CN111310509A - 基于物流运单的实时条码检测系统及方法 - Google Patents

基于物流运单的实时条码检测系统及方法 Download PDF

Info

Publication number
CN111310509A
CN111310509A CN202010171578.9A CN202010171578A CN111310509A CN 111310509 A CN111310509 A CN 111310509A CN 202010171578 A CN202010171578 A CN 202010171578A CN 111310509 A CN111310509 A CN 111310509A
Authority
CN
China
Prior art keywords
bar code
picture
real
loss function
boundary
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
Application number
CN202010171578.9A
Other languages
English (en)
Inventor
康恒
代腾宇
毛振宇
黄雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202010171578.9A priority Critical patent/CN111310509A/zh
Publication of CN111310509A publication Critical patent/CN111310509A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06K7/146—Methods for optical code recognition the method including quality enhancement steps
    • G06K7/1482—Methods for optical code recognition the method including quality enhancement steps using fuzzy logic or natural solvers, such as neural networks, genetic algorithms and simulated annealing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Toxicology (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及条码检测技术领域，具体涉及一种基于物流运单的实时条码检测系统及方法，本发明获取条码图片信息，并通过Block1来快速的缩小图片的大小；对压缩后的图片利用Block2进行特征提取；通过特征增强模块进行两个阶段的融合；对条码图片加入边界信息的学习；利用混合损失函数对边界信息进行预测，输出结果；本发明提供一种轻量级的全卷积骨干网络，特征增强模块，将不同层的特征进行融合，将混合损失函数首次引入到条码检测中，将边界学习引入到条码检测中，对条码识别达到了很快的速度和精度。

Description

基于物流运单的实时条码检测系统及方法
技术领域
本发明涉及条码检测技术领域，具体涉及一种基于物流运单的实时条码检测系统及方法。
背景技术
自从1960年以来，人们已经发明了很多种不同类型的条码，条码应用在不同的行业领域之间，并且都取得了很大的成功。条形码在现代社会中逐渐变的不可或缺。
当前的技术发展下，有两种主流的条码识别方式：一种是条码激光枪，另一种是普通的摄像头。条码激光枪经过多年的发展，技术上已经非常成熟，但是它有两个缺点：1)就是无法同时读取多个条码2)它无法从屏幕上解码条码，因为它很严重的依赖激光的反射光。普通的摄像头识别条形码是一个简单应用程序，它几乎可以胜任所有的条码检测。目前在大多数条码识别的应用中，仍然需要人工的干预。例如在微信扫一扫中，我们需要手握手机，定位条形码到一个粗略的范围。另外大多数应用其实没有同时解码多个条形码，在使用过程中和手持条码激光枪的使用方法类似，无法提高解码效率。
随着自动化物流技术的发展，对条码定位技术做出了新的要求。传统的条码定位需要人工的干预，这种方式的条码定位在分拣系统中是无法满足无人干预的需求。所以一种新的无人干预的、速度快的、精度高的条码定位技术在自动化物流分拣中是必须的。
发明内容
针对现有技术的不足，本发明主要是提出一种基于物流运单的实时条码检测系统及方法，为一种新的无人干预的、速度快的、精度高的条码定位技术，结合当前深度学习技术的发展，用于各个行业。
本发明通过以下技术方案予以实现：
第一方面，本发明公开一种基于物流运单的实时条码检测系统，包括
轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；
特征增强模块，对feature map进行融合；
边界学习模块，用于边界学习；
函数执行模块，用于执行函数。
更进一步的，所述轻量级的骨干网络模块由12个block堆叠而成，其中Block1总共有三层用来快速的缩小图片的大小，Block2总共有7层进行特征提取。
更进一步的，所述Block1包括convolution层、BN层、relu层，所述Block2包括convolution层、BN层、relu层、convolution层、BN层、，convolution层、BN层、relu层。
更进一步的，所述特征增强模块包含两个融合阶段：
1)第一阶段是将1:16feature map和1:8feature map进行融合
2)第二阶段是将1:8feature map和1:4feature map进行融合。
更进一步的，所述特征增强模块经过第一阶段和第二阶段，最终得到1:4、1:8、1:16三种不同的feature map，然后按照两个融合阶段，依次进行迭代。
第二方面，本发明公开一种基于物流运单的实时条码检测方法，所述方法使用第一方面所述的基于物流运单的实时条码检测系统，其特征在于，所述方法包括以下步骤：
S1获取条码图片信息，并通过Block1来快速的缩小图片的大小；
S2对压缩后的图片利用Block2进行特征提取；
S3通过特征增强模块进行两个阶段的融合；
S4对条码图片加入边界信息的学习；
S5利用混合损失函数对边界信息进行预测，输出结果。
更进一步的，所述混合损失函数中，总的损失函数为
lbarcode＝ldice_loss+λ1lfocal_loss (0.4)
lborder＝lfocal_loss (0.5)
ltotal＝lbarcode+λ2lborder (0.6)
其中ltotal表示总的损失函数，lbarcode表示条码区域损失函数，lborder表示边界损失函数，λ1,λ2表示两个独立系数，在训练过程中用于调参。
更进一步的，所述边界学习能区分连个粘连的条码，并进一步的提高预测的准确度。
本发明的有益效果为：
本发明提供一种轻量级的全卷积骨干网络，特征增强模块，将不同层的特征进行融合，将混合损失函数首次引入到条码检测中，将边界学习引入到条码检测中，对条码识别达到了很快的速度和精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明特征增强模块原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例1
本实施例公开一种基于物流运单的实时条码检测系统，包括
轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；
特征增强模块，对feature map进行融合；
边界学习模块，用于边界学习；
函数执行模块，用于执行函数。
轻量级的骨干网络模块由12个block堆叠而成，其中Block1总共有三层用来快速的缩小图片的大小，Block2总共有7层进行特征提取。
Block1包括convolution层、BN层、relu层，所述Block2包括convolution层、BN层、relu层、convolution层、BN层、，convolution层、BN层、relu层。
如图1所示特征增强模块包含两个融合阶段：
1)第一阶段是将1:16feature map和1:8feature map进行融合
2)第二阶段是将1:8feature map和1:4feature map进行融合。
特征增强模块经过第一阶段和第二阶段，最终得到1:4、1:8、1:16三种不同的feature map，然后按照两个融合阶段，依次进行迭代。
当条码实例特别靠近的时候，神经网络容易在边界处判断失误，这种错误很多时候都是由于在制作条码标注的时候不够规范。为了解决边界像素的问题，我们不仅仅要检测条码区域，而且也要检测边界区域。边界信息对条码检测来讲，有着两方面的意义：1)边界学习能很好的区分连个粘连的条码2)边界部分的学习能够进一步的提高预测的准确度。加入边界信息的学习之后，我们的网络输出的条码区域会更加的准确，这样经过很小的后处理就可以得到我们的最终结果。
实施例2
本实施例公开一种基于物流运单的实时条码检测方法，所述方法使用第一实施例所述的基于物流运单的实时条码检测系统，所述方法包括以下步骤：
S1获取条码图片信息，并通过Block1来快速的缩小图片的大小；
S2对压缩后的图片利用Block2进行特征提取；
S3通过特征增强模块进行两个阶段的融合；
S4对条码图片加入边界信息的学习；
S5利用混合损失函数对边界信息进行预测，输出结果。
所述混合损失函数中，总的损失函数为
lbarcode＝ldice_loss+λ1lfocal_loss (0.7)
lborder＝lfocal_loss (0.8)
ltotal＝lbarcode+λ2lborder (0.9)
其中ltotal表示总的损失函数，lbarcode表示条码区域损失函数，lborder表示边界损失函数，λ1,λ2表示两个独立系数，在训练过程中用于调参。
在语义分割中，小目标的学习一直是一个挑战。从训练的角度来看，这是由于数据的分布不均造成的。Dice loss能够在一定程度上解决数据分布不均的问题，但是diceloss在极小目标的检测中会遇到训练不稳定的因素。这是由dice loss损失函数决定的，所以综合上面考虑，我们提出一种混合损失函数。边界的预测我们交给混合损失函数，条码区域的预测我们交给dice loss。
我们算法的检测效果在不同分辨率下的速度和精度如下表格所示，在长边为640的时候，我们的推理速度大概为20张图每秒。在长边为840时候大概为15张图每秒。F-measure指标大概提高了4个百分点。如表格1所示，我们可以看到在加入边界学习之后和没有加入边界学习的时候，我们得到最终结果的不同。
Figure BDA0002409369290000051
Figure BDA0002409369290000061
Table 2The evaluations of our methods.
Long side precision recall f-measure Inference time
840 96.82％ 96.73 96.78％ 0.08s
720 97.01％ 93.56％ 95.25％ 0.07s
640 96.25％ 88.95％ 92.45％ 0.05s
本发明实施例提供一种轻量级的全卷积骨干网络，特征增强模块，将不同层的特征进行融合，将混合损失函数首次引入到条码检测中，将边界学习引入到条码检测中，对条码识别达到了很快的速度和精度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于物流运单的实时条码检测系统，其特征在于，包括
轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；
特征增强模块，对feature map进行融合；
边界学习模块，用于边界学习；
函数执行模块，用于执行函数。
2.根据权利要求1所述的基于物流运单的实时条码检测系统，其特征在于，所述轻量级的骨干网络模块由12个block堆叠而成，其中Block1总共有三层用来快速的缩小图片的大小，Block2总共有7层进行特征提取。
3.根据权利要求2所述的基于物流运单的实时条码检测系统，其特征在于，所述Block1包括convolution层、BN层、relu层，所述Block2包括convolution层、BN层、relu层、convolution层、BN层、，convolution层、BN层、relu层。
4.根据权利要求1所述的基于物流运单的实时条码检测系统，其特征在于，所述特征增强模块包含两个融合阶段：
1)第一阶段是将1:16 feature map和1:8 feature map进行融合
2)第二阶段是将1:8 feature map和1:4 feature map进行融合。
5.根据权利要求4所述的基于物流运单的实时条码检测系统，其特征在于，所述特征增强模块经过第一阶段和第二阶段，最终得到1:4、1:8、1:16三种不同的feature map，然后按照两个融合阶段，依次进行迭代。
6.一种基于物流运单的实时条码检测方法，所述方法使用如权利要求1-5所述任一项的基于物流运单的实时条码检测系统，其特征在于，所述方法包括以下步骤：
S1获取条码图片信息，并通过Block1来快速的缩小图片的大小；
S2对压缩后的图片利用Block2进行特征提取；
S3通过特征增强模块进行两个阶段的融合；
S4对条码图片加入边界信息的学习；
S5利用混合损失函数对边界信息进行预测，输出结果。
7.根据权利要求6所述的基于物流运单的实时条码检测方法，其特征在于，所述混合损失函数中，总的损失函数为
lbarcode＝ldice_loss+λ1lfocal_loss (0.1)
lborder＝lfocal_loss (0.2)
ltotal＝lbarcode+λ2lborder (0.3)
其中ltotal表示总的损失函数，lbarcode表示条码区域损失函数，lborder表示边界损失函数，λ1,λ2表示两个独立系数，在训练过程中用于调参。
8.根据权利要求6所述的基于物流运单的实时条码检测方法，其特征在于，所述边界学习能区分连个粘连的条码，并进一步的提高预测的准确度。
CN202010171578.9A 2020-03-12 2020-03-12 基于物流运单的实时条码检测系统及方法 Pending CN111310509A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010171578.9A CN111310509A (zh) 2020-03-12 2020-03-12 基于物流运单的实时条码检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010171578.9A CN111310509A (zh) 2020-03-12 2020-03-12 基于物流运单的实时条码检测系统及方法

Publications (1)

Publication Number Publication Date
CN111310509A true CN111310509A (zh) 2020-06-19

Family

ID=71147603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010171578.9A Pending CN111310509A (zh) 2020-03-12 2020-03-12 基于物流运单的实时条码检测系统及方法

Country Status (1)

Country Link
CN (1) CN111310509A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578464A (zh) * 2022-12-07 2023-01-06 深圳思谋信息科技有限公司 条码识别方法、装置、计算机设备及可读存储介质

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882204A (zh) * 2010-06-01 2010-11-10 福建新大陆电脑股份有限公司 一种矩阵式二维条码搜索方法
US20150278642A1 (en) * 2014-04-01 2015-10-01 Superfish Ltd. Neural network image representation
CN107341523A (zh) * 2017-07-13 2017-11-10 浙江捷尚视觉科技股份有限公司 基于深度学习的快递单信息识别方法和系统
CN107617573A (zh) * 2017-09-30 2018-01-23 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流编码识别和分拣方法
CN108241860A (zh) * 2018-01-23 2018-07-03 佛山市顺德区中山大学研究院 一种复杂环境下的qr码检测定位方法
CN108319972A (zh) * 2018-01-18 2018-07-24 南京师范大学 一种针对图像语义分割的端到端差异网络学习方法
CN108416412A (zh) * 2018-01-23 2018-08-17 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流复合码识别方法
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
CN109165538A (zh) * 2018-07-18 2019-01-08 北京飞搜科技有限公司 基于深度神经网络的条形码检测方法及装置
CN109711413A (zh) * 2018-12-30 2019-05-03 陕西师范大学 基于深度学习的图像语义分割方法
CN109741346A (zh) * 2018-12-30 2019-05-10 上海联影智能医疗科技有限公司 感兴趣区域提取方法、装置、设备及存储介质
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
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
CN109886186A (zh) * 2019-02-18 2019-06-14 上海骏聿数码科技有限公司 一种人脸识别方法及装置
CN110097049A (zh) * 2019-04-03 2019-08-06 中国科学院计算技术研究所 一种自然场景文本检测方法及系统
CN110287747A (zh) * 2019-07-01 2019-09-27 深圳江行联加智能科技有限公司 一种基于端到端深度网络的条形码检测方法
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
CN110427821A (zh) * 2019-06-27 2019-11-08 高新兴科技集团股份有限公司 一种基于轻量级卷积神经网络的人脸检测方法及系统
CN110580302A (zh) * 2019-08-13 2019-12-17 天津大学 一种基于半异构联合嵌入网络的草图图像检索方法
CN110795955A (zh) * 2019-07-30 2020-02-14 广东工业大学 一种快速识别多条码的系统及其方法
CN110852317A (zh) * 2019-09-16 2020-02-28 浙江工业大学 一种基于弱边缘的小尺度目标检测方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882204A (zh) * 2010-06-01 2010-11-10 福建新大陆电脑股份有限公司 一种矩阵式二维条码搜索方法
US20150278642A1 (en) * 2014-04-01 2015-10-01 Superfish Ltd. Neural network image representation
CN107341523A (zh) * 2017-07-13 2017-11-10 浙江捷尚视觉科技股份有限公司 基于深度学习的快递单信息识别方法和系统
CN107617573A (zh) * 2017-09-30 2018-01-23 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流编码识别和分拣方法
CN108319972A (zh) * 2018-01-18 2018-07-24 南京师范大学 一种针对图像语义分割的端到端差异网络学习方法
CN108241860A (zh) * 2018-01-23 2018-07-03 佛山市顺德区中山大学研究院 一种复杂环境下的qr码检测定位方法
CN108416412A (zh) * 2018-01-23 2018-08-17 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流复合码识别方法
CN109165538A (zh) * 2018-07-18 2019-01-08 北京飞搜科技有限公司 基于深度神经网络的条形码检测方法及装置
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
CN109741346A (zh) * 2018-12-30 2019-05-10 上海联影智能医疗科技有限公司 感兴趣区域提取方法、装置、设备及存储介质
CN109711413A (zh) * 2018-12-30 2019-05-03 陕西师范大学 基于深度学习的图像语义分割方法
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
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN109886186A (zh) * 2019-02-18 2019-06-14 上海骏聿数码科技有限公司 一种人脸识别方法及装置
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110097049A (zh) * 2019-04-03 2019-08-06 中国科学院计算技术研究所 一种自然场景文本检测方法及系统
CN110427821A (zh) * 2019-06-27 2019-11-08 高新兴科技集团股份有限公司 一种基于轻量级卷积神经网络的人脸检测方法及系统
CN110287747A (zh) * 2019-07-01 2019-09-27 深圳江行联加智能科技有限公司 一种基于端到端深度网络的条形码检测方法
CN110795955A (zh) * 2019-07-30 2020-02-14 广东工业大学 一种快速识别多条码的系统及其方法
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
CN110580302A (zh) * 2019-08-13 2019-12-17 天津大学 一种基于半异构联合嵌入网络的草图图像检索方法
CN110852317A (zh) * 2019-09-16 2020-02-28 浙江工业大学 一种基于弱边缘的小尺度目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUN JIA等: "EMBDN: An Efficient Multiclass Barcode", 《IEEE INTERNET OF THINGS JOURNAL》 *
周勉，刘秉瀚: "基于深度学习的多条形码检测与实现", 《信息技术与网络安全》 *
钱坤: "物流环境下二维条码动态图像质量检测关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578464A (zh) * 2022-12-07 2023-01-06 深圳思谋信息科技有限公司 条码识别方法、装置、计算机设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
US10095947B2 (en) Methods for mobile image capture of vehicle identification numbers in a non-document
JP5522408B2 (ja) パターン認識装置
Baró et al. Traffic sign recognition using evolutionary adaboost detection and forest-ECOC classification
JP2734386B2 (ja) 文字列読み取り装置
CN110909725A (zh) 识别文本的方法、装置、设备及存储介质
US20210081695A1 (en) Image processing method, apparatus, electronic device and computer readable storage medium
CN112115879B (zh) 一种遮挡敏感的自监督行人重识别方法及系统
CN110866930A (zh) 语义分割辅助标注方法与装置
CN110135889A (zh) 智能推荐书单的方法、服务器及存储介质
CN113221735A (zh) 基于多模态的扫描件段落结构还原方法、装置及相关设备
CN113723330A (zh) 一种图表文档信息理解的方法及系统
CN113971644A (zh) 基于数据增强策略选择的图像识别方法及装置
CN112712005A (zh) 识别模型的训练方法、目标识别方法及终端设备
US10217020B1 (en) Method and system for identifying multiple strings in an image based upon positions of model strings relative to one another
CN111310509A (zh) 基于物流运单的实时条码检测系统及方法
CN113610082A (zh) 一种字符识别方法及其相关设备
CN112614134A (zh) 图像分割方法、装置、电子设备及存储介质
CN116524261A (zh) 一种基于多模态小样本持续学习的图像分类方法及产品
CN113313720B (zh) 对象分割方法和装置
CN111008210B (zh) 商品识别方法、装置、编解码器及存储装置
Gu et al. Weakly supervised attention rectification for scene text recognition
Saidane et al. The image text recognition graph (iTRG)
CN113869131B (zh) 一种结构文本化营业执照图片的方法
CN115205757B (zh) 风险识别方法、装置、设备和存储介质

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

Application publication date: 20200619

RJ01 Rejection of invention patent application after publication