CN111127452A - 一种基于云端处理的集装箱智能ocr识别方法 - Google Patents
一种基于云端处理的集装箱智能ocr识别方法 Download PDFInfo
- Publication number
- CN111127452A CN111127452A CN201911375186.8A CN201911375186A CN111127452A CN 111127452 A CN111127452 A CN 111127452A CN 201911375186 A CN201911375186 A CN 201911375186A CN 111127452 A CN111127452 A CN 111127452A
- Authority
- CN
- China
- Prior art keywords
- ocr
- container
- recognition
- network
- sample set
- 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 32
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000012015 optical character recognition Methods 0.000 claims abstract description 104
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000013441 quality evaluation Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013523 data management Methods 0.000 claims description 10
- 102100032202 Cornulin Human genes 0.000 claims description 7
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 210000001503 joint Anatomy 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation 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
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于云端处理的集装箱智能OCR识别方法,包括如下步骤:步骤1:制作图像质量评定样本集及标注集装箱OCR识别样本集;步骤2:构建深度图像质量评价网络,使用图像质量评定样本集的数据对网络进行训练,将训练好的网络模型进行保存;步骤3:构建深度文本检测网络,使用OCR识别样本集的数据对OCR区域识别神经网络进行训练,将训练好的网络模型进行保存;步骤4:构建深度文本识别网络,使用OCR识别样本集的数据对OCR内容识别神经网络进行训练,将训练好的网络模型进行保存。本发明能有效对集装箱进行数字化管理,可快速进行集装箱数据采集分析,并能自动化进行数据库对接,加快集装箱管理效率。
Description
技术领域
本发明涉及计算机数字图像处理与模式识别技术技术领域,具体为一种基于云端处理的集装箱智能OCR识别方法。
背景技术
集装箱是指具有一定强度、刚度和规格专供周转使用的大型装货容器。使用集装箱转运货物,可直接在发货人的仓库装货,运到收货人的仓库卸货,中途更换车、船时,无须将货物从箱内取出换装。因此集装箱是一种伟大的发明。集装箱最大的成功在于其产品的标准化以及由此建立的一整套运输体系。能够让一个载重几十吨的庞然大物实现标准化,并且以此为基础逐步实现全球范围内的船舶、港口、航线、公路、中转站、桥梁、隧道、多式联运相配套的物流系统,这的确堪称人类有史以来创造的伟大奇迹之一。
集装箱的发展意义重大,但是大规模的集装箱管理却成为了一个难题。现在的管理方式都是人工进行统计,数据整理,依靠人力来进行集装箱的数字化管理工作。这样不仅浪费了大量人力资源,而且对于大规模集装箱管理而言效率低下,因此提高集装箱数字化管理效率变成了迫切需要解决的问题。
随着技术的发展,现在出现了一种通过识别集装箱OCR来进行自动化大数据管理的方法,通过从不同角度拍摄的集装箱照片,自动提取集装箱的OCR区域进行人工智能识别,并根据关键字进行自动化匹配分析,最终将该集装箱编号及其匹配信息通过云端进行大数据管理,彻底解决传统人工效率低下以及人力资源的浪费问题。
深度神经网络在图像质量评价领域已经取得很大的进展,本发明可以采用多种深度神经网络进行质量评价,其中有:VGGNet,ResNet,darknet,SEnet以及mobilenet。经过多次实验测试,mobilenet在速度与准确性之间取得了比较的权衡。本发明在采用mobilenet深度神经网络的时候取得了最好的效果,但并不局限于mobilenet深度神经网络。
深度神经网络在图像文本检测领域已经取得很大的进展,本发明可以采用多种深度神经网络进行OCR区域检测,其中有:EAST,CTPN,YOLO,Fast-RCNN,Faster-RCNN,SSD。经过多次实验测试,EAST在速度与准确性之间取得了比较的权衡。本发明在采用EAST深度神经网络的时候取得了最好的效果,但并不局限于EAST深度神经网络。
深度神经网络在图像文本内容识别领域已经取得很大的进展,本发明可以采用多种深度神经网络进行OCR内容识别,其中有:CRNN,FOTS,CTC。经过多次实验测试,CRNN在速度与准确性之间取得了比较的权衡。本发明在采用CRNN深度神经网络的时候取得了最好的效果,但并不局限于CRNN深度神经网络。
发明内容
本发明的目的在于提供一种基于云端处理的集装箱智能OCR识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于云端处理的集装箱智能OCR识别方法,包括如下步骤:
步骤1:制作图像质量评定样本集及标注集装箱OCR识别样本集;
步骤2:构建深度图像质量评价网络,使用图像质量评定样本集的数据对网络进行训练,将训练好的网络模型进行保存;
步骤3:构建深度文本检测网络,使用OCR识别样本集的数据对OCR区域识别神经网络进行训练,将训练好的网络模型进行保存;
步骤4:构建深度文本识别网络,使用OCR识别样本集的数据对OCR内容识别神经网络进行训练,将训练好的网络模型进行保存;
步骤5:使用训练好的图像质量评价网络模型对新获取的待识别的图像质量评定,如果合格则进行OCR区域检测否则重新拍摄;
步骤6:使用训练好的OCR区域识别网络模型对质量合格的图像进行OCR区域检测,定位出需要进行内容识别的区域。
步骤7:使用训练好的OCR内容识别网络模型对定位出的OCR区域进行内容识别,并将输出结果结合OCR坐标信息进行关键字匹配;
步骤8:对步骤7结果与集装箱拍摄位置信息结合,判断输入照片是否为同一集装箱并将相关信息接入数据库进行大数据管理。
优选的,所述构建深度图像质量评价网络采用的神经网络为VGGNet,ResNet,darknet,SEnet或者mobilenet。
优选的,所述构建深度文本检测网络采用的神经网络为EAST,CTPN,YOLO,Fast-RCNN,Faster-RCNN或者SSD。
优选的,所述构建深度文本识别网络采用的神经网络为CRNN,FOTS或者CT。
优选的,所述步骤5包括:
5.1)质量评估网络对输入图像进行打分,如果超过一定阈值则判定为合格;
5.2)对集装箱箱门,箱壁,以及箱底文本区域进行检测;
5.3)对OCR区域检测结果进行填充处理,边界扩大25个像素值以便更准确地截取OCR区域。
优选的,所述深度图像质量评价网络、深度文本检测网络和深度文本识别网络均保存在本地硬盘上。
优选的,所述步骤6包括:
6.1)使用置信阈值对OCR检测结果进行筛选,消除模糊目标干扰;
首先将检测结果进行softmax归一化处理成各类别的置信度,对检测置信度大于阈值的进行处理;
softmax的操作过程为:
其中V表示输出矩阵,Vi表示V中的第i个元素;
6.2)使用非最大值抑制算法对相似区域进行抑制,避免同一区域重复检测。
优选的,所述步骤7包括:
7.1)通过深度文本识别网络模型对定位出的OCR区域进行文本识别;
7.2)将集装箱logo所属区域截取并进行编码与数据库logo字典进行相似度比对,选取相似度度最高的结果对应到所属公司关键字中;
7.3)箱门OCR包括集装箱编号,类型以及最大承重,集装箱毛重,货物净重等基本信息,将内容根据坐标信息对应到各自的关键字上。
优选的,所述像质量评定样本集和标注集装箱OCR识别样本集分别转化为ImageNet标准数据集格式和QUAD标准数据集格式。
优选的,所述步骤8包括:
8.1)对箱门,箱体以及箱底分别提取出集装箱编号进行匹配,如果匹配正确则这部分属于同一集装箱,否则进行报错提示;
8.2)如果集装箱编号匹配成功,将识别结果按照关键字写入数据库,进行大数据管理。
与现有技术相比,本发明的有益效果是:
本发明,对集装箱从特定角度进行拍照,人工标注组成集装箱图像质量评价样本集及OCR区域学习样本集;基于样本训练生成深度学习网络图像质量评价器以及文本检测器;采用深度神经网络文本检测器对新获取,待识别的图像进行图像质量评估,评估通过后进行OCR区域定位否则重新拍照;结合定位结果并进一步进行区域扩充,之后再对扩充结果进行OCR内容识别;最后通过OCR内容匹配,并与数据库对接进行大数据管理。本发明能有效对集装箱进行数字化管理,可快速进行集装箱数据采集分析,并能自动化进行数据库对接,加快集装箱管理效率。
附图说明
图1是本发明实施例的基于深度神经网络OCR识别的方法流程图;
图2是用于深度神经网络训练的样本集(其中,图2(a)为集装箱图像质量较差负样本,图2(b)为集装箱图像质量良好正样本,图2(c)表示图片及其同名标注文件);
图3是OCR区域检测截取效果图;
图4是OCR内容识别结果图;
图5是集装箱logo数据库编码示例。
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,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。
请参阅图1-5,本发明提供一种技术方案:一种基于云端处理的集装箱智能OCR识别方法,包括如下步骤:
步骤1:制作图像质量评定样本集及标注集装箱OCR识别样本集;
本实例以集装箱实地采集图像作为原始图像,对于OCR区域残缺或者亮度过低,拍摄模糊的样本视为负样本,其余正常样本为正样本。正负样本比基本为1:1,用来训练图像质量评定网络。对于正样本,人工进行标注,标注内容包括OCR的位置坐标以及与位置对应的OCR内容,样本数据为512;
步骤2:构建深度图像质量评价网络,使用图像质量评定样本集的数据对网络进行训练,将训练好的网络模型进行保存;
本实例通过深度神经网络学习样本集,通过不断减少真实属性与预测属性之间的误差使网络的预测结果与真实结果相近,采用深度学习算法训练一个深度神经网络图像质量评定器。步骤是:
1)将样本集按ImageNet标准进行存储,并划分一定量测试集进行模型性能验证;
2)用深度神经网络进行训练100个epoch,生成深度神经网络图像质量评价器,选取在测试集上准确率最高的作为最终模型。
步骤3:深度神经网络文本检测器训练。
步骤3:构建深度文本检测网络,使用OCR识别样本集的数据对OCR区域识别神经网络进行训练,将训练好的网络模型进行保存;
本实例通过深度神经网络学习样本集,通过不断减少真实属性与预测属性之间的误差使网络的预测结果与真实结果相近,采用深度学习算法训练一个深度神经网络文本检测器。步骤是:
1)将数据集转化为QUAD标准数据集格式,以便计算机进行读取;
2)用深度神经网络进行训练20000次,生成深度神经网络文本检测器,每隔500次进行模型测试挑选一个性能最好的模型保存下来;
步骤4:构建深度文本识别网络,使用OCR识别样本集的数据对OCR内容识别神经网络进行训练,将训练好的网络模型进行保存;
本实例通过深度神经网络学习样本集,通过不断减少真实属性与预测属性之间的误差使网络的预测结果与真实结果相近,采用深度学习算法训练一个深度神经网络OCR内容器。步骤是:
1)将数据集转化为QUAD标准数据集格式,以便计算机进行读取,
2)用深度神经网络进行训练20000次,生成深度神经网络OCR内容识别器,每隔500次进行模型测试挑选一个性能最好的模型保存下来;
步骤5:使用训练好的图像质量评价网络模型对新获取的待识别的图像质量评定,如果合格则进行OCR区域检测否则重新拍摄;
包括:
5.1)质量评估网络对输入图像进行打分,如果超过一定阈值则判定为合格;
5.2)对集装箱箱门,箱壁,以及箱底文本区域进行检测;
5.3)对OCR区域检测结果进行填充处理,边界扩大25个像素值以便更准确地截取OCR区域;
步骤6:使用训练好的OCR区域识别网络模型对质量合格的图像进行OCR区域检测,定位出需要进行内容识别的区域;
包括:
6.1)使用置信阈值对OCR检测结果进行筛选,消除模糊目标干扰;
首先将检测结果进行softmax归一化处理成各类别的置信度,对检测置信度大于阈值的进行处理;
Softmax处理过程为:
其中V表示输出矩阵,Vi表示V中的第i个元素;
6.2)使用非最大值抑制算法对相似区域进行抑制,避免同一区域重复检测;
步骤7:使用训练好的OCR内容识别网络模型对定位出的OCR区域进行内容识别,并将输出结果结合OCR坐标信息进行关键字匹配;
包括:
7.1)通过深度文本识别网络模型对定位出的OCR区域进行文本识别;
7.2)将集装箱logo所属区域截取并进行编码与数据库logo字典进行相似度比对,选取相似度度最高的结果对应到所属公司关键字中;
7.3)箱门OCR包括集装箱编号,类型以及最大承重,集装箱毛重,货物净重等基本信息,将内容根据坐标信息对应到各自的关键字上;
步骤8:对步骤7结果与集装箱拍摄位置信息结合,判断输入照片是否为同一集装箱并将相关信息接入数据库进行大数据管理;
包括:
8.1)对箱门,箱体以及箱底分别提取出集装箱编号进行匹配,如果匹配正确则这部分属于同一集装箱,否则进行报错提示;
8.2)如果集装箱编号匹配成功,将识别结果按照关键字写入数据库,进行大数据管理。
具体的,所述构建深度图像质量评价网络采用的神经网络为VGGNet。
在其它实施例中,构建深度图像质量评价网络采用ResNet,darknet、SEnet或者mobilenet。
具体的,所述构建深度文本检测网络采用的神经网络为EAST。
在其它实施例中,构建深度文本检测网络采用的神经网络为CTPN,YOLO,Fast-RCNN,Faster-RCNN或者SSD。
具体的,所述构建深度文本识别网络采用的神经网络为CRNN。
在其它实施例中,构建深度文本识别网络采用的神经网络为FOTS或者CT。
具体的,所述深度图像质量评价网络、深度文本检测网络和深度文本识别网络均保存在本地硬盘上,保存方便。
实验结果表明,通过本技术方案,可以快速准确地对集装箱进行OCR识别并提取相关参数编入数据库进行大数据管理,对单张图像的响应时间可以控制在150ms内,且可以实现多路并行处理,经过实际验证,对于拍摄效果良好的集装箱图像,识别准确率可以达到95%以上(正确识别数量/总的图像数量)。相比现有方法,本发明不但具有较高的识别精确率,同时实现了快速响应及多路并行计算,可以对管理员操作进行实时反馈,极大加快了集装箱数字化管理效率。
本发明跳出了传统的集装箱数据采集方式,能够通过几张图像获取集装箱的所有参数,提出了一种全新的基于深度神经网络模型及空间相关性分析的方法。可以快速实现集装箱参数采集与管理,极大地提高大规模集装箱运营效率,节约人力分析成本。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于云端处理的集装箱智能OCR识别方法,其特征在于包括如下步骤:
步骤1:制作图像质量评定样本集及标注集装箱OCR识别样本集;
步骤2:构建深度图像质量评价网络,使用图像质量评定样本集的数据对网络进行训练,将训练好的网络模型进行保存;
步骤3:构建深度文本检测网络,使用OCR识别样本集的数据对OCR区域识别神经网络进行训练,将训练好的网络模型进行保存;
步骤4:构建深度文本识别网络,使用OCR识别样本集的数据对OCR内容识别神经网络进行训练,将训练好的网络模型进行保存;
步骤5:使用训练好的图像质量评价网络模型对新获取的待识别的图像质量评定,如果合格则进行OCR区域检测否则重新拍摄;
步骤6:使用训练好的OCR区域识别网络模型对质量合格的图像进行OCR区域检测,定位出需要进行内容识别的区域;
步骤7:使用训练好的OCR内容识别网络模型对定位出的OCR区域进行内容识别,并将输出结果结合OCR坐标信息进行关键字匹配;
步骤8:对步骤7结果与集装箱拍摄位置信息结合,判断输入照片是否为同一集装箱并将相关信息接入数据库进行大数据管理。
2.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述构建深度图像质量评价网络采用的神经网络为VGGNet,ResNet,darknet,SEnet或者mobilenet。
3.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述构建深度文本检测网络采用的神经网络为EAST,CTPN,YOLO,Fast-RCNN,Faster-RCNN或者SSD。
4.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述构建深度文本识别网络采用的神经网络为CRNN,FOTS或者CTC。
5.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述步骤5采用深度神经网络OCR检测器对新获取的待识别的图像进行质量评估,如果合格则进行OCR区域检测否则重新拍摄,包括:
5.1)质量评估网络对输入图像进行打分,如果超过一定阈值则判定为合格;
5.2)对集装箱箱门,箱壁,以及箱底文本区域进行检测;
5.3)对OCR区域检测结果进行填充处理,边界扩大25个像素值以便更准确地截取OCR区域。
6.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述深度图像质量评价网络、深度文本检测网络和深度文本识别网络均保存在本地硬盘上。
7.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述步骤6包括:
6.1)使用置信阈值对OCR检测结果进行筛选,消除模糊目标干扰;
6.2)使用非最大值抑制算法对相似区域进行抑制,避免同一区域重复检测。
8.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述步骤7包括:
7.1)通过深度文本识别网络模型对定位出的OCR区域进行文本识别;
7.2)将集装箱logo所属区域截取并进行编码与数据库logo字典进行相似度比对,选取相似度度最高的结果对应到所属公司关键字中;
7.3)箱门OCR包括集装箱编号,类型以及最大承重,集装箱毛重,货物净重等基本信息,将内容根据坐标信息对应到各自的关键字上。
9.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述像质量评定样本集和标注集装箱OCR识别样本集分别转化为ImageNet标准数据集格式和QUAD标准数据集格式。
10.根据权利要求1所述的一种基于云端处理的集装箱智能OCR识别方法,其特征在于:所述步骤8包括:
8.1)对箱门,箱体以及箱底分别提取出集装箱编号进行匹配,如果匹配正确则这部分属于同一集装箱,否则进行报错提示;
8.2)如果集装箱编号匹配成功,将识别结果按照关键字写入数据库,进行大数据管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375186.8A CN111127452A (zh) | 2019-12-27 | 2019-12-27 | 一种基于云端处理的集装箱智能ocr识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375186.8A CN111127452A (zh) | 2019-12-27 | 2019-12-27 | 一种基于云端处理的集装箱智能ocr识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111127452A true CN111127452A (zh) | 2020-05-08 |
Family
ID=70503832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911375186.8A Pending CN111127452A (zh) | 2019-12-27 | 2019-12-27 | 一种基于云端处理的集装箱智能ocr识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127452A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626992A (zh) * | 2020-05-13 | 2020-09-04 | 苏州凝眸物联科技有限公司 | 一种智能道口验箱方法 |
CN111932500A (zh) * | 2020-07-10 | 2020-11-13 | 泰康保险集团股份有限公司 | 一种图像处理方法及装置 |
CN111967404A (zh) * | 2020-08-20 | 2020-11-20 | 苏州凝眸物联科技有限公司 | 一种特定场景自动抓拍方法 |
CN111986155A (zh) * | 2020-07-20 | 2020-11-24 | 广州润普网络科技有限公司 | 一种通用场景文字识别方法及装置 |
CN112100124A (zh) * | 2020-09-17 | 2020-12-18 | 上海箱云物流科技有限公司 | 一种基于ocr识别的集装箱信息自动归档方法 |
CN112287898A (zh) * | 2020-11-26 | 2021-01-29 | 深源恒际科技有限公司 | 一种图像的文本检测质量评价方法及系统 |
CN112766795A (zh) * | 2021-01-29 | 2021-05-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊智能信息管理方法及系统 |
CN112801132A (zh) * | 2020-12-28 | 2021-05-14 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
CN113344056A (zh) * | 2021-05-31 | 2021-09-03 | 北京邮电大学 | 一种人员移动性预测模型的训练方法及装置 |
CN113435437A (zh) * | 2021-06-24 | 2021-09-24 | 随锐科技集团股份有限公司 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
CN111967404B (zh) * | 2020-08-20 | 2024-05-31 | 苏州凝眸物联科技有限公司 | 一种特定场景自动抓拍方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835098A (zh) * | 2015-05-15 | 2015-08-12 | 上海翼依信息技术有限公司 | 一种病历电子数据识别方法及系统 |
CN107644415A (zh) * | 2017-09-08 | 2018-01-30 | 众安信息技术服务有限公司 | 一种文本图像质量评估方法及设备 |
CN110008960A (zh) * | 2019-03-29 | 2019-07-12 | 厦门商集网络科技有限责任公司 | 一种检测字符片段完整性的方法及终端 |
CN110210433A (zh) * | 2019-06-10 | 2019-09-06 | 南京大学 | 一种基于深度学习的集装箱箱号检测与识别方法 |
CN110378654A (zh) * | 2019-07-25 | 2019-10-25 | 上海箱云物流科技有限公司 | 集装箱云上智能协享的物流平台 |
-
2019
- 2019-12-27 CN CN201911375186.8A patent/CN111127452A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835098A (zh) * | 2015-05-15 | 2015-08-12 | 上海翼依信息技术有限公司 | 一种病历电子数据识别方法及系统 |
CN107644415A (zh) * | 2017-09-08 | 2018-01-30 | 众安信息技术服务有限公司 | 一种文本图像质量评估方法及设备 |
CN110008960A (zh) * | 2019-03-29 | 2019-07-12 | 厦门商集网络科技有限责任公司 | 一种检测字符片段完整性的方法及终端 |
CN110210433A (zh) * | 2019-06-10 | 2019-09-06 | 南京大学 | 一种基于深度学习的集装箱箱号检测与识别方法 |
CN110378654A (zh) * | 2019-07-25 | 2019-10-25 | 上海箱云物流科技有限公司 | 集装箱云上智能协享的物流平台 |
Non-Patent Citations (1)
Title |
---|
怀石工作室, 中国电力出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626992A (zh) * | 2020-05-13 | 2020-09-04 | 苏州凝眸物联科技有限公司 | 一种智能道口验箱方法 |
CN111932500B (zh) * | 2020-07-10 | 2023-10-13 | 泰康保险集团股份有限公司 | 一种图像处理方法及装置 |
CN111932500A (zh) * | 2020-07-10 | 2020-11-13 | 泰康保险集团股份有限公司 | 一种图像处理方法及装置 |
CN111986155A (zh) * | 2020-07-20 | 2020-11-24 | 广州润普网络科技有限公司 | 一种通用场景文字识别方法及装置 |
CN111967404A (zh) * | 2020-08-20 | 2020-11-20 | 苏州凝眸物联科技有限公司 | 一种特定场景自动抓拍方法 |
CN111967404B (zh) * | 2020-08-20 | 2024-05-31 | 苏州凝眸物联科技有限公司 | 一种特定场景自动抓拍方法 |
CN112100124A (zh) * | 2020-09-17 | 2020-12-18 | 上海箱云物流科技有限公司 | 一种基于ocr识别的集装箱信息自动归档方法 |
CN112287898A (zh) * | 2020-11-26 | 2021-01-29 | 深源恒际科技有限公司 | 一种图像的文本检测质量评价方法及系统 |
CN112801132A (zh) * | 2020-12-28 | 2021-05-14 | 泰康保险集团股份有限公司 | 一种图像处理方法和装置 |
CN112801132B (zh) * | 2020-12-28 | 2024-01-02 | 泰康同济(武汉)医院 | 一种图像处理方法和装置 |
CN112766795A (zh) * | 2021-01-29 | 2021-05-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊智能信息管理方法及系统 |
CN112766795B (zh) * | 2021-01-29 | 2024-05-07 | 长兴云尚科技有限公司 | 一种基于云端处理的管廊智能信息管理方法及系统 |
CN113344056B (zh) * | 2021-05-31 | 2022-11-22 | 北京邮电大学 | 一种人员移动性预测模型的训练方法及装置 |
CN113344056A (zh) * | 2021-05-31 | 2021-09-03 | 北京邮电大学 | 一种人员移动性预测模型的训练方法及装置 |
CN113435437A (zh) * | 2021-06-24 | 2021-09-24 | 随锐科技集团股份有限公司 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127452A (zh) | 一种基于云端处理的集装箱智能ocr识别方法 | |
WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
CN110610166B (zh) | 文本区域检测模型训练方法、装置、电子设备和存储介质 | |
WO2018150812A1 (en) | Balancing active learning | |
US8406535B2 (en) | Invariant visual scene and object recognition | |
CN110309843B (zh) | 一种电力设备图像中多类部件的自动识别方法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN111881958A (zh) | 车牌分类识别方法、装置、设备及存储介质 | |
CN110728307A (zh) | 自生成数据集与标签实现x光影像图小样本字符识别方法 | |
CN108830236A (zh) | 一种基于深度特征的行人重识别方法 | |
CN114781514A (zh) | 一种融合注意力机制的漂浮物目标检测方法及系统 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN111311545A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN117495065B (zh) | 一种仓储机器人视觉识别的设备智能调度方法 | |
CN111639069A (zh) | 一种信息增强方法及信息增强系统 | |
CN109543571B (zh) | 一种面向复杂产品异形加工特征的智能识别与检索方法 | |
CN116524357A (zh) | 高压线路鸟巢检测方法、模型训练方法、装置及设备 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
CN115797291A (zh) | 回路端子的识别方法、装置、计算机设备和存储介质 | |
CN114155471A (zh) | 设计图纸与实物的核验方法、装置、计算机设备和系统 | |
CN114663751A (zh) | 一种基于增量学习技术的输电线路缺陷识别方法和系统 | |
CN114120057A (zh) | 一种基于PaddleDetection的混淆矩阵生成方法 | |
CN107193965A (zh) | 一种基于BoVW算法的快速室内定位方法 | |
CN112016515A (zh) | 一种档案柜空位检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |