CN111353494A - 钢材编码识别系统及方法 - Google Patents
钢材编码识别系统及方法 Download PDFInfo
- Publication number
- CN111353494A CN111353494A CN202010274297.6A CN202010274297A CN111353494A CN 111353494 A CN111353494 A CN 111353494A CN 202010274297 A CN202010274297 A CN 202010274297A CN 111353494 A CN111353494 A CN 111353494A
- Authority
- CN
- China
- Prior art keywords
- image
- steel product
- product code
- identified
- code identification
- 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.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 247
- 239000010959 steel Substances 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 description 42
- 238000004891 communication Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 7
- 230000017525 heat dissipation Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000001023 inorganic pigment Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Image Analysis (AREA)
Abstract
一种钢材编码识别方法、钢材编码识别系统及其训练方法。该钢材编码识别方法包括:通过图像采集装置实时采集待识别图像,并对采集的各帧待识别图像分别进行识别处理;当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别物体以及物体的编号的位置;获取编号在待识别图像中的图中方向,并基于图中方向获得编号的朝向基准方向的编号图像;基于编号朝向基准方向的编号图像,获得编号朝向识别朝向的字符提取图像;在字符提取图像中提取编号对应的字符。该钢材编码识别方法可以实现钢材编号的自动识别,并提高了钢材编号识别的准确率。
Description
技术领域
本公开的实施例涉及一种钢材编码识别系统及方法、钢材编码识别系统的训练方法。
背景技术
图像识别技术也称为视觉识别技术,是指利用计算机对图像进行处理和分析,辨识物体的类别并做出判断。图像识别系统一般包括预处理、分析和识别三部分,预处理包括图像分割、图像增强、图像还原、图像重建和图像细化等诸多内容,图像分析主要指从预处理得到的图像中提取特征,最后分类器根据提取的特征对图像进行匹配分类,作出识别。
发明内容
本公开至少一实施例提供一种钢材编码识别方法,包括:通过图像采集装置实时采集待识别图像,并对采集的各帧待识别图像分别进行识别处理;当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别所述物体以及所述物体的编号的位置;获取所述编号在所述待识别图像中的图中方向,并基于所述图中方向获得所述编号的朝向基准方向的编号图像;基于所述编号朝向所述基准方向的所述编号图像,获得所述编号朝向识别朝向的字符提取图像;在所述字符提取图像中提取所述编号对应的字符。
例如,在本公开至少一实施例提供的钢材编码识别方法中,在所述编号的图中方向不是所述基准方向时,将所述编号旋转至朝向所述基准方向,以获得所述编号图像。
例如,在本公开至少一实施例提供的钢材编码识别方法中,使用分类模型识别所述编号图像中所述编号的朝向,基于所述编号的朝向,旋转所述编号图像至所述编号朝向所述识别朝向,以获得所述字符提取图像。
例如,在本公开至少一实施例提供的钢材编码识别方法中,所述分类模型包括Inception神经网络、卷积神经网络或深度残差网络。
例如,在本公开至少一实施例提供的钢材编码识别方法中,所述物体识别模型包括残差网络和特征金字塔网络。
例如,本公开至少一实施例提供的钢材编码识别方法还包括:调节所述待识别图像的亮度,并对所述待识别图像进行噪声过滤处理。
例如,本公开至少一实施例提供的钢材编码识别方法还包括:通过所述图像采集装置获取针对同一物体编号的至少两幅所述待识别图像;基于所述至少两幅待识别图像提取出的所述编号对应的字符以及所述物体的编号规则,确定所述编号对应的字符。
例如,本公开至少一实施例提供的钢材编码识别方法还包括:在所述字符提取图像中提取所述编号对应的字符后,判断所述字符是否异常,如果异常,则指示进行异常提醒。
例如,在本公开至少一实施例提供的钢材编码识别方法中,判断所述编号对应的字符是否异常,包括:连接数据库,并在所述数据库中查询所述编号对应的字符的信息,如果没有查询到所述编号对应的字符的信息,则表示所述编号对应的字符异常;或者,基于所述物体的编号规则判断所述编号对应的字符是否符合所述编号规则,如果不符合,则表示所述编号对应的字符异常。
例如,在本公开至少一实施例提供的钢材编码识别方法中,通过字符识别网络在所述字符提取图像中提取所述编号对应的字符。
例如,在本公开至少一实施例提供的钢材编码识别方法中,所述字符识别网络包括卷积神经网络、双向长短时记忆网络和连接时序分类器。
例如,本公开至少一实施例提供的钢材编码识别方法还包括:从所述待识别图像中识别出所述物体以及所述编号的位置后,确定所述物体的运动状态以及统计所述物体的数量。
例如,在本公开至少一实施例提供的钢材编码识别方法中,所述物体包括钢材。
例如,在本公开至少一实施例提供的钢材编码识别方法中,所述设定区域范围包括传送所述物体的传送台所在的区域。
例如,在本公开至少一实施例提供的钢材编码识别方法中,调节所述待识别图像、所述编号图像或所述字符提取图像的亮度,包括:获取所述待识别图像、所述编号图像或所述字符提取图像中各个像素的亮度平均值;计算所述各个像素的亮度平均值与设定阈值的差值;将所述各个像素的亮度统一加上或减去差值,以使得所述各个像素的亮度相同。
本公开至少一实施例还提供一种钢材编码识别系统的训练方法,包括:获取包括作为识别对象的物体以及所述物体的编号的图像数据;基于获取的所述图像数据生成新的图像数据;将获取的所述图像数据和生成的所述新的图像数据作为所述钢材编码识别系统的训练数据集以对所述钢材编码识别系统进行训练;所述钢材编码识别系统用于实现本公开任一实施例提供的钢材编码识别方法。
例如,在本公开至少一实施例提供的钢材编码识别系统的训练方法中,基于获取的所述图像数据生成新的图像数据,包括:通过对抗神经网络基于获取的所述图像数据生成所述新的图像数据。
例如,在本公开至少一实施例提供的钢材编码识别系统的训练方法中,所述新的图像数据具有各种亮度。
本公开至少一实施例还提供一种钢材编码识别系统,包括:图像采集装置,配置为实时采集待识别图像;控制装置,与所述图像采集装置连接,配置为基于所述图像采集装置实时采集的所述待识别图像实现以下步骤:对采集的各帧待识别图像分别进行识别处理;当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别所述物体以及所述物体的编号的位置;获取所述编号在所述待识别图像中的图中方向,并基于所述图中方向获得所述编号的朝向基准方向的编号图像;基于所述编号朝向所述基准方向的所述编号图像,获得所述编号朝向识别朝向的字符提取图像;在所述字符提取图像中提取所述编号对应的字符。
例如,本公开至少一实施例提供的钢材编码识别系统还包括:输出装置,配置为输出提取的所述编号对应的字符。
例如,在本公开至少一实施例提供的钢材编码识别系统中,所述图像采集装置设置于工作环境中,所述控制装置和所述输出装置设置于操作环境下的远端,所述工作环境的环境温度高于所述操作环境的环境温度,且所述图像采集装置、所述控制装置和所述输出装置通过有线或无线方式通信连接。
例如,本公开至少一实施例提供的钢材编码识别系统还包括:数据库,配置为存储所述编号的字符、所述物体的编号数据集或所述钢材编码识别系统的训练数据集。
例如,在本公开至少一实施例提供的钢材编码识别系统中,所述图像采集装置包括壳体和至少两个摄像头,所述至少两个摄像头设置于所述壳体的内部,且配置为能被调节为相对于被拍摄对象具有不同的拍摄角度。
例如,在本公开至少一实施例提供的钢材编码识别系统中,所述图像采集装置还包括照明设备,所述照明设备配置为对所述被拍摄对象进行照明。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本公开至少一实施例提供的一种钢材编码识别方法的一个示例的流程图;
图2A为本公开至少一实施例提供的一种图像采集装置的示意图;
图2B为本公开至少一实施例提供的一种图像采集装置的主视图;
图3A为本公开至少一实施例提供的一种钢材编号处于倾斜状态的示意图;
图3B-图3E为本公开至少一实施例提供的一种钢材编号处于水平状态或垂直状态的示意图;
图4为本公开至少一实施例提供的一种字符提取图像的获取方法的流程图;
图5为本公开至少一实施例提供的另一种钢材编码识别方法的流程图;
图6为本公开至少一实施例提供的再一种钢材编码识别方法的流程图;
图7为本公开至少一实施例提供的又一种钢材编码识别方法的流程图;
图8A为本公开至少一实施例提供的一种显示界面的示意图;
图8B为本公开至少一实施例提供的一种趋势图;
图9为本公开至少一实施例提供的一种钢材编码识别系统的训练方法的流程图;
图10为本公开至少一实施例提供的一种钢材编码识别系统的示意框图;
图11为本公开至少一实施例提供的一种控制装置的示意框图;
图12为本公开至少一实施例提供的另一种控制装置的示意框图;
图13为本公开至少一实施例提供的一种钢材编码识别系统的系统示意图;以及
图14为本公开至少一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例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公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
目前,入炉钢坯的编号都通过人工输入记录的,而且不能与实际的钢坯对应,因此,当钢坯在轧线上进行热轧时,由于在加热炉中进行加热会使得钢坯上的编号消失,因此导致在整个质量追踪系统中,无法做到实时回溯,即无法对存在质量问题的钢坯进行质量追踪,从而不能在出现问题后进行很好的质量反馈。
另一方面,由于受限于工作环境、人力成本以及传统的OCR(Optical CharacterRecognition,光学字符识别)准确性受限等因素,并且车间环境存在一定的安全隐患,因此,不利于通过人眼检测钢坯编号,从而增加了钢坯编号识别和质量追踪的难度。
本公开至少一实施例提供一种钢材编码识别方法,包括:通过图像采集装置实时采集待识别图像,并对采集的各帧待识别图像分别进行识别处理;当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别物体以及物体的编号的位置;获取编号在待识别图像中的图中方向,并基于图中方向获得编号的朝向基准方向的编号图像;基于编号朝向基准方向的编号图像,获得编号朝向识别朝向的字符提取图像;在字符提取图像中提取编号对应的字符。
本公开一些实施例还提供对应于上述钢材编码识别方法的钢材编码识别系统和钢材编码识别系统的训练方法。
本公开上述实施例提供的钢材编码识别方法可以实现钢材编号的自动识别,提高钢材编号识别的准确率,并且至少一个实施例的方法还可以将识别的编号的字符上传至质量追踪系统中,以用于钢材质量的追踪。
下面结合附图对本公开的实施例及其示例进行详细说明。
本公开至少一实施例提供一种钢材编码识别方法,例如,可以用于钢坯编号的自动识别等。图1为本公开至少一实施例提供的一种钢材编码识别方法的一个示例的流程图。例如,该钢材编码识别方法可以以软件、硬件、固件或其任意组合的方式实现,由例如手机、平板电脑、笔记本电脑、桌面电脑、网络服务器等设备中的处理器加载并执行,可以实现钢材编号的自动识别,以用于钢材质量的追踪。
例如,该钢材编码识别方法适用于一计算装置,该计算装置是包括具有计算功能的任何电子设备,例如可以为手机、笔记本电脑、平板电脑、台式计算机、网络服务器等,可以加载并执行该钢材编码识别方法,本公开的实施例对此不作限制。例如,该计算装置可以包括中央处理单元(Central Processing Unit,CPU)或图形处理单元(GraphicsProcessing Unit,GPU)、数字信号处理器(DSP)等具有数据处理能力和/或指令执行能力的其它形式的处理单元、存储单元等,该计算装置上还安装有操作系统、应用程序编程接口(例如,OpenGL(Open Graphics Library)、Metal等)等,通过运行代码或指令的方式实现本公开实施例提供的钢材编码识别方法。例如,该计算装置还可以包括例如显示部件的输出部件,该显示部件例如为液晶显示屏(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light Emitting Diode,OLED)显示屏、量子点发光二极管(Quantum Dot LightEmitting Diode,QLED)显示屏等,本公开的实施例对此不作限制。例如,该显示部件可以显示识别出的钢材的编号的字符。
下面结合图1-图8A对本公开至少一实施例提供的钢材编码识别方法进行详细地介绍。
如图1所示,该钢材编码识别方法包括步骤S110至步骤S150。
步骤S110:通过图像采集装置实时采集待识别图像,并对采集的各帧待识别图像分别进行识别处理。
步骤S120:当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别物体以及物体的编号的位置。
步骤S130:获取编号在待识别图像中的图中方向,并基于图中方向获得编号的朝向基准方向的编号图像。
步骤S140:基于编号朝向基准方向的编号图像,获得编号朝向识别朝向的字符提取图像。
步骤S150:在字符提取图像中提取编号对应的字符。
例如,在本公开的一些实施例中,上述物体包括钢材(或钢坯),例如,钢材为图3A-图3E中所示的物体301,例如为长方体形状,钢材的编号标注在该长方体朝向摄像头的一个侧面上,例如,在图3A所示的钢材301的标注有编号E1的表面上。当然也可以是其他需要进行编号识别的物体,可视具体应用场景而定,本公开的实施例对此不作限制。下面以该物体是钢材为例进行介绍,本公开的实施例对此不作限制。
例如,实现该钢材编码识别方法的系统的工作环境为:空气温度约40摄氏度,局部温度100摄氏度左右,钢材周围最高温度将近300摄氏度,越接近加热炉温度越高。因此,在此高温环境下作业时,需要现场相应的设备具有防高温性能。
对于步骤S110,例如,如图2A和图2B所示,在一些示例中,该图像采集装置110包括壳体1101和至少两个摄像头,例如,该至少两个摄像头包括摄像头1102和摄像头1103。例如,该至少两个摄像头设置于壳体1101的内部,且配置为能被调节为相对于被拍摄物体具有不同的拍摄角度,例如,一个摄像头1102用于获取钢材编号的主视图(即该摄像头的拍摄镜头的轴线正对钢材编号所在表面),另一个摄像头1103用于获取钢材编号的倾斜角度视图(即该摄像头的拍摄镜头的轴线与钢材编号所在表面具有一定的角度)。又例如,两个摄像头1102/1103也可以均用于获取钢材编号的倾斜角度视图,本公开的实施例对此不作限制。
例如,在现场工作环境的温度不是特别高的情形下,该至少两个摄像头中至少一个摄像头可以采用红外摄像头等其他类型的摄像头,可视具体情况而定,本公开的实施例对此不作限制。
由于钢坯入炉现场环境复杂,干扰因素较多,本公开的实施例采用至少两个摄像头从不同角度对钢材编号进行拍摄,并根据两个摄像头分别获取的针对同一钢材编号的两幅图像的识别结果及编号规则,综合考虑(例如相互校正)得出编号,可以提高钢材编号识别的准确率,具体介绍可参考下面图6的介绍,在此不再赘述。
例如,该图像采集装置110位于传输钢材入炉的如图3A所示的传送台302的正前方或位于传送台302的一端的正上方,例如,该图像采集装置110的摄像头1102/1103朝向传送台302上的钢材301的编号E1,从而可以拍摄到包括钢材301和钢材编号E1的待识别图像,以提高编号识别的效率。例如,钢材编号E1可以通过使用无机颜料喷涂在钢材的表面上,也可以是形成在钢材表面上的凹凸图案,还可以是采用颜料笔或粉笔通过人工书写在钢材表面,本公开的实施例对此不作限制。
例如,如图2A和图2B所示,该壳体1101内部包括隔板1107,设置在壳体1101中;该至少两个摄像头在壳体1101内上下设置,例如,摄像头1102设置在隔板1107上,摄像头1103设置在壳体1101的下侧壁上。例如,该至少两个摄像头1102/1103在拍摄过程中可远景近景自由切换,以拍摄出满足用户需求的图像。例如,至少一个照明设备1104和至少两个摄像头中的至少一个摄像头1102设置于隔板1107上;至少一个照明设备1104和至少两个摄像头中的另外至少一个摄像头1103设置于壳体1101的下侧壁上。
例如,该图像采集装置110还包括用于安装摄像头的安装支架1106,设置在壳体1101中;该安装支架1106设置为支撑该至少两个摄像头1102/1103、可调节该至少两个摄像头1102/1103的高度、拍摄角度以及可以允许摄像头水平360°转动等,从而实现对拍摄现场图片的各个角度的灵活拍摄,以提高钢材编号识别的准确性。例如,至少两个摄像头1102/1103通过安装支架1106设置于壳体1101,至少两个摄像头1102/1103铰接于安装支架1106,使至少两个摄像头1102/1103能够相对于安装支架1106摆动。
例如,摄像头1102和摄像头1103可以是相同的摄像头也可以是不同的摄像头,本公开的实施例对此不作限制,例如,如图2A和图2B所示,该至少两个摄像头1102/1103为圆筒状,例如,可以采用200万星光级耐高温护罩一体化网络摄像头,其写实效果好,拍摄质量高,从而有利于钢材编号的识别。
例如,如图2A和图2B所示,在另一些示例中,该图像采集装置110还包括照明设备1104/1105。例如,照明设备1104/1105配置为对被拍摄对象(例如,传送台302上的钢材301)进行照明,从而可以使拍摄的图像更加清楚,有利于钢材编号的识别。例如,在夜晚或光线较暗的工作环境中,可以开启该照明设备1104/1105对被拍摄对象进行照明,从而可以白天晚上都可进行编号识别,不受时间和方向的限制。
例如,该照明设备1104/1105也可以根据需求转动,以对需要照明的位置进行照明。
例如,该图像采集装置110设置于上述工作环境中以采集现场的图像用于钢材编号的识别,如上所述,由于工作环境的温度一般为100-300摄氏度的高温,本公开的实施例提供的图像采集装置中的壳体1101、摄像头1102/1103以及照明设备1104/1105、隔板1106以及安装支架1107等都具有防高温性能,从而可以确保设备稳定的运行,进而避免了通过人工识别时的安全隐患。例如,壳体1101由耐高温材料制成,例如,可以采用风冷隔热壳。
例如,图像采集装置110还包括散热装置(图中未示出),设置在壳体1101上,例如,设置于壳体1101的各个壁的外侧面,例如,设置于壳体1101的背后,配置为对图像采集装置(例如,对图像采集装置110中的壳体1101、摄像头1102/1103、照明设备1104/1105、隔板1106以及安装支架1107等)进行主动散热或被动散热。例如,该散热装置包括风机或散热块,例如,还可以通过水冷等其他方式进行散热,本公开的实施例对此不作限制。
需要注意的是,散热装置的可以设置于壳体1101的任意位置,只要能实现散热即可,本公开的实施例对此不作限制。
例如,摄像头1102/1103实时监控拍摄界面,并将拍摄的包括视频或图片(即待识别图像)等的图像信息通过网络(例如,通过有线或无线方式通信)传输至控制装置,例如,控制装置设置操作环境(例如,工作环境的环境温度高于操作环境的环境温度)下的远端,然后利用物体识别模型对采集的图片或视频的每一帧图像都进行识别处理。例如,该识别处理可以包括步骤S120中的对钢材或钢材的编号的位置的初步的识别等,本公开的实施例对此不作限制。
对于步骤S120,例如,使用物体识别模型来对现场摄像头1102/1103采集到的图像进行识别,当在当前帧待识别图像的设定区域范围内识别到待识别物体(例如,钢材)时,通过物体识别模型识别图像中钢材和钢材编号的位置。例如,该设定区域范围可以设置为传送台所在区域的范围,从而可以减少图像识别的面积,提高图像识别的效率。
例如,该设定区域范围包括传送台所在的区域。例如,该图像采集装置110采集到的视频监控画面中会有除钢材和传送台302外的多个物体呈现,只有识别到钢材掉入传送台302(例如,轨道)上时才进行钢材编码的识别统计,即识别到该设定区域范围内出现物体时触发钢材编码识别方法中后续的识别统计处理。例如,在识别钢材编码前,可以先进行传送台(即设定区域)的识别,可以采用本领域的识别方法识别确定,在此不再赘述。
例如,在该步骤S120中还包括从待识别图像中识别出物体以及编号的位置后,确定物体的运动状态以及统计物体的数量。例如,分析图像的识别结果来判断当前钢材的运动状态(例如,处于静止、移动、抬起、入炉、退炉等状态),并统计钢材入炉数量,以便于后续的质量追踪。
例如,可以根据钢材在上一帧图像和下一帧图像中的位置判断钢材是处于静止状态还是移动状态,例如,钢材在上一帧图像和下一帧图像中的位置不变,则当前钢材的运动状态为静止状态;钢材在上一帧图像和下一帧图像中的位置发生了改变,则当前钢材的运动状态为移动状态。例如,可以根据钢材在上一帧图像和下一帧图像中的位置是距离摄像头越来越远还是越来越近,判断钢材是处于入炉状态还是退炉状态。例如,钢材在下一帧图像中的位置比其在上一帧图像中的位置距离摄像头越来越远,则当前钢材的运动状态为入炉状态;钢材在下一帧图像中的位置比其在上一帧图像中的位置距离摄像头越来越近,则当前钢材的运动状态为退炉状态。当然还可以通过其他方法来实现钢材的运动状态的判断,并且还可以包括更多的运动状态,本公开的实施例对此不作限制。上述上一帧图像和下一帧图像不限于直接相邻的帧,也可以是间隔预定时间(例如0.5、1、1.5、2秒等)。
例如,该物体识别模型包括残差网络(Resnet)和特征金字塔网络(FPN)。例如,在一些示例中,物体识别模型是在Resnet基础上结合FPN的神经网络模型。该物体识别模型的工作原理可以参考本领域中关于Resnet网络和FPN的工作原理的介绍,在此不再赘述。
当然,物体识别模型还可以实现为其他可以实现钢材编码识别的模型,本公开的实施例对此不作限制。
对于步骤S130,由于钢材自身形状的原因,因此钢材可能出现滚动,由此在待识别图像中钢材的编号的图中方向不定,可能处于倒置或倾斜(如图3A所示的倾斜状态)等状态,因此需要将在步骤S120中通过物体识别模型识别到的编号进行旋转处理,以使得例如处于倾斜状态的编号处于水平状态或垂直状态,例如,处于图3B或图3C所示的垂直状态或图3D或图3E所示的水平状态,以获得编号朝向基准方向的编号图像。
例如,在本公开的实施例中,该基准方向可以是图3D或图3E所示的水平方向(即,编号的朝向为水平方向,例如,向左或向右)或图3B或图3C所示的垂直方向(即,编号的朝向为垂直方向,例如,向上或向下)。例如,该基准方向是用于获得固定的文字识别(字符提取)方向(例如,下面的识别朝向)的处理过程中的初始方向,即在将图像中的编号旋转至朝向识别朝向前,先将待识别图像的图中方向(即倒置或倾斜的方向)旋转处理至编号朝向基准方向以获得编号图像,再基于该基准方向将编号图像旋转至编号朝向识别朝向以获得字符提取图像,再基于字符提取图像实现编号中的字符的提取。
在本公开的实施例中,一方面,由于当编号的图中方向处于倒置或倾斜状态时,存在角度的偏差,编号并非处于一个被提取字符的最好的状态,因此在该状态下不利于编号的识别,也不易于将编号由图中方向直接转为识别朝向,因此,先将编号由朝向图中方向转为朝向基准方向(即水平或垂直状态),可以避免倒置或倾斜时存在的角度的偏差带来的影响;另一方面,由于编号正常是朝向某一个方向被观看的,例如是向上朝向的,因此如果在编号处于向下、向左或向右的朝向下提取字符,也可能会带来一定的误差,因此,再将该处于基准方向的编号旋转至识别朝向,即使得所有用于提取字符的字符提取图像中的编号均处于一个朝向,例如,均朝上,可以避免产生编号朝向其他方向时的误差,由此可以提高编号识别的准确率。
例如,在本公开的实施例中,在编号的图中方向不是基准方向时,例如,处于倒置或倾斜(如图3A所示的倾斜状态)等状态时,再将编号旋转至朝向基准方向,以获得编号图像。当编号的图中方向是基准方向时,则不需要对编号进行旋转处理。
在本公开的实施例中,将编号的图中方向旋转为水平方向或垂直方向,可以提高编码识别的准确率。
例如,可以将编号朝向图中方向的待识别图像旋转以使得待识别图像中的编号旋转至朝向基准方向,此时,旋转后的待识别图像为编号图像;也可以是抠取待识别图像中仅包括编号的图像,将抠取的图像中的编号旋转至朝向基准方向,从而旋转后的抠取图像为编号图像,具体可视实际情况而定,本公开的实施例对此不作限制。
对于步骤S140,例如,基于在步骤S130中获取的编号朝向基准方向(例如,水平方向或垂直方向)的编号图像,获得编号朝向识别朝向的字符提取图像。例如,该识别朝向可以是如图3B所示的编号E2的正向(向上)朝向,当然还可以是图3C所示的倒向(向下)朝向、图3D所示的右向朝向(向右)或图3E所示的左向(向左)朝向,只要易于图像中编号的识别即可,本公开的实施例对此不作限制。
图4为本公开至少一实施例提供的一种字符提取图像的获取方法的流程图。也就是说,图4为图1所示的步骤S140的一个示例的流程图。
如图4所示,该字符提取图像的获取方法包括步骤S141和步骤S142。下面参考图4对本公开至少一实施例提供的字符提取图像的获取方法进行详细地介绍。
步骤S141:使用分类模型识别编号图像中编号的朝向。
例如,该分类模型包括Inception神经网络、卷积神经网络(ConvolutionalNeural Network,CNN)或深度残差网络。例如,该分类模型的输入可以是编码图像,输出为编码图像中编号的朝向,例如,编码的朝向可以是如图3B所示的向上、图3C所示的向下、图3D所示的向右或图3E所示的向左。该分类模型的具体工作原理可参考本领域的介绍,在此不再赘述。
步骤S142:基于编号的朝向,旋转编号图像至编号朝向识别朝向,以获得字符提取图像。
例如,下面以识别朝向为如图3B所示的向上的朝向为例进行说明,本公开的实施例对此不作限制。例如,当在步骤S141中识别出的编号图中的编号的朝向为向上时,则不需要旋转编号图像,当前的编号图像即为字符提取图像;当在步骤S141中识别出的编号图中的编号的朝向为向下时,则旋转编号图像180°,以使得编号的朝向为向上(即识别朝向),该旋转后的编号图像即为字符提取图像;当在步骤S141中识别出的编号图中的编号的朝向为向右时,则逆时针旋转编号图像90°,以使得编号的朝向为向上(即识别朝向),该旋转后的编号图像即为字符提取图像;当在步骤S141中识别出的编号图中的编号的朝向为向左时,则顺时针旋转编号图像90°,以使得编号的朝向为向上(即识别朝向),该旋转后的编号图像即为字符提取图像。
对于步骤S150,例如,通过字符识别网络在字符提取图像中提取编号对应的字符。
例如,在一些示例中,该字符识别网络包括卷积神经网络、双向长短时记忆网络(Long Short Term Memory Network,BLSTM)和连接时序分类器(Connectionist TemporalClassification,CTC),即基于卷积神经网络CNN、双向长短时记忆网络BLSTM和连接时序分类器CTC构建的字符识别网络对转正后的编号(即将编号的朝向旋转为识别朝向后的编号)进行识别,以提取出编号中的字符。该字符例如为图3B-图3E中所示的字符:9L688912。
图5为本公开至少一实施例提供的另一种钢材编码识别方法的流程图。例如,如图5所示,在图1所示的示例基础上,该钢材编码识别方法还包括步骤S160。
步骤S160:调节待识别图像的亮度,并对待识别图像进行噪声过滤处理。
由于现场光线及其它环境因素的影响,编号亮度变化较大。例如,在识别编号或提取编号的字符前,将待识别图像、编号图像或字符提取图像进行亮度处理,使所有待识别图像、编号图像或字符提取图像的亮度相同,可以提高编号识别的准确率。例如,获取待识别图像、编号图像或字符提取图像中各个像素的亮度平均值,计算各个像素的亮度平均值与设定阈值的差值,将各个像素的亮度统一加上或减去差值,以使得各个像素的亮度相同,从而使所有待识别图像、编号图像或字符提取图像的亮度相同。例如,还可以采用本领域的调节灰度值、图像对比度等图像处理方法对编号图像或字符提取图像进行亮度的处理,在此不再赘述。
例如,在对待识别图像进行亮度处理的同时,还可以过滤待识别图像、编码图像或字符提取图像上的由于编号不均等因素产生的干扰噪点,以更准确地提取编号的字符。
例如,可以通过高斯滤波器、中值滤波器或均值滤波器等本领域中的滤波器进行噪声过滤,在此不再赘述。
图6为本公开至少一实施例提供的再一种钢材编码识别方法的流程图。例如,如图6所示,该钢材编码识别方法包括步骤S111和步骤S170。例如,步骤S111是图1所示的步骤S110的一个示例,当实现步骤S111时,该钢材编码识别方法还可以包括步骤S170。
步骤S111:通过图像采集装置获取针对同一物体编号的至少两幅待识别图像。
由于钢材(钢坯)入炉现场环境复杂,干扰因素较多,采用图像采集装置包括的至少两个摄像头1102/1103从不同角度对钢材的编号进行拍摄以获得针对同一钢材编号的至少两幅待识别图像。例如,该至少两幅待识别图像是针对同一钢材编号的不同角度拍摄的,例如,一幅待识别图像包括钢材编码9L688912的正视图,一幅待识别图像包括钢材编码9L688912的有一定倾斜角度的视图。当然,该至少两幅待识别图像还可以是针对同一钢材编号的相同角度拍摄的,例如,均为包括钢材编码9L688912的倾斜角度视图的待识别图像,只要能有利于识别出正确的编号字符即可,本公开的实施例对此不作限制。
步骤S170:基于至少两幅待识别图像提取出的编号对应的字符以及物体的编号规则,确定编号对应的字符。
例如,采用上面所述的步骤S120-步骤S150提取该至少两幅待识别图像中的字符以得到至少两个识别结果。例如,该至少两个识别结果中的字符可能相同,也可能不同。
例如,钢材的编号都是按照一定规则命名的,例如,编号的规则可以包括位数、字母的位数、数字的排列等。例如,如图3B-3E所示的编号9L688912,该编号规则例如包括:位数为10位,其中,第一位是数字,第二位是字母且该字母为L,后八位是数字。
因此,当该至少两个识别结果中的字符有不符合上述任一一条规则的情况时,例如,其中一个识别结果中的字符的第二位字母提取的是F,即提取的字符为9F688912,则表示该识别结果不符合这个规则,即判断该识别结果中的字符为错误的;若另一个字符的识别结果为9L688912,字符序列与编号规则完全一样,则表示该提取的字符为正确的。
在本公开的实施例中,通过根据针对同一物体编号的至少两幅待识别图像的字符的识别结果和编号规则,综合得出编号,可以进一步提高编号识别的准确率。
图7为本公开至少一实施例提供的又一种钢材编码识别方法的流程图。例如,如图7所示,在图1、图5或图6所示的示例基础上,该钢材编码识别方法还包括步骤S180和步骤S190。
步骤S180:在字符提取图像中提取编号对应的字符后,判断编号对应的字符是否异常。
例如,在字符提取图像中提取编号对应的字符后,需要进一步判断该编号对应的字符是否异常,以保证提取的编号的字符的准确性,从而提高该钢材编码识别方法的准确性。
例如,判断所述编号对应的字符是否异常,包括:连接数据库,并在数据库中查询该编号对应的字符的信息,如果没有查询到该编号对应的字符的信息,则表示编号对应的字符异常;或者,基于步骤S170中描述的物体的编号规则判断编号对应的字符是否符合编号规则,如果不符合,则表示编号对应的字符异常。
例如,数据库配置为存储编号的字符、物体的编号数据集、或钢材编码识别系统的训练数据集等,其与其他装置的具体的工作过程将在下面图13所示的钢材编码识别系统中进行系统的描述,在此不再赘述。
步骤S190:如果异常,则指示进行异常提醒。
例如,该提取的编号对应的字符显示在如图8A所示的显示界面中,例如,如图8A所示的第1个字符为空白,所以是异常字符,在第1个字符对应的标记处标记为“喷号异常”,以提醒用户进行相应的操作。例如,当检测到编号异常时,控制工作环境中的操作系统实现该编号对应的钢材进行退炉等操作,以保证入炉的钢材均可以通过对应的编号进行质量追踪。
例如,如图8A所示,如果字符没有异常,则在显示界面中标记为“已通过”;对于正在提取的字符,则在显示界面中标记为“正在检测”,从而在后续操作中可以根据各个字符对应的标记实现相应的控制。
如图8A所示,该显示界面还包括按钮B1、按钮B2、按钮B3以及按钮B4。
例如,按钮B1可以实现摄像头的切换功能,例如当点击1#相机时,可以显示摄像头1102拍摄的图像,当点击2#相机时,可以显示摄像头1103拍摄的图像,从而可以实现根据需求点击按钮切换,客户端界面随之显示相应工作相机视角的画面。例如,摄像头采集的图像数据可以保存三个月以上,以用于在后续问题查看期间进行回放查看。
例如,按钮B2可以实现截图的功能。例如,该用于截图的按钮B2用于保存当前帧图像到本地。
例如,按钮B3可以实现历史浏览功能。例如,历史浏览功能用于查看当前已完成的识别数据,可根据实际需求查看相应时间所完成的识别数据。
例如,按钮B4可以查看趋势图。例如,通过统计识别数量和喷号异常的数量确定编号的可识别率,再将每日可识别率汇总制成一份月份趋势图,可通过趋势图了解如图8B所示的每月钢材号码异常情况,从而有利于实现钢材的质量追踪和反馈。例如,摄像头采集的各帧图像中都标注拍摄时间(图中未示出),从而可以根据拍摄时间进行统计查询等。例如,图8B仅示出了2019年11月的趋势图,其他年月的趋势图可以通过趋势图左上角的下拉框选择显示。
例如,图8A所示的显示界面中的识别列表显示所有识别号码和识别顺序,图中列表黑框部分为当前正在检测的编号号码和当前数量。例如,对于识别列表中已完成检测的编号还可以手动进行修改和上传,本公开的实施例对此不作限制。
例如,如图8A所示,当每一项编号识别完成后,识别出的字符将被自动上传到数据库;当每一项编号识别完成后,识别出的字符将被自动上传到工作环境下的控制系统,以控制钢材的入炉、退炉等相应的操作。例如,当在摄像头的监控画面中出现传送的钢材后,开启钢材编码识别系统识别并反馈编码的字符。
本公开上述实施例提供的钢材编码识别方法可以实现钢材编号的自动识别,提高钢材编号识别的准确率,并将识别的编号的字符上传至质量追踪系统中,且由于在本公开的实施例中钢材的编号是按时间根据传送的钢材一个一个统计的,从而可以与入炉的钢材一一对应,所以可以用于钢材质量的追踪。
本公开至少一个实施例提供的钢材编码识别方法包括一个或多个神经网络,或者组合使用多个神经网络,对此本公开至少一实施例还提供一种钢材编码识别系统的训练方法,例如,该钢材编码识别系统可以实现上述图1-图8A所示的钢材编码识别方法。图9为本公开至少一实施例提供的一种钢材编码识别系统的训练方法的流程图。如图9所示,该训练方法包括步骤S210-S230。下面参考图9对本公开至少一实施例提供的钢材编码识别系统的训练方法进行详细地描述。
步骤S210:获取包括作为识别对象的物体以及物体的编号的图像数据。
例如,通过图像采集装置拍摄包括钢材编号的图像,以作为钢材编码识别系统的训练数据集,例如,作为钢材编码识别系统的中的物体识别模型、分类模型以及字符识别模型等神经网络模型的训练数据集。
步骤S220:基于获取的图像数据生成新的图像数据。
例如,通过对抗神经网络基于获取的图像数据生成大量新的图像数据。例如,通过对抗神经网络生成新的图像数据的过程可以参考本领域的相关介绍,在此不再赘述。
步骤S230:将获取的图像数据和生成的新的图像数据作为钢材编码识别系统的训练数据集以对钢材编码识别系统进行训练。
由于如果钢材编码识别系统的训练数据不充足,会降低训练出来的钢材编码识别系统识别编号的字符的准确率,因此,将获取的图像数据和通过对抗神经网络生成的大量新的图像数据作为钢材编码识别系统的训练数据集,以扩充对钢材编码识别系统进行训练的训练数据集,从而可以提高训练钢材编码识别系统的识别精度,进而提高提取编号字符的准确率。
例如,在一些示例中,分类模型和物体识别模型是进过特殊训练获取的,因为原始环境多变,光线条件较差,导致获取的图片很多呈现过亮或者过暗的情况,而原始训练样本(通过图像采集装置获取的图像数据)中各种亮度的图片数量比较少,因此需要通过样本生成的方式(例如亮度调节或者对抗神经网络)获取各种亮度条件下的样本图片并进行训练,以获取能够识别各种环境亮度的物体识别模型和分类模型。
例如,具体的训练方法可参考本领域的相关介绍,在此不再赘述。
需要说明的是,在本公开的实施例中,本公开上述各个实施例提供的钢材编码识别方法和训练方法的流程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行。虽然上文描述的钢材编码识别方法和训练方法的流程包括特定顺序出现的多个操作,但是应该清楚地了解,多个操作的顺序并不受限制。上文描述的钢材编码识别方法和训练方法可以执行一次,也可以按照预定条件执行多次。
图10为本公开至少一实施例提供的一种钢材编码识别系统的示意框图。例如,在图10所示的示例中,该钢材编码识别系统100包括图像采集装置110和控制装置120。
例如,图像采集装置110配置为实时采集待识别图像。关于该图像采集装置的相关介绍可以参考在步骤S110中关于图2A和图2B的相关介绍,在此不再赘述。
例如,控制装置120与图像采集装置110连接,配置为基于图像采集装置110实时采集的待识别图像实现以下步骤:对采集的各帧待识别图像分别进行识别处理;当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别物体以及物体的编号的位置;获取编号在待识别图像中的图中方向,并基于图中方向获得编号的朝向基准方向的编号图像;基于编号朝向基准方向的编号图像,获得编号朝向识别朝向的字符提取图像;在字符提取图像中提取所述编号对应的字符。例如,控制装置120还可以实现上述图4-图8B所示的实施例提供的钢材编码识别方法。
图11为本公开至少一实施例提供的一种控制装置的示意框图。例如,如图11所示,该控制装置120包括处理器210、存储器220以及一个或多个计算机程序模块221。例如,处理器210与存储器220通过总线系统230连接。例如,一个或多个计算机程序模块221被存储在存储器220中。例如,一个或多个计算机程序模块221包括用于执行步骤S120-步骤S190的指令。例如,一个或多个计算机程序模块221中的指令可以由处理器210执行。例如,总线系统230可以是常用的串行、并行通信总线等,本公开的实施例对此不作限制。
例如,该处理器210可以是中央处理单元(CPU)、数字信号处理器(DSP)、图像处理器(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,可以为通用处理器或专用处理器,并且可以控制显示处理装置200中的其它组件以执行期望的功能。例如,该处理器可以为通用处理器或专用处理器,可以是基于X86或ARM架构的处理器等。
存储器220可以包括一个或多个计算机程序产品,该计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。该易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。该非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器210可以运行该程序指令,以实现本公开实施例中(由处理器210实现)的功能以及/或者其它期望的功能,例如钢材编码识别方法等。在该计算机可读存储介质中还可以存储各种应用程序和各种数据,例如编号的朝向、提取的字符以及应用程序使用和/或产生的各种数据等。
例如,如图12所示,该钢材编码识别系统还包括输出装置130,例如,该输出装置130配置为输出提取的编号对应的字符,例如,该输出装置130包括显示装置、打印装置以及应用程序(Application,APP)等。该显示装置配置为将提取的编号对应的字符显示在例如如图8A所示的显示界面中。例如,该显示装置可以为液晶面板(Liquid Crystal Display,LCD)、液晶电视、显示器、OLED(Organic Light Emitting Diode,有机发光二极管)面板、OLED电视、电子纸显示装置、手机、平板电脑、笔记本电脑、数码相框、导航仪等任何具有显示功能的产品或部件。本公开的实施例对此不作限制。例如,图像采集装置110设置于工作环境中,控制装置120和输出装置130设置于操作环境下的远端,工作环境的环境温度高于操作环境的环境温度,且图像采集装置110、控制装置120和输出装置130通过有线或无线方式通信(例如,通过图13所示的网络12)连接。
例如,如图12所示,该钢材编码识别系统还包括数据库14。例如,数据库14配置为存储编号的字符、物体的编号数据集、或钢材编码识别系统的训练数据集等,即用于存储提取的编号的字符、用于检测提取的字符是否异常的物体的编号数据集以及用于训练钢材编码识别系统的训练数据集。
需要说明的是,为表示清楚、简洁,本公开实施例并没有给出该钢材编码识别系统100的全部组成单元。为实现钢材编码识别系统100的必要功能,本领域技术人员可以根据具体需要提供、设置其他未示出的组成单元,本公开的实施例对此不作限制。
图13为本公开至少一实施例提供的一种钢材编码识别系统的系统示意图。例如,上述各个实施例提供的钢材编码识别方法可以通过图13所示的钢材编码识别系统实现。如图13所示,该钢材编码识别系统200可以包括图像采集装置110、用户终端11、网络12、服务器13以及数据库14。
用户终端11可以是例如图13中示出的电脑11-1、手机11-2。可以理解的是,用户终端11可以是能够执行数据处理的任何其他类型的电子设备,其可以包括但不限于台式电脑、笔记本电脑、平板电脑、智能手机、智能家居设备、可穿戴设备、车载电子设备、监控设备等。用户终端11也可以是设置有电子设备的任何装备,例如车辆、机器人等。例如,用户终端11设置与操作环境中。
例如,图像采集装置110将拍摄的图像数据通过网络12上传至服务器13,以供用户终端11调用,当然,也可以直接上传至用户终端11的控制装置120中。
例如,用户可以对安装在用户终端11上的应用程序(例如,包括钢材编码识别系统)进行操作,应用程序通过网络12将用户行为数据传输给服务器13,用户终端11还可以通过网络12接收服务器13传输的数据,例如,图像采集装置采集的待识别图像。用户终端11可以通过运行子程序或子线程的方式实施本公开实施例提供的钢材编码识别方法,以提取待识别图像中的字符。
例如,当用户在用户终端11上执行该钢材编码方法时,服务器13通过网络12将待识别图像传输给用户终端11。例如,用户终端11可以包括触摸屏,因此用户可以用手指直接点击应用程序以执行该钢材编码识别方法,实现待识别图像中字符的提取。例如,用户终端11也可以包括鼠标,因此用户利用鼠标点击屏幕上光标所在的位置以实现字符的提取。当然,用户终端11也可以在连接上服务器13时,自动开启钢材编码识别功能,本公开的实施例对此不作限制。
在一些实施例中,可以利用用户终端11的控制装置120执行本公开实施例提供的钢材编码识别方法。在一些实现方式中,用户终端11可以利用用户终端11内置的应用程序执行钢材编码识别方法。在另一些实现方式中,用户终端11可以通过调用用户终端11外部存储的应用程序执行本公开至少一实施例提供的钢材编码识别方法。
在另一些实施例中,用户终端11将接收的执行钢材编码识别方法的指令经由网络12发送至服务器13,并由服务器13执行钢材编码识别方法,以实现字符的提取。在一些实现方式中,服务器13可以利用服务器内置的应用程序执行钢材编码识别方法。在另一些实现方式中,服务器13可以通过调用服务器13外部存储的应用程序执行钢材编码识别方法。
网络12可以是单个网络,或至少两个不同网络的组合。例如,网络12可以包括但不限于局域网、广域网、公用网络、专用网络等中的一种或几种的组合。
服务器13可以是一个单独的服务器,或一个服务器群组,群组内的各个服务器通过有线的或无线的网络进行连接。一个服务器群组可以是集中式的,例如数据中心,也可以是分布式的。服务器13可以是本地的或远程的。
数据库14可以泛指具有存储功能的设备。数据库13主要用于存储从用户终端11和服务器13工作中所利用、产生和输出的各种数据。例如,数据库14中存储有物体的编号数据集或钢材编码识别系统的训练数据集等,并将物体的编号数据集或钢材编码识别系统的训练数据集通过网络12发送至用户终端11,用户终端11利用该训练数据集实现钢材编码识别系统的训练以及检测提取的字符的是否异常。数据库14可以是本地的,或远程的。数据库14可以包括各种存储器、例如随机存取存储器(Random Access Memory(RAM))、只读存储器(Read Only Memory(ROM))等。以上提及的存储设备只是列举了一些例子,该系统可以使用的存储设备并不局限于此。
数据库14可以经由网络12与服务器13或其一部分相互连接或通信,或直接与服务器13相互连接或通信,或是上述两种方式的结合。
在一些实施例中,数据库15可以是独立的设备。在另一些实施例中,数据库15也可以集成在用户终端11和服务器14中的至少一个中。例如,数据库15可以设置在用户终端11上,也可以设置在服务器14上。又例如,数据库15也可以是分布式的,其一部分设置在用户终端11上,另一部分设置在服务器14上。
本公开至少一实施例提供的钢材编码识别系统的技术效果可以参考本公开的实施例中提供的钢材编码识别方法的技术效果,这里不再赘述。
钢材编码识别系统100/200可以用于各种适当的电子设备。图14为本公开至少一实施例提供的一种电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图14示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
例如,如图14所示,在一些示例中,电子设备300包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有计算机系统操作所需的各种程序和数据。处理装置301、ROM302以及RAM303通过总线304被此相连。输入/输出(I/O)接口305也连接至总线304。
例如,以下部件可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括诸如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据,经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储装置309。虽然图12示出了包括各种装置的电子设备300,但是应理解的是,并不要求实施或包括所有示出的装置。可以替代地实施或包括更多或更少的装置。
例如,该电子设备300还可以进一步包括外设接口(图中未示出)等。该外设接口可以为各种类型的接口,例如为USB接口、闪电(lighting)接口等。该通信装置309可以通过无线通信来与网络和其他设备进行通信,该网络例如为因特网、内部网和/或诸如蜂窝电话网络之类的无线网络、无线局域网(LAN)和/或城域网(MAN)。无线通信可以使用多种通信标准、协议和技术中的任何一种,包括但不局限于全球移动通信系统(GSM)、增强型数据GSM环境(EDGE)、宽带码分多址(W-CDMA)、码分多址(CDMA)、时分多址(TDMA)、蓝牙、Wi-Fi(例如基于IEEE 802.11a、IEEE 802.11b、IEEE 802.11g和/或IEEE 802.11n标准)、基于因特网协议的语音传输(VoIP)、Wi-MAX,用于电子邮件、即时消息传递和/或短消息服务(SMS)的协议,或任何其他合适的通信协议。
例如,电子设备可以为手机、平板电脑、笔记本电脑、电子书、游戏机、电视机、数码相框、导航仪等任何设备,也可以为任意的电子设备及硬件的组合,本公开的实施例对此不作限制。
例如,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述钢材编码识别方法的相应的功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的各个实施例中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
有以下几点需要说明:
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计。
(2)在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅是本公开的示范性实施方式,而非用于限制本公开的保护范围,本公开的保护范围由所附的权利要求确定。
Claims (23)
1.一种钢材编码识别方法,包括:
通过图像采集装置实时采集待识别图像,并对采集的各帧待识别图像分别进行识别处理;
当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别所述物体以及所述物体的编号的位置;
获取所述编号在所述待识别图像中的图中方向,并基于所述图中方向获得所述编号的朝向基准方向的编号图像;
基于所述编号朝向所述基准方向的所述编号图像,获得所述编号朝向识别朝向的字符提取图像;
在所述字符提取图像中提取所述编号对应的字符。
2.根据权利要求1所述的钢材编码识别方法,其中,在所述编号的图中方向不是所述基准方向时,将所述编号旋转至朝向所述基准方向,以获得所述编号图像。
3.根据权利要求1所述的钢材编码识别方法,其中,使用分类模型识别所述编号图像中所述编号的朝向,
基于所述编号的朝向,旋转所述编号图像至所述编号朝向所述识别朝向,以获得所述字符提取图像。
4.根据权利要求3所述的钢材编码识别方法,其中,所述分类模型包括Inception神经网络、卷积神经网络或深度残差网络。
5.根据权利要求1-4任一所述的钢材编码识别方法,其中,所述物体识别模型包括残差网络和特征金字塔网络。
6.根据权利要求1-4任一所述的钢材编码识别方法,还包括:
调节所述待识别图像、所述编号图像或所述字符提取图像的亮度,并对所述待识别图像、所述编号图像或所述字符提取图像进行噪声过滤处理。
7.根据权利要求1-4任一所述的钢材编码识别方法,还包括:
通过所述图像采集装置获取针对同一物体编号的至少两幅所述待识别图像;
基于所述至少两幅待识别图像提取出的所述编号对应的字符以及所述物体的编号规则,确定所述编号对应的字符。
8.根据权利要求1-4任一所述的钢材编码识别方法,还包括:
在所述字符提取图像中提取所述编号对应的字符后,判断所述编号对应的字符是否异常,如果异常,则指示进行异常提醒。
9.根据权利要求8所述的钢材编码识别方法,其中,判断所述编号对应的字符是否异常,包括:
连接数据库,并在所述数据库中查询所述编号对应的字符的信息,如果没有查询到所述编号对应的字符的信息,则表示所述编号对应的字符异常;或者,
基于所述物体的编号规则判断所述编号对应的字符是否符合所述编号规则,如果不符合,则表示所述编号对应的字符异常。
10.根据权利要求1-4任一所述的钢材编码识别方法,其中,通过字符识别网络在所述字符提取图像中提取所述编号对应的字符。
11.根据权利要求10所述的钢材编码识别方法,其中,所述字符识别网络包括卷积神经网络、双向长短时记忆网络和连接时序分类器。
12.根据权利要求1-4任一所述的钢材编码识别方法,还包括:
从所述待识别图像中识别出所述物体以及所述编号的位置后,确定所述物体的运动状态以及统计所述物体的数量。
13.根据权利要求1-4任一所述的钢材编码识别方法,其中,所述设定区域范围包括传送所述物体的传送台所在的区域。
14.根据权利要求6所述的钢材编码识别方法,其中,调节所述待识别图像、所述编号图像或所述字符提取图像的亮度,包括:
获取所述待识别图像、所述编号图像或所述字符提取图像中各个像素的亮度平均值;
计算所述各个像素的亮度平均值与设定阈值的差值;
将所述各个像素的亮度统一加上或减去差值,以使得所述各个像素的亮度相同。
15.一种钢材编码识别系统的训练方法,包括:
获取包括作为识别对象的物体以及所述物体的编号的图像数据;
基于获取的所述图像数据生成新的图像数据;
将获取的所述图像数据和生成的所述新的图像数据作为所述钢材编码识别系统的训练数据集以对所述钢材编码识别系统进行训练;
其中,所述钢材编码识别系统用于实现权利要求1-14任一所述的钢材编码识别方法。
16.根据权利要求14所述的训练方法,其中,基于获取的所述图像数据生成新的图像数据,包括:
通过对抗神经网络基于获取的所述图像数据生成所述新的图像数据。
17.根据权利要求16所述的训练方法,其中,所述新的图像数据具有各种亮度。
18.一种钢材编码识别系统,包括:
图像采集装置,配置为实时采集待识别图像;
控制装置,与所述图像采集装置连接,配置为基于所述图像采集装置实时采集的所述待识别图像实现以下步骤:
对采集的各帧待识别图像分别进行识别处理;
当在当前帧待识别图像的设定区域范围内识别到待识别物体时,通过物体识别模型识别所述物体以及所述物体的编号的位置;
获取所述编号在所述待识别图像中的图中方向,并基于所述图中方向获得所述编号的朝向基准方向的编号图像;
基于所述编号朝向所述基准方向的所述编号图像,获得所述编号朝向识别朝向的字符提取图像;
在所述字符提取图像中提取所述编号对应的字符。
19.根据权利要求18所述的钢材编码识别系统,还包括:
输出装置,配置为输出提取的所述编号对应的字符。
20.根据权利要求19所述的钢材编码识别系统,其中,所述图像采集装置设置于工作环境中,所述控制装置和所述输出装置设置于操作环境下的远端,所述工作环境的环境温度高于所述操作环境的环境温度,且所述图像采集装置、所述控制装置和所述输出装置通过有线或无线方式通信连接。
21.根据权利要求20所述的钢材编码识别系统,还包括:
数据库,配置为存储所述编号的字符、所述物体的编号数据集或所述钢材编码识别系统的训练数据集。
22.根据权利要求18-21任一所述的钢材编码识别系统,其中,所述图像采集装置包括壳体和至少两个摄像头,所述至少两个摄像头设置于所述壳体的内部,且配置为能被调节为相对于被拍摄对象具有不同的拍摄角度。
23.根据权利要求22所述的钢材编码识别系统,其中,所述图像采集装置还包括照明设备,其中,所述照明设备配置为对所述被拍摄对象进行照明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010274297.6A CN111353494B (zh) | 2020-04-09 | 2020-04-09 | 钢材编码识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010274297.6A CN111353494B (zh) | 2020-04-09 | 2020-04-09 | 钢材编码识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353494A true CN111353494A (zh) | 2020-06-30 |
CN111353494B CN111353494B (zh) | 2023-06-23 |
Family
ID=71197538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010274297.6A Active CN111353494B (zh) | 2020-04-09 | 2020-04-09 | 钢材编码识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353494B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307909A (zh) * | 2020-10-15 | 2021-02-02 | 上海东方投资监理有限公司 | 一种钢结构计算方法、系统及其存储介质 |
CN113643340A (zh) * | 2021-08-16 | 2021-11-12 | 中冶东方工程技术有限公司 | 一种基于机器视觉的热轧钢轨物料跟踪方法及系统 |
CN113989270A (zh) * | 2021-11-19 | 2022-01-28 | 清华大学 | 考虑编码方向性的航空线缆编码视觉识别技方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1542656A (zh) * | 2003-04-30 | 2004-11-03 | ������������ʽ���� | 信息处理装置、信息处理方法、存储介质及程序 |
KR100734068B1 (ko) * | 2006-07-21 | 2007-07-02 | 주식회사 엠티케이 | 철강 시편의 관리 문자 정방향 식별 장치 |
JP2009277148A (ja) * | 2008-05-16 | 2009-11-26 | Ricoh Co Ltd | 文字認識装置、認識候補選出装置、文字認識候補選出方法、プログラムおよび記録媒体 |
CN101742036A (zh) * | 2008-11-17 | 2010-06-16 | 夏普株式会社 | 图像处理装置、图像形成装置以及图像处理方法 |
CN101833648A (zh) * | 2009-03-13 | 2010-09-15 | 汉王科技股份有限公司 | 文本图像的校正方法 |
CN102890783A (zh) * | 2011-07-20 | 2013-01-23 | 富士通株式会社 | 识别图像块中文字的方向的方法和装置 |
CN103870799A (zh) * | 2012-12-17 | 2014-06-18 | 北京千橡网景科技发展有限公司 | 字符方向判断方法及装置 |
JP2016057796A (ja) * | 2014-09-09 | 2016-04-21 | 株式会社アイエスピー | 携帯端末装置用のスキューロジック文字認識方法、プログラム及び携帯端末装置 |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108229470A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
CN108509960A (zh) * | 2018-04-20 | 2018-09-07 | 科大讯飞股份有限公司 | 一种文本朝向检测方法及装置 |
CN109961068A (zh) * | 2017-12-26 | 2019-07-02 | 阿里巴巴集团控股有限公司 | 图像识别、训练、搜索方法和装置及设备、介质 |
CN110222629A (zh) * | 2019-06-03 | 2019-09-10 | 中冶赛迪重庆信息技术有限公司 | 一种钢铁场景下的包号识别方法以及包号识别系统 |
CN110298353A (zh) * | 2019-07-03 | 2019-10-01 | 中国农业银行股份有限公司 | 一种字符识别方法及系统 |
CN110443239A (zh) * | 2019-06-28 | 2019-11-12 | 平安科技(深圳)有限公司 | 文字图像的识别方法及其装置 |
CN110490198A (zh) * | 2019-08-12 | 2019-11-22 | 上海眼控科技股份有限公司 | 文本方向校正方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-09 CN CN202010274297.6A patent/CN111353494B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1542656A (zh) * | 2003-04-30 | 2004-11-03 | ������������ʽ���� | 信息处理装置、信息处理方法、存储介质及程序 |
KR100734068B1 (ko) * | 2006-07-21 | 2007-07-02 | 주식회사 엠티케이 | 철강 시편의 관리 문자 정방향 식별 장치 |
JP2009277148A (ja) * | 2008-05-16 | 2009-11-26 | Ricoh Co Ltd | 文字認識装置、認識候補選出装置、文字認識候補選出方法、プログラムおよび記録媒体 |
CN101742036A (zh) * | 2008-11-17 | 2010-06-16 | 夏普株式会社 | 图像处理装置、图像形成装置以及图像处理方法 |
CN101833648A (zh) * | 2009-03-13 | 2010-09-15 | 汉王科技股份有限公司 | 文本图像的校正方法 |
CN102890783A (zh) * | 2011-07-20 | 2013-01-23 | 富士通株式会社 | 识别图像块中文字的方向的方法和装置 |
CN103870799A (zh) * | 2012-12-17 | 2014-06-18 | 北京千橡网景科技发展有限公司 | 字符方向判断方法及装置 |
JP2016057796A (ja) * | 2014-09-09 | 2016-04-21 | 株式会社アイエスピー | 携帯端末装置用のスキューロジック文字認識方法、プログラム及び携帯端末装置 |
CN107832767A (zh) * | 2017-11-14 | 2018-03-23 | 深圳码隆科技有限公司 | 集装箱箱号识别方法、装置及电子设备 |
CN108229470A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
CN109961068A (zh) * | 2017-12-26 | 2019-07-02 | 阿里巴巴集团控股有限公司 | 图像识别、训练、搜索方法和装置及设备、介质 |
CN108509960A (zh) * | 2018-04-20 | 2018-09-07 | 科大讯飞股份有限公司 | 一种文本朝向检测方法及装置 |
CN110222629A (zh) * | 2019-06-03 | 2019-09-10 | 中冶赛迪重庆信息技术有限公司 | 一种钢铁场景下的包号识别方法以及包号识别系统 |
CN110443239A (zh) * | 2019-06-28 | 2019-11-12 | 平安科技(深圳)有限公司 | 文字图像的识别方法及其装置 |
CN110298353A (zh) * | 2019-07-03 | 2019-10-01 | 中国农业银行股份有限公司 | 一种字符识别方法及系统 |
CN110490198A (zh) * | 2019-08-12 | 2019-11-22 | 上海眼控科技股份有限公司 | 文本方向校正方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
KANTA KURAMOTO等: "Efficient estimation of character normal direction for Camera-based OCR", 2015 13TH INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION (ICDAR), pages 1 - 5 * |
程加乐: "基于特征空间的旋转多字体文字识别", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 138 - 3820 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307909A (zh) * | 2020-10-15 | 2021-02-02 | 上海东方投资监理有限公司 | 一种钢结构计算方法、系统及其存储介质 |
CN112307909B (zh) * | 2020-10-15 | 2024-02-20 | 上海东方投资监理有限公司 | 一种钢结构计算方法、系统及其存储介质 |
CN113643340A (zh) * | 2021-08-16 | 2021-11-12 | 中冶东方工程技术有限公司 | 一种基于机器视觉的热轧钢轨物料跟踪方法及系统 |
CN113989270A (zh) * | 2021-11-19 | 2022-01-28 | 清华大学 | 考虑编码方向性的航空线缆编码视觉识别技方法及装置 |
CN113989270B (zh) * | 2021-11-19 | 2024-08-23 | 清华大学 | 考虑编码方向性的航空线缆编码视觉识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111353494B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353494B (zh) | 钢材编码识别系统及方法 | |
CN108229277B (zh) | 手势识别、手势控制及多层神经网络训练方法、装置及电子设备 | |
CN110232369B (zh) | 一种人脸识别方法和电子设备 | |
US9602728B2 (en) | Image capturing parameter adjustment in preview mode | |
US8733650B1 (en) | Decoding barcodes from images with varying degrees of focus | |
US11076132B2 (en) | Methods and systems for generating video synopsis | |
US8666145B2 (en) | System and method for identifying a region of interest in a digital image | |
US20200057886A1 (en) | Gesture recognition method and apparatus, electronic device, and computer-readable storage medium | |
US10671887B2 (en) | Best image crop selection | |
CN111401328A (zh) | 数据采集方法、装置、终端及存储介质 | |
CN109448007A (zh) | 图像处理方法、图像处理装置及存储介质 | |
CN106560840A (zh) | 一种图像信息识别处理方法及装置 | |
CN109754034A (zh) | 一种基于二维码的终端设备定位方法及装置 | |
EP3132382B1 (en) | Image acquisition using a level-indication icon | |
JP2013214143A (ja) | 車両異常管理装置、車両異常管理システム、車両異常管理方法、及びプログラム | |
CN116580305A (zh) | 一种基于深度学习的茶芽检测方法及其模型搭建方法 | |
US20160180545A1 (en) | Method and electronic device for object tracking in a light-field capture | |
CN111144156B (zh) | 一种图像数据处理方法和相关装置 | |
CN109785439B (zh) | 人脸素描图像生成方法及相关产品 | |
CN114783061A (zh) | 一种吸烟行为检测方法、装置、设备和介质 | |
CN108898163B (zh) | 信息处理方法和装置、电子设备、计算机可读存储介质 | |
US20170091760A1 (en) | Device and method for currency conversion | |
CN115696028A (zh) | 图像方向调整方法、装置、存储介质及电子设备 | |
JPWO2019097690A1 (ja) | 画像処理装置、制御方法及び制御プログラム | |
CN115497152A (zh) | 基于图像识别的客户信息分析方法、装置、系统及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |