CN111401142A - 基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法 - Google Patents
基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法 Download PDFInfo
- Publication number
- CN111401142A CN111401142A CN202010117394.4A CN202010117394A CN111401142A CN 111401142 A CN111401142 A CN 111401142A CN 202010117394 A CN202010117394 A CN 202010117394A CN 111401142 A CN111401142 A CN 111401142A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- character
- characters
- metal surface
- blade
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,在获取图片后,通过深度学习模型,进行字符整体位置定位、字符特征整体提取、单字符切割、单字符识别,图像摆正重识别并定制化输出结果。本发明改变了传统的依靠人工进行识别并手动进行记录的方法,能够大幅度提高航空叶片字符识别的准确率和效率,同时能够将是识别照片进行集中保存,便于后期对其进行查证。
Description
技术领域
本发明属于计算机视觉领域,具体地设计一种基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法。
背景技术
航空发动机叶片的识别记录过程是航空飞机组装过程中必不可少的一部分,航空制造领域对安全,可靠性有极高要求。航空发动机叶片是航空发动机的关键性部件,必须做好记录工作。现有的记录过程中,一般采用工人读取的方式进行记录,传统的识别过程有如下几个方面弊端:
(1)、依靠工人读取的方式进行记录,容易产生视觉疲劳,存在错误录入的隐患,无法保证记录信息的可靠性。
(2)、人工记录只有航空发动机叶片上的字符信息,不能保存原始的图片数据,在后期对于一些有疑惑的数据无法进行校准。
(3)、传统的识别过程效率较低。
发明内容
本发明的目的是为了解决以上现有技术的不足,提出了一种基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,包括显微镜摄像机、叶片夹持固定设备和运行着深度学习算法模型的电子设备,具体包含如下的步骤:
S1:模型预训练
利用大量航空发动机叶片图片和针对图片进行的标注内容,对深度学习模型进行训练;
S2:获取航空发动机叶片图片
通过显微镜摄像机进行发动机叶片图片拍摄;
S3:文字整体位置定位
文字在叶片上占比非常小,用深度学习模型进行文字范围定位,并把有文字的部分看做一个整体切割出来;
S4:文字特征整体提取
利用深度学习网络在切割后的文字图片上进行特征提取;
S5:单字符切割
根据提取出来的特征,定位每个字符,并把字符从整体图片上切分出来;
S6:单字符识别
对于切割出来的图形,根据特征以及前期网络提供的长宽、字符间拟合出的直线斜率等信息进行字符识别;
S7:图像摆正重识别
如果深度学习网络判断的图片倾斜角度过大,将把图片进行摆正操作,并进行重新识别;
S8:定制化输出结果
获取识别结果,对结果处理之后输出到终端设备。
进一步地,利用显微镜摄像机对叶片字符进行拍照。
更进一步地,使用训练好的深度学习目标检测模型检测航空发动机叶片上有字符位置的坐标。
更进一步地,使用所述检测模型返回多种不同尺度的特征图数据。
更进一步地,在使用所述检测模型中,确认字符坐标位置步骤中,基于卷积网络进行定位。
更进一步地,在使用所述检测模型中,识别出单个字符的含义,包括中文,数值,英文俄文中的具体文字内容。
更进一步地,在使用所述检测模型中,如果发现输入进来的图片文字倾斜角度过大,会修正文字到水平位置,然后重新检测。
更进一步地,在使用所述检测模型中,会输入每个字符的位置和内容信息,并且按以文字从左到右、从上到下的默认阅读顺序,输出文本。
有益效果:1、本发明通过摄影设备采集图片,通过深度学习算法进行识别判断,并对图像数据和识别数据进行集中保存,改变了传统的依靠人工进行识别并手动进行记录的方法,能够大幅度提高航空叶片字符识别的准确率和效率,便于后期对其进行查证,进一步保证数据的准确性;2、与其他现有文字识别方法相比,本发明中在找到目标字符位置后,进行字符类别识别的过程中,加入了字符的长、宽、所有字符相拟合直线的斜率等信息,作为新的特征,加入到字符分类识别的训练中,有效提高了识别的准确率。3、本发明中无需大量调整参数,只需要工程人员去维护一个通过深度学习技术训练出来的模型文件,增加新数据时,只需将新增的数据加入模型重新训练模型,然后更新模型文件即可
附图说明
图1是本发明方法流程图;
图2是本发明方法中Resnet的局部结构Residual block图;
图3是带有FPN结构的Resnet整体结构图;
图4是是Resnet-101卷积参数细节
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1,一种基于深度学习的航空发动机叶片金属表面蚀刻字符方法,包括以下步骤:
在本发明实例中,需要进行模型预训练。在模型预训练时期,通过显微镜摄像机设备进行发动机叶片图片拍摄收集大量航空发动机叶片数据。利用大量航空发动机叶片图片和针对图片制作的样本描述文件,对深度学习模型进行训练,构建起叶片字符检测识别模型。将数据送入神经网络训练之前,进行数据预处理操作,即数据审核、筛选、数据增强,和归一化等必要操作。
在本发明实例中,在应用过程中,需要先获取航空发动机叶片图片,通过显微镜摄像机设备进行发动机叶片图片拍摄。
在本发明实例中,选用Faster-RCNN作为基本检测框架。所述Faster-RCNN 检测框架,其中特征提取部分的卷积层采用带有FPN结构的Resnet-101网络。共有卷积层112层,Batch-Normalzation层104层,其中Resnet-101中的具体卷积参数,见表1。带有FPN结构的Resnet-101网络会对文字图片进行卷积运算,生成五层特征图。
Resnet中大量具有如图2的局部结构,公式表达为:
y=F(x,{W})+x
其中,x代表输入数据,y代表输出数据,W是可训练的参数,F为对x 和W进行的某种运算,可以看到输出由输入的经过运算后的结果和输入信号叠加,这个简单的加法并不会给网络增加额外的参数和计算量,同时却可以大大增加模型的训练速度、提高训练效果,并且当模型的层数加深时,这个简单的结构能够很好的解决退化问题。
在本发明实例中,Region Proposal Network(RPN)生成检测框anchor,并遍历检测框内的特征图,一条网络通过softmax分类anchors获得positive 和negative分类,另外一条网络用于计算对于anchors的bounding box regression偏移量,以获得精确的proposal。而最后的Proposal层则负责综合positive anchors和对应bounding boxregression偏移量获取proposals,同时剔除太小和超出边界的proposals,候选ROI区域。
在本发明实例中,RoI pooling层则负责收集proposal,并计算出proposalfeature maps,并且规范到同一形状送入后续网络。
在本发明实例中,分类网络部分利用已经获得的proposal feature maps,和用proposal计算出来的图片水平旋转程度,字符的宽和高度也同样作为特征,通过fullconnect层与softmax计算每个proposal具体属于那个类别,输出cls_prob概率向量;同时再次利用bounding box regression获得每个 proposal的位置偏移量bbox_pred,用于回归更加精确的目标检测框。
在本发明实例中,航空发动机叶片金属表面蚀刻字符识别模型,识别字符包括,数字字符(0-9),共10类,俄文大写字符(А、Б、В、Г、Д、Е、Ё、Ж、З、И、Й、К、Л、М、Н、О、Я、П、Р、С、Т、У、Ф、Х、Ц、Ч、Ш、Щ、Э、Ю)共30类。总共40类。使用所述航空发动机叶片金属表面蚀刻字符识别模型,在金属表面文字区域内,定位出每个字符的坐标。
在本发明实例中,后续处理,对识别结果中相邻的两个字符做交并比运算。如果相邻的两个字符间的交并比大于指定阈值,则认为识别结果中有重复识别,保留识别字符中面积值最大的字符。
在本发明实例中,如果深度学习网络判断的图片倾斜角度过大,将把图片进行摆正操作,并进行重新识别;
获取识别结果,对结果处理之后输出到终端设备。
本实例引进深度学习AI算法到图象处理中进行字符的识别,大幅度提高了字符识别的效率,降低了识别的错误率。无需大量调整参数。只需要工程人员去维护一个通过深度学习技术训练出来的模型文件,增加新数据时,只需将新增的数据加入模型重新训练模型,然后更新模型文件即可
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,包括显微镜摄像机、叶片夹持固定设备和运行着深度学习算法模型的电子设备,具体包含如下的步骤:
S1:模型预训练
利用大量航空发动机叶片图片和针对图片进行的标注内容,对深度学习模型进行训练;
S2:获取航空发动机叶片图片
通过显微镜摄像机进行发动机叶片图片拍摄;
S3:文字整体位置定位
文字在叶片上占比非常小,用深度学习模型进行文字范围定位,并把有文字的部分看做一个整体切割出来;
S4:文字特征整体提取
利用深度学习网络在切割后的文字图片上进行特征提取;
S5:单字符切割
根据提取出来的特征,定位每个字符,并把字符从整体图片上切分出来;
S6:单字符识别
对于切割出来的图形,根据特征以及前期网络提供的长宽、字符间拟合出的直线斜率等信息进行字符识别;
S7:图像摆正重识别
如果深度学习网络判断的图片倾斜角度过大,将把图片进行摆正操作,并进行重新识别;
S8:定制化输出结果
获取识别结果,对结果处理之后输出到终端设备。
2.根据权利要求1所述的一种基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,利用显微镜摄像机对叶片字符进行拍照。
3.根据权利要求1所述的基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,使用训练好的深度学习目标检测模型检测航空发动机叶片上有字符位置的坐标。
4.根据权利要求1所述的基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,使用所述检测模型返回多种不同尺度的特征图数据。
5.根据权利要求1所述的基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,在使用所述检测模型中,确认字符坐标位置步骤中,基于卷积网络进行定位。
6.根据权利要求1所述的基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,在使用所述检测模型中,识别出单个字符的含义,包括中文,数值,英文俄文中的具体文字内容。
7.根据权利要求1所述的基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,在使用所述检测模型中,如果发现输入进来的图片文字倾斜角度过大,会修正文字到水平位置,然后重新检测。
8.根据权力要求1所述的基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法,其特征在于,在使用所述检测模型中,会输入每个字符的位置和内容信息,并且按以文字从左到右、从上到下的默认阅读顺序,输出文本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117394.4A CN111401142A (zh) | 2020-02-25 | 2020-02-25 | 基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117394.4A CN111401142A (zh) | 2020-02-25 | 2020-02-25 | 基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401142A true CN111401142A (zh) | 2020-07-10 |
Family
ID=71430421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117394.4A Pending CN111401142A (zh) | 2020-02-25 | 2020-02-25 | 基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401142A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI786946B (zh) * | 2021-11-15 | 2022-12-11 | 國立雲林科技大學 | 金屬製品表面之文字辨識方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991010208A1 (fr) * | 1989-12-28 | 1991-07-11 | Commissariat A L'energie Atomique | Systeme de reconnaissance d'un caractere grave sur un support |
US5220621A (en) * | 1990-08-01 | 1993-06-15 | International Business Machines Corporation | Character recognition system using the generalized hough transformation and method |
JPH10222608A (ja) * | 1997-02-06 | 1998-08-21 | Toyota Motor Corp | 文字検査方法及び装置 |
JP2000048120A (ja) * | 1998-07-28 | 2000-02-18 | Nippon Telegr & Teleph Corp <Ntt> | 濃淡画像の文字領域抽出方法及びそのプログラムを記録した記録媒体 |
CN101329731A (zh) * | 2008-06-06 | 2008-12-24 | 南开大学 | 图像中数学公式的自动识别方法 |
CN102778458A (zh) * | 2011-05-13 | 2012-11-14 | 苏州三埃照明科技有限公司 | 一种适用于百叶窗叶片的影像识别检测装置 |
CN105046252A (zh) * | 2014-11-21 | 2015-11-11 | 华中科技大学 | 一种人民币冠字码识别方法 |
JP2016033797A (ja) * | 2014-07-31 | 2016-03-10 | 日本鋳鉄管株式会社 | 文字読み取り装置、及び文字読み取り方法 |
CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
CN108009538A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号智能识别方法 |
CN108229506A (zh) * | 2016-12-13 | 2018-06-29 | 上海安维尔信息科技股份有限公司 | 基于层次聚类和深度学习的箱号识别方法 |
CN108921163A (zh) * | 2018-06-08 | 2018-11-30 | 南京大学 | 一种基于深度学习的包装喷码检测方法 |
CN108985305A (zh) * | 2018-06-26 | 2018-12-11 | 武汉科技大学 | 一种激光蚀刻工业雷管编码图像定位及校正方法 |
CN110375645A (zh) * | 2019-07-04 | 2019-10-25 | 成都绝影智能科技有限公司 | 一种字符尺寸检测的方法和装置 |
-
2020
- 2020-02-25 CN CN202010117394.4A patent/CN111401142A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1991010208A1 (fr) * | 1989-12-28 | 1991-07-11 | Commissariat A L'energie Atomique | Systeme de reconnaissance d'un caractere grave sur un support |
US5220621A (en) * | 1990-08-01 | 1993-06-15 | International Business Machines Corporation | Character recognition system using the generalized hough transformation and method |
JPH10222608A (ja) * | 1997-02-06 | 1998-08-21 | Toyota Motor Corp | 文字検査方法及び装置 |
JP2000048120A (ja) * | 1998-07-28 | 2000-02-18 | Nippon Telegr & Teleph Corp <Ntt> | 濃淡画像の文字領域抽出方法及びそのプログラムを記録した記録媒体 |
CN101329731A (zh) * | 2008-06-06 | 2008-12-24 | 南开大学 | 图像中数学公式的自动识别方法 |
CN102778458A (zh) * | 2011-05-13 | 2012-11-14 | 苏州三埃照明科技有限公司 | 一种适用于百叶窗叶片的影像识别检测装置 |
JP2016033797A (ja) * | 2014-07-31 | 2016-03-10 | 日本鋳鉄管株式会社 | 文字読み取り装置、及び文字読み取り方法 |
CN105046252A (zh) * | 2014-11-21 | 2015-11-11 | 华中科技大学 | 一种人民币冠字码识别方法 |
CN108229506A (zh) * | 2016-12-13 | 2018-06-29 | 上海安维尔信息科技股份有限公司 | 基于层次聚类和深度学习的箱号识别方法 |
CN107247950A (zh) * | 2017-06-06 | 2017-10-13 | 电子科技大学 | 一种基于机器学习的身份证图像文本识别方法 |
CN108009538A (zh) * | 2017-12-22 | 2018-05-08 | 大连运明自动化技术有限公司 | 一种汽车发动机缸体序列号智能识别方法 |
CN108921163A (zh) * | 2018-06-08 | 2018-11-30 | 南京大学 | 一种基于深度学习的包装喷码检测方法 |
CN108985305A (zh) * | 2018-06-26 | 2018-12-11 | 武汉科技大学 | 一种激光蚀刻工业雷管编码图像定位及校正方法 |
CN110375645A (zh) * | 2019-07-04 | 2019-10-25 | 成都绝影智能科技有限公司 | 一种字符尺寸检测的方法和装置 |
Non-Patent Citations (2)
Title |
---|
"Comparison between Pen-scanner and Digital Camera Acquisition for Engraved Character Recognition", pages 130 - 137 * |
苏展: "机器视觉系统在汽车发动机装配线的应用", pages 55 - 57 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI786946B (zh) * | 2021-11-15 | 2022-12-11 | 國立雲林科技大學 | 金屬製品表面之文字辨識方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
US7336827B2 (en) | System, process and software arrangement for recognizing handwritten characters | |
US6327386B1 (en) | Key character extraction and lexicon reduction for cursive text recognition | |
CN111325203A (zh) | 一种基于图像校正的美式车牌识别方法及系统 | |
CN109886978B (zh) | 一种基于深度学习的端到端告警信息识别方法 | |
CN112330592A (zh) | 风机叶片缺陷检测方法和装置、存储介质 | |
CN111488911B (zh) | 基于Mask R-CNN与GAN的图像实体抽取方法 | |
CN111340022A (zh) | 身份证信息识别方法、装置、计算机设备及存储介质 | |
CN114359538A (zh) | 一种水表读数定位与识别方法 | |
CN114463767A (zh) | 信用证识别方法、装置、计算机设备和存储介质 | |
CN114841920A (zh) | 基于图像处理的火焰识别方法、装置及电子设备 | |
CN111652117A (zh) | 一种对多文档图像分割的方法及介质 | |
CN111832616A (zh) | 利用多类深度表示图的遥感图像飞机型号识别方法及系统 | |
CN111401142A (zh) | 基于深度学习的航空发动机叶片金属表面蚀刻字符识别方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN111145314B (zh) | 一种结合地名标注的扫描电子地图地名符号的提取方法 | |
CN113657377A (zh) | 一种机打票据图像结构化识别方法 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN116363655A (zh) | 一种财务票据识别方法及系统 | |
CN116563735A (zh) | 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法 | |
CN111325735A (zh) | 基于深度学习的航空发动机保险状态检测方法 | |
US20150169973A1 (en) | Incomplete patterns | |
CN115690810A (zh) | 一种具有在线自动优化功能的ocr识别方法及系统 |
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 |