CN111222355A - Pcb板上的条码定位方法及系统 - Google Patents
Pcb板上的条码定位方法及系统 Download PDFInfo
- Publication number
- CN111222355A CN111222355A CN201911387776.2A CN201911387776A CN111222355A CN 111222355 A CN111222355 A CN 111222355A CN 201911387776 A CN201911387776 A CN 201911387776A CN 111222355 A CN111222355 A CN 111222355A
- Authority
- CN
- China
- Prior art keywords
- bar code
- model
- pcb
- scale
- frames
- 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 27
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 230000001629 suppression Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种PCB板上的条码定位方法，对图片进行多尺度缩放，获得多个尺度下的图片；使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；将候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。本发明从卷积神经网络结构优化、检测流程优化、训练样本准备，兼顾资源消耗和检测性能表现，针对pcb板上的条码区域进行定位，使条码定位准确率较高，同时平均时间消耗较短。
Description
技术领域
本发明涉及图像识别技术领域，特别涉及一种PCB板上的条码定位方法及系统。
背景技术
作为重要的电子连接件，PCB板几乎用在了所有的电子产品上，而PCB板的信息追溯是电子行业发展中不可或缺的一环。目前，主要通过激光打码的方式，将带有溯源信息的二维码，特别是DM码，刻在PCB板上。通过读取设备自动读取DM二维码条码，首先需要对DM二维码条码进行定位。
普通场景的DM二维码条码定位主要根据条码的特征，人工提取相关规则，通过传统的图像行扫描、形态学滤波、边缘检测等图像处理技术以获得条码区域，具有速度快、硬件资源消耗低的优点。然而在PCB板这种场景中，如附图1所示，由于PCB上有大量的电子元器件，其横竖形状与条码特征极为相似，利用传统的特征搜索方式，会寻找到大量的条码候选框，时间消耗急剧上升，误检率也高。此外，由于候选框数量庞大，往往也会使得真正的条码区域被舍弃，造成漏检率高，传统方法失效。
发明内容
本发明要解决的技术问题是如何提供一种快速、定位准确的PCB板上的条码定位方法及系统。
为了解决上述技术问题，本发明的技术方案为：
一方面，本发明提出了一种PCB板上的条码定位方法，包括步骤：
采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；
使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；
将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；
将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。
优选地，所述模型二的网络深度比所述模型一的网络深度深。
优选地，所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。
优选地，所述阈值二的值小于阈值一的值。
优选地，所述模型一的卷积神经网络为全卷积网络。
另一方面，本发明还提出一种PCB板上的条码定位系统，包括：
采集模块：采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；
模型一：使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；
第一筛选模块：将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
模型二：将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；
第二筛选模块：将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。
优选地，所述模型二的网络深度比所述模型一的网络深度深。
优选地，所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。
优选地，所述阈值二的值小于阈值一的值。
优选地，所述模型一的卷积神经网络为全卷积网络。
采用上述技术方案，对所述图片进行多尺度缩放，获得多个尺度下的图片；使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。本发明从卷积神经网络结构优化、检测流程优化、训练样本准备，兼顾资源消耗和检测性能表现，针对pcb板上的条码区域进行定位，使条码定位准确率较高，同时平均时间消耗较短。
附图说明
图1为背景技术中的PCB板照片；
图2为本发明PCB板上的条码定位方法一实施例的步骤流程图；
图3为本发明中模型一网络模型结构图；
图4为本发明中模型二网络模型结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种PCB板上的条码定位方法，包括步骤：
S10：采集PCB板的图片，对图片进行多尺度缩放，获得多个尺度下的图片；
S20：使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框，模型一的卷积神经网络为全卷积网络；
S30：将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
S40：将候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框，模型二的网络深度比模型一的网络深度深；模型二训练时，添加了模型二中误检的负样本以及模型一中误检的负样本，以进行困难样本的学习。阈值二的值小于阈值一的值。
