐标相同的个数sum,sum值最大的Ai对应的i即为尾纤实际接入端口号。
作为上述方案的进一步优化,所述尾纤待施工端口识别中,包括对识别出来的文字是否属于标签进行检测。
作为上述方案的进一步优化,所述尾纤待施工端口识别,训练好的文本识别网络中采用CTPN算法和OCR文字识别算法相结合的结构,具体包括:
4.1、将待检测图像输入到训练好的文本识别网络,采用CTPN算法对图像文字区域识别,并将每一行文字划分在一个矩形区域内;
4.2、将每个矩形区域占用的像素区域Ck和像素区域B做对比,获取属于尾纤标签上的文本行区域,其中k表示采用CTPN算法检测到的文字行数;
4.3、采用OCR文字识别算法,将步骤4.2中得到的尾纤标签上的文本行区域进行文字识别,获取文字内容。
作为上述方案的进一步优化,所述第一网络模型,采用YOLO v3网络模型进行目标检测。
作为上述方案的进一步优化,所述第二网络模型,采用基于全卷积神经网络FCN的语义分割网络,用于将像素区域B分割出来。
作为上述方案的进一步优化,所述第一网络模型训练中,将采集图像中的分光器端口进行标注的方法具体为:
7.1、采用labelImg工具对图像中的端口进行矩形框标注,并根据矩形框的长短将占用情况分为已使用和未使用两个类别;
7.2、将标注完的数据进行格式转换,转换为所述第一网络模型能识别的格式。
作为上述方案的进一步优化,所述第二网络模型训练,将采集图像中的带标签的尾纤及其连接的标签和端口进行整体标注的方法为:
8.1、采用labelme工具对采集图像中标签及其连接的尾纤和端口所占区域进行不规则标注;
8.2、采用labelme工具的json文件解析功能对步骤5.1中不规则标注区域内的像素分为一类,图像上其他像素点为其他类;
8.3、json文件解析后得到的图像灰度化转换为8位图。
本发明的一种装维质检中分光器施工一致性检验方法,具备如下有益效果:
1.本发明将人工智能中目标检测、语义分割技术应用到装维质检中,通过第一网络模型的目标检测算法yolo v3获取各个端口位置,通过第二网络模型的语义分割技术实现尾纤标签区域分割,通过两个网络模型输出的结果对比,获取到尾纤实际接入的端口号。
2.本发明采用CTPN对尾纤标签中文字区域进行检测,并采用开源文字识别算法识别出尾纤标签上的文字内容,获取尾纤标签上的待施工端口号,通过对比工单中分配的施工端口号、标签内容中待施工的端口号以及图片检测到的尾纤实际接入的端口号,判断尾纤接入是否正确,实现家庭宽带安装的资源一致性自动检验,替代传统的人工校验审核方法,不仅解放了很大一部分人力,而且提高了质检的效率和准确率,实现了对家庭宽带装维质量的有效管控。
附图说明
图1是本发明的一种装维质检中分光器施工一致性检验方法的整体流程框图;
图2是本发明通过第一网络模型和第二网络模型的结果对比,获取带标签的尾纤实际接入的端口号的流程框图;
图3是本发明的实施例中的待检测图像;
图4是图3经过语义分割法后将带标签的尾纤及其连接的标签和端口整体所占用的像素区域B分割出来的结果。
实施方式
下面将结合本发明实施例中的附图1-4,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明的一种装维质检中分光器施工一致性检验方法,包括:
第一网络模型训练,将采集图像中的分光器端口进行标注后,输入到目标检测网络进行训练,用于获取分光器端口的占用情况及端口位置,端口所占用的像素区域记为Ai,其中i表示端口号;
第二网络模型训练,将采集图像中的带标签的尾纤及其连接的标签和端口进行整体标注后,输入到目标检测网络进行训练,用于获取带标签的尾纤及其连接的标签和端口整体所在位置,所述带标签的尾纤及其连接的标签和端口整体所占用的像素区域记为B;
尾纤实际接入端口识别,将待检测图像输入到训练好的第一网络模型和第二网络模型,对比两个网络模型的输出结果,获取带标签的尾纤对应接入的端口号;
尾纤待施工端口识别,将待检测图像输入到训练好的文本识别网络,用于识别标签的文字内容,获取与标签相连的尾纤待施工的端口号;
工单一致性检验,将工单上系统分配的施工端口号与所述尾纤实际接入端口、尾纤待施工端口进行比对,若三者端口号相同,则检验结果为施工一致。
本发明中通过第一网络模型,检测出图像中的各个端口的位置,通过第二网络模型,检测出图像中带标签的尾纤所在位置,通过对比两个网络模型的输出结果,获取到带标签的尾纤连接的实际接入端口号;再通过文本识别网络识别出标签上代表尾纤应该接入的待施工端口号,最后将工单上系统分配的施工端口号与网络模型识别出来的实际接入端口号、标签上的待施工端口号作对比,获取施工一致性结果。
在尾纤实际接入端口识别中,对比两个网络模型的输出结果的方法具体为:
获取像素区域Ai和B内的每个像素点的坐标,遍历B内的每个像素点的坐标,检测Ai内是否存在相同的坐标位置,统计Ai内与B内像素点坐标相同的个数sum,sum值最大的Ai对应的i即为尾纤实际接入端口号。
举例说明,以A1与区域B的对比过程为例进行说明,遍历区域B中的每个像素点坐标,在区域A1内的像素点坐标查找是否有相同的像素点坐标,如果找到相同坐标,计数器sum加1,然后遍历B中的下一个像素点坐标;如果没有找到相同坐标,则计数器不变。统计每个Ai的计数器sum的值,其中计数器的值最大的区域Ai,就是带标签的尾纤实际连接的端口。
由于在装维人员拍摄的图片中,除了标签上有文字,其他位置可能也包含文字,所以需要确定哪些文字属于尾纤标签上的,在本实施例中,尾纤待施工端口识别中,包括对识别出来的文字是否属于标签进行检测。
在尾纤待施工端口识别,训练好的文本识别网络中采用CTPN算法和OCR文字识别算法相结合的结构,先通过CTPN算法检测文本区域,然后通过文本区域与标签区域对比,获取到属于标签内容的文本,再通过OCR文字识别算法识别标签上的文字内容。具体包括:
4.1、将待检测图像输入到训练好的文本识别网络,采用CTPN算法对图像文字区域识别,并将每一行文字划分在一个矩形区域内,CTPN结合CNN与LSTM深度网络,能有效的检测出复杂场景的横向分布的文字,是目前比较好的文字检测算法;
4.2、将每个矩形区域占用的像素区域Ck和像素区域B做对比,获取属于尾纤标签上的文本行区域,其中k表示采用CTPN算法检测到的文字行数;
4.3、采用OCR文字识别算法,将步骤4.2中得到的尾纤标签上的文本行区域进行文字识别,获取文字内容。
在上述过程中,像素区域B内包含标签所在区域,为了方便,直接用包含标签的区域B与像素区域Ck作对比,像素区域Ck和像素区域B做对比的方法为:获取像素区域Ck和B内的每个像素点的坐标,遍历B内的每个像素点的坐标,检测Ck内是否存在相同的坐标位置,统计Ck内与B内像素点坐标相同的个数sum,sum值最大的Ck即为属于标签上的文本行区域。
在本实施例中,由于端口区域是规则的矩形,所以第一网络模型,采用YOLO v3网络模型进行目标检测。
在第一网络模型训练之前,将采集图像中的分光器端口进行标注,将每个端口的位置用矩形框标注,并且将端口是否被占用的情况标注出来,具体为:
7.1、采用labelImg工具对图像中的端口进行矩形框标注,并根据矩形框的长短将占用情况分为已使用和未使用两个类别,在本实施例中,其中标注的类别p代表端口已使用,类别u代表端口未使用;
7.2、将标注完的数据进行格式转换,转换为所述第一网络模型能识别的格式。
第一网络模型即YOLO v3网络模型的输入数据格式如下所示:
xxx/xxx.jpg 18.19 6.32 424.13 421.83 20 323.86 2.65 640.0 421.94 20
xxx/xxx.jpg 55.38 132.63 519.84 380.4 16
#image_path x_min y_min x_max y_max class_id x_min y_min...class_id
在第一网络模型训练之前,所有输入第一网络模型的图像还需要重塑为416*416大小之后再输入。
本实施例中采用的YOLO v3算法,相比于YOLO v2,基础网络采用了darknet53代替原来的Darknet-19,用于提取图片的特征;采用独立的多个logistic分类器替代原来的Softmax,用于分类,提高了图像处理速度。损失函数(的设计目标就是让坐标、置信度以及类别这个三个方面达到很好的平衡。所以YOLO v3中的损失函数由四部分组成,分别是对预测的中心坐标做损失、对预测边界框的宽高做损失、对预测的类别做损失、对预测的置信度做损失,根据所述每个预测边框的五维信息(x,y,w,h,object_conf),损失函数的形式如下式:
由于带标签的尾纤及其连接的标签和端口整体所占用的像素区域是不规则的形状,不适合采用YOLO v3网络模型,所以第二网络模型,采用基于全卷积神经网络FCN的语义分割网络,用于将不规则的像素区域B分割出来。
在第二网络模型训练之前,将采集图像中的带标签的尾纤及其连接的标签和端口进行整体标注的方法为:
8.1、采用labelme工具对采集图像中标签及其连接的尾纤和端口所占区域进行不规则标注;
8.2、采用labelme工具的json文件解析功能对步骤8.1中不规则标注区域内的像素分为一类,图像上其他像素点为其他类;
8.3、json文件解析后得到的图像灰度化转换为8位图。
经过第二网络模型,将图像中的像素区域B分割出来,如图4所示,像素区域B用同一种颜色表示,对于图像中其他位置用另一种颜色表示。
对此,本实施例采用基于CTPN算法的OCR文字识别方法,先通过CTPN算法检测文本区域,然后通过文本区域与标签区域对比,获取到属于标签内容的文本,再通过OCR文字识别算法识别标签上的文字内容。
本发明不局限于上述具体的实施方式,本领域的普通技术人员从上述构思出发,不经过创造性的劳动,所做出的种种变换,均落在本发明的保护范围之内。
Claims (8)
1.一种装维质检中分光器施工一致性检验方法,其特征在于:包括:
第一网络模型训练,将采集图像中的分光器端口进行标注后,输入到目标检测网络进行训练,用于获取分光器端口的占用情况及端口位置,端口所占用的像素区域记为Ai,其中i表示端口号;
第二网络模型训练,将采集图像中的带标签的尾纤及其连接的标签和端口进行整体标注后,输入到目标检测网络进行训练,用于获取带标签的尾纤及其连接的标签和端口整体所在位置,所述带标签的尾纤及其连接的标签和端口整体所占用的像素区域记为B;
尾纤实际接入端口识别,将待检测图像输入到训练好的第一网络模型和第二网络模型,对比两个网络模型的输出结果,获取带标签的尾纤对应接入的端口号;
尾纤待施工端口识别,将待检测图像输入到训练好的文本识别网络,用于识别标签的文字内容,获取与标签相连的尾纤待施工的端口号;
工单一致性检验,将工单上系统分配的施工端口号与所述尾纤实际接入端口、尾纤待施工端口进行比对,若三者端口号相同,则检验结果为施工一致。
2.根据权利要求1所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述尾纤实际接入端口识别中,对比两个网络模型的输出结果的方法具体为:
获取像素区域Ai和B内的每个像素点的坐标,遍历B内的每个像素点的坐标,检测Ai内是否存在相同的坐标位置,统计Ai内与B内像素点坐标相同的个数sum,sum值最大的Ai对应的i即为尾纤实际接入端口号。
3.根据权利要求1所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述尾纤待施工端口识别中,包括对识别出来的文字是否属于标签进行检测。
4.根据权利要求3所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述尾纤待施工端口识别,训练好的文本识别网络中采用CTPN算法和OCR文字识别算法相结合的结构,具体包括:
4.1、将待检测图像输入到训练好的文本识别网络,采用CTPN算法对图像文字区域识别,并将每一行文字划分在一个矩形区域内;
4.2、将每个矩形区域占用的像素区域Ck和像素区域B做对比,获取属于尾纤标签上的文本行区域,其中k表示采用CTPN算法检测到的文字行数;
4.3、采用OCR文字识别算法,将步骤4.2中得到的尾纤标签上的文本行区域进行文字识别,获取文字内容。
5.根据权利要求1所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述第一网络模型,采用YOLO v3网络模型进行目标检测。
6.根据权利要求1所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述第二网络模型,采用基于全卷积神经网络FCN的语义分割网络,用于将像素区域B分割出来。
7.根据权利要求1所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述第一网络模型训练中,将采集图像中的分光器端口进行标注的方法具体为:
7.1、采用labelImg工具对图像中的端口进行矩形框标注,并根据矩形框的长短将占用情况分为已使用和未使用两个类别;
7.2、将标注完的数据进行格式转换,转换为所述第一网络模型能识别的格式。
8.根据权利要求1所述的一种装维质检中分光器施工一致性检验方法,其特征在于:所述第二网络模型训练,将采集图像中的带标签的尾纤及其连接的标签和端口进行整体标注的方法为:
8.1、采用labelme工具对采集图像中标签及其连接的尾纤和端口所占区域进行不规则标注;
8.2、采用labelme工具的json文件解析功能对步骤5.1中不规则标注区域内的像素分为一类,图像上其他像素点为其他类;
8.3、json文件解析后得到的图像灰度化转换为8位图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107963.0A CN110956366A (zh) | 2019-11-13 | 2019-11-13 | 一种装维质检中分光器施工一致性检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107963.0A CN110956366A (zh) | 2019-11-13 | 2019-11-13 | 一种装维质检中分光器施工一致性检验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956366A true CN110956366A (zh) | 2020-04-03 |
Family
ID=69977437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911107963.0A Pending CN110956366A (zh) | 2019-11-13 | 2019-11-13 | 一种装维质检中分光器施工一致性检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956366A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022310A1 (zh) * | 2020-07-27 | 2022-02-03 | 北京市天元网络技术股份有限公司 | 分光器端口识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180077472A1 (en) * | 2016-09-14 | 2018-03-15 | Fiber Mountain, Inc. | Intelligent fiber port management |
CN109190439A (zh) * | 2018-09-21 | 2019-01-11 | 南京机灵侠软件技术有限公司 | 一种分光器端口线及其二维码标签的图像识别方法 |
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
-
2019
- 2019-11-13 CN CN201911107963.0A patent/CN110956366A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180077472A1 (en) * | 2016-09-14 | 2018-03-15 | Fiber Mountain, Inc. | Intelligent fiber port management |
CN109190439A (zh) * | 2018-09-21 | 2019-01-11 | 南京机灵侠软件技术有限公司 | 一种分光器端口线及其二维码标签的图像识别方法 |
CN109815998A (zh) * | 2019-01-08 | 2019-05-28 | 科大国创软件股份有限公司 | 一种基于yolo算法的ai装维巡检方法及系统 |
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
Non-Patent Citations (2)
Title |
---|
王驿钊;黄曼莉;陈舜儿;黄红斌;刘伟平;: "基于改进Faster R-CNN算法的光纤端子序号识别系统" * |
邱伟娜;李先荣;辛竹;: "家宽装机质量人工智能质检新方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022310A1 (zh) * | 2020-07-27 | 2022-02-03 | 北京市天元网络技术股份有限公司 | 分光器端口识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
Sheikh et al. | Traffic sign detection and classification using colour feature and neural network | |
CN111860348A (zh) | 基于深度学习的弱监督电力图纸ocr识别方法 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN109829458B (zh) | 实时自动生成记录系统操作行为的日志文件的方法 | |
Xu et al. | End-to-end subtitle detection and recognition for videos in East Asian languages via CNN ensemble | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN112101108B (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN113963210A (zh) | 一种基于深度学习的废弃数据存储设备检测方法及分拣系统 | |
Vishwanath et al. | Connected component analysis for Indian license plate infra-red and color image character segmentation | |
CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN112861861B (zh) | 识别数码管文本的方法、装置及电子设备 | |
CN110956366A (zh) | 一种装维质检中分光器施工一致性检验方法 | |
CN113191320A (zh) | 一种基于深度学习的食品安全指标监测方法 | |
CN115546824B (zh) | 禁忌图片识别方法、设备及存储介质 | |
CN110610177A (zh) | 字符识别模型的训练方法、字符识别方法及装置 | |
Zhao et al. | A unified object detection framework for intelligent retail container commodities | |
CN114638989A (zh) | 一种基于目标检测和细粒度识别的故障分类可视化方法 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 | |
Kosala et al. | Robust License Plate Detection in Complex Scene using MSER-Dominant Vertical Sobel. | |
CN112861843A (zh) | 基于特征图像识别的选择框解析方法及装置 | |
CN106502246A (zh) | 一种基于分类器的智能车自动引导系统 | |
CN117557871B (zh) | 三维模型标注方法、装置、设备及存储介质 | |
CN117351499B (zh) | 一种分合指示状态识别方法、系统、计算机设备和介质 |
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 |