S50：将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。
本发明另一实施例中，以DM二维码条码为例，通过摄像头采集图片，具体的定位包括以下步骤。
第一步，通过摄像头采集PCB板图片，摄像头不限于使用彩色RGB摄像头或者是灰度摄像头。
第二部，对采集的图片进行多尺度缩放。
条码大小不定，拍摄的距离也不定，在图片中的大小不一，因此对图片进行多尺度缩放，可以适应不同大小的条码，这里会根据图片的大小[w,h],以及缩放因子s,估摸的最小条码尺寸minW,以及预测模型一网络输入[m,m]来定义缩放次数，缩放次数
第i次的缩放比例
本实施例中设缩放因子s＝0.8,而估摸的最小条码尺寸，会根据图库最小条码的尺寸进行设计，这里minW为40，本发明实施例中预测预测模型一的输入m为16。
第三步，将每个尺度下的图片输入训练好的模型一进行预测，并输出概率值大于阈值的候选框。
为了加快检测的速度，本发明实施例中这一步骤中的深度学习模型一满足两个条件：
一、卷积神经网络为全卷积网络，这样，使得网络可以适应不同输入尺寸的图片大小
二、深度学习模型一的网络深度比较浅，同时卷积核也比较小，使用3*3大小的卷积核。
本实施例通过这样的设计，使得网络的硬件资源消耗少，前向推理时间也少，能快速获得大量的候选条码框。
参照图3，本模型一包含输入输出层，共有7层，
第一层，输入层，大小为16*16，RGB3通道，
第二层，卷积层，卷积核大小3*3,输出feature map大小16，每个feature map尺寸14*14，
第三层，max-pool下采样层，采样大小2*2，输出7*7*16，
第四层，卷积层，卷积核大小3*3，输出feature map大小32，每个feature map尺寸5*5，
第五层，卷积层，卷积核大小3*3，输出feature map大小64，每个feature map尺寸3*3，
第六层，卷积层，卷积核大小3*3，输出feature map大小32，每个feature map尺寸1*1，
第七层，输出层，卷积核大小3*3.输出feature map大小2，每个feature map尺寸1*1，
使用3*3的卷积核，可以减少计算量，同时在卷积层与卷积层之间使用PReLu作为非线性激活函数。
模型的训练需要大量的样本，同时为了尽可能的适应不同环境场景下的泛化性，本实施例中的样本生成方式如下：
在不同的地点环境、不同的灯光环境、不同的角度、距离采集大量PCB板二维码图像，并进行人工标注，框出条码框的位置。
为提高泛化性，本实施例将在人工标注框的附近，进行x、y方向小范围偏移，使之产生更多的正样本，这里认为与人工标注的条码框IOU(交并比，intersection overunion)在0.7以上，就算正样本。
为提高泛化性，本实施例在生成样本时，会对原图像进行模糊、对比度变换等操作。
为提高泛化性，本实施例的负样本与正样本的比例4:1，这样的负样本判定方法为，与人工标注的条码框IOU在0.4以下。
有了网络结构、训练样本，本实施例采用开源深度学习框架,如caffe\tensorflow进行训练，生成我们的深度学习模型一，并利用训练深度学习模型一对PCB板条码区域进行预测，输出大于一定阈值的候选条码框，这里设阈值为0.6。
步骤四，利用NMS非极大值抑制算法对检测条码框进行融合，输出候选的条码检测框。
NMS非极大值抑制算法，就是抑制不是极大值的候选框，在目标检测中，经常使用该方法来快速去掉重合度很高且定位相对不准确的预测框，这里利用NMS算法，对大量的重叠候选框进行去重，保留阈值比较高的候选框，这里设置NMS抑制的IOU阈值为0.7，即对于IOU相交0.7以上的候选框，仅保留预测阈值最大的候选框。
步骤五，将步骤四生成的候选条码框输入深度学习模型二进行预测，保留大于一定阈值的预测框
在步骤三中，我们设计了深度较浅、卷积核为3的全卷积网络来快速生成的候选条码框，然由于网络小，往往提取的特征比较浅层，会有大量的非条码框，因此这一步设计一个较深较复杂的卷积神经网络来提取更复杂的条码特征，以筛选条码框，同时由于上一步的候选框的数量已经大大减少，因此虽然网络深，但这一步的时间消耗也不会太大。
参照图4，模型二包含输入输出层，共有10层，
第一层，输入层，大小为48*48，RGB 3通道，
第二层，卷积层，卷积核大小3*3,输出feature map大小32，每个feature map尺寸46*46，
第三层，max-pool下采样层，采样大小3*3，输出23*23*32，
第四层，卷积层，卷积核大小3*3，输出feature map大小64，每个feature map尺寸21*21，
第五层，max-pool下采样层，采样大小3*3，输出10*10*64，
第六层，卷积层，卷积核大小3*3，输出feature map大小64，每个feature map尺寸8*8，
第七层，max-pool下采样层，采样大小2*2，输出5*5*64，
第八层，卷积层，卷积核大小2*2，输出feature map大小128，每个feature map尺寸3*3，
第九层，全连接层，输出feature map大小256，每个feature map尺寸1*1，
第十层，全连接层，输出层，输出feature map大小2，每个feature map尺寸1*1，在卷积层与卷积层之间使用PReLu作为非线性激活函数。
本发明实施例中模型二的训练样本，与模型一的训练样本相似，不同的只是在图片的尺寸上的不同。利用训练好的卷积神经网络模型二,就可以对候选框进行二分类，输出大于一定阈值的候选框，这里设定的阈值范围为>0.8。
模型二的预测结果关系到最终的候选条码检测情况，因此对于模型二的优化中，会添加模型二误检的负样本以及模型一中误检的负样本进行困难样本的学习，增强模型二对负样本的学习能力，减少误检框。
步骤六，利用NMS非极大值抑制算法对候选框进行融合，生成最后的条码检测框
此步骤类似步骤四的NMS操作，意在去掉重叠的候选框，与步骤四不同的是，经过模型二的预测，其预测概率值会发生变化，同时为了使输出的条码进一步减少重叠，这里设定的NMS抑制IOU阈值会比步骤四的低，这里设定为0.5，即IOU阈值为0.5时就会进行抑制。
另一方面，本发明还提出一种PCB板上的条码定位系统，包括：
采集模块：采集PCB板的图片，对图片进行多尺度缩放，获得多个尺度下的图片；
模型一：使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；
第一筛选模块：将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
模型二：将候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；
第二筛选模块：将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。
具体地，模型一的卷积神经网络为全卷积网络。
具体地，模型二的网络深度比模型一的网络深度深。
具体地，模型二训练时，添加了模型二中误检的负样本以及模型一中误检的负样本，以进行困难样本的学习。
具体地，阈值二的值小于阈值一的值。
本发明从卷积神经网络结构优化、检测流程优化、训练样本准备，兼顾资源消耗和检测性能表现，针对pcb板上的条码区域进行定位，使条码定位准确率较高，同时平均时间消耗较短。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。
Claims (10)
1.一种PCB板上的条码定位方法，其特征在于，包括步骤：
采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；
使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；
将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；
将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。
2.根据权利要求1所述的PCB板上的条码定位方法，其特征在于：所述模型二的网络深度比所述模型一的网络深度深。
3.根据权利要求1所述的PCB板上的条码定位方法，其特征在于：所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。
4.根据权利要求1所述的PCB板上的条码定位方法，其特征在于：所述阈值二的值小于阈值一的值。
5.根据权利要求1至4任一项所述的PCB板上的条码定位方法，其特征在于：所述模型一的卷积神经网络为全卷积网络。
6.一种PCB板上的条码定位系统，其特征在于，包括：
采集模块：采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；
模型一：使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；
第一筛选模块：将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
模型二：将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；
第二筛选模块：将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。
7.根据权利要求6所述的PCB板上的条码定位系统，其特征在于：所述模型二的网络深度比所述模型一的网络深度深。
8.根据权利要求6所述的PCB板上的条码定位系统，其特征在于：所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。
9.根据权利要求6所述的PCB板上的条码定位系统，其特征在于：所述阈值二的值小于阈值一的值。
10.根据权利要求6至9任一项所述的PCB板上的条码定位系统，其特征在于：所述模型一的卷积神经网络为全卷积网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911387776.2A CN111222355A (zh) | 2019-12-30 | 2019-12-30 | Pcb板上的条码定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911387776.2A CN111222355A (zh) | 2019-12-30 | 2019-12-30 | Pcb板上的条码定位方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111222355A true CN111222355A (zh) | 2020-06-02 |
Family
ID=70811338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911387776.2A Pending CN111222355A (zh) | 2019-12-30 | 2019-12-30 | Pcb板上的条码定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222355A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783784A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(合肥)科技有限公司 | 建筑的空洞检测方法及装置、电子设备、存储介质 |
| CN115329795A (zh) * | 2022-10-17 | 2022-11-11 | 北京搜狐新动力信息技术有限公司 | 一种识别二维码的方法及装置 |
| CN118468915A (zh) * | 2024-07-10 | 2024-08-09 | 杭州智源电子有限公司 | 生产信息追溯方法、装置、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180173994A1 (en) * | 2016-12-15 | 2018-06-21 | WaveOne Inc. | Enhanced coding efficiency with progressive representation |
| CN108920992A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 一种基于深度学习的医药标签条码的定位与识别方法 |
| CN109858305A (zh) * | 2019-01-17 | 2019-06-07 | 柳州康云互联科技有限公司 | 一种基于深度学习的二维码定位识别系统及方法 |
| CN110427793A (zh) * | 2019-08-01 | 2019-11-08 | 厦门商集网络科技有限责任公司 | 一种基于深度学习的条码检测方法及其系统 |
| CN110490022A (zh) * | 2019-08-23 | 2019-11-22 | 京东数字科技控股有限公司 | 一种识别图片中的条形码方法及装置 |
-
2019
- 2019-12-30 CN CN201911387776.2A patent/CN111222355A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180173994A1 (en) * | 2016-12-15 | 2018-06-21 | WaveOne Inc. | Enhanced coding efficiency with progressive representation |
| CN108920992A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 一种基于深度学习的医药标签条码的定位与识别方法 |
| CN109858305A (zh) * | 2019-01-17 | 2019-06-07 | 柳州康云互联科技有限公司 | 一种基于深度学习的二维码定位识别系统及方法 |
| CN110427793A (zh) * | 2019-08-01 | 2019-11-08 | 厦门商集网络科技有限责任公司 | 一种基于深度学习的条码检测方法及其系统 |
| CN110490022A (zh) * | 2019-08-23 | 2019-11-22 | 京东数字科技控股有限公司 | 一种识别图片中的条形码方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张曼等: "基于卷积神经网络的条形码定位技术研究", 《网络新媒体技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783784A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(合肥)科技有限公司 | 建筑的空洞检测方法及装置、电子设备、存储介质 |
| CN115329795A (zh) * | 2022-10-17 | 2022-11-11 | 北京搜狐新动力信息技术有限公司 | 一种识别二维码的方法及装置 |
| CN118468915A (zh) * | 2024-07-10 | 2024-08-09 | 杭州智源电子有限公司 | 生产信息追溯方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
| EP3309703B1 (en) | Method and system for decoding qr code based on weighted average grey method | |
| CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
| CN110008956B (zh) | 发票关键信息定位方法、装置、计算机设备及存储介质 | |
| CN111222355A (zh) | Pcb板上的条码定位方法及系统 | |
| CN113012059B (zh) | 一种文字图像的阴影消除方法、装置及电子设备 | |
| CN112507876B (zh) | 一种基于语义分割的有线表格图片解析方法和装置 | |
| CN111553349B (zh) | 一种基于全卷积网络的场景文本定位与识别方法 | |
| CN115131797B (zh) | 一种基于特征增强金字塔网络的场景文本检测方法 | |
| CN111079638A (zh) | 基于卷积神经网络的目标检测模型训练方法、设备和介质 | |
| US20170018106A1 (en) | Method and device for processing a picture | |
| CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
| CN110009615B (zh) | 图像角点的检测方法及检测装置 | |
| CN115908988B (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN113033558A (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
| CN114067339A (zh) | 图像识别方法及其装置、电子设备、计算机可读存储介质 | |
| Salunkhe et al. | Recognition of multilingual text from signage boards | |
| CN117423040A (zh) | 一种基于改进YOLOv8的无人垃圾清扫车视觉垃圾识别方法 | |
| CN117218672A (zh) | 一种基于深度学习的病案文字识别方法及系统 | |
| CN101567088B (zh) | 一种运动物体检测的方法和装置 | |
| CN114565764A (zh) | 基于舰船实例分割的港口全景感知系统 | |
| Rani et al. | Object Detection in Natural Scene Images Using Thresholding Techniques | |
| CN114596242A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
| Tao et al. | Measurement algorithm of notch length of plastic parts based on video | |
| CN118379696B (zh) | 一种船舶目标检测方法、装置及可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |