CN111738254A - 一种继电保护装置面板与屏幕内容自动化识别方法 - Google Patents

一种继电保护装置面板与屏幕内容自动化识别方法 Download PDF

Info

Publication number
CN111738254A
CN111738254A CN201910968116.7A CN201910968116A CN111738254A CN 111738254 A CN111738254 A CN 111738254A CN 201910968116 A CN201910968116 A CN 201910968116A CN 111738254 A CN111738254 A CN 111738254A
Authority
CN
China
Prior art keywords
image
text
relay protection
protection device
panel
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
CN201910968116.7A
Other languages
English (en)
Inventor
张薇薇
王彦
张承模
田恩勇
胡星
王勋
韩胜国
张庆伟
周在邦
毛强
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201910968116.7A priority Critical patent/CN111738254A/zh
Publication of CN111738254A publication Critical patent/CN111738254A/zh
Pending legal-status Critical Current

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
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/635—Overlay text, e.g. embedded captions in a TV program
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种继电保护装置面板与屏幕内容自动化识别方法，该方法包括步骤：S1、获取继电保护装置面板与屏幕图像；S2、对所获取图像进行预处理以增强图片的可辨识度；S3、对所述已增强图像进行文本检测，将图片中的文本区域位置检测出来；S4、对所述文本区域进行文字识别，识别出继电保护装置面板与屏幕所带参数信息。本发明的识别方法可以有效的减少工作人员的工作量，且识别准确率较高，提高继电保护设备信息管理的工作效率。

Description

一种继电保护装置面板与屏幕内容自动化识别方法
技术领域
本发明属于面板与屏幕内容自动化识别技术领域，具体涉及一种继电保护装置面板与屏幕内容自动化识别方法。
背景技术
随着公司规模的逐渐扩大，设备数据的不断增加，传统变电站中的继电保护管理信息化水平低，缺少统一的继电保护信息维护模型等问题日益严重。因此，开发一套现代化智能继电保护信息管理系统成了当务之急。而继电保护装置台账信息的建立是系统工作的重点之一，设备台账主要记录设备的固有属性，这些属性参数都记录在继电保护设备的面板与屏幕中。
传统的产参数信息获取主要依靠人工，由现场工作人员靠人眼辨别并手动录入系统，而这种方法造成极大的人力资源浪费且效率低下。
近年来随着图像识别技术的发展，开始将其应用于面板与屏幕的图像的识别上，但效果并未达到预期，主要受到以下两个方面的影响：(1)图像的质量问题。所采集图像受到光照或拍照时的抖动及其他噪声等影响，易产生曝光，像素失真或难以辨别文本区域等质量问题。(2)处理算法的选择。算法太复杂会造成运算时间过长，造成用户长时间等待；算法过于简单又会使识别的精确度太低无法达到要求。
发明内容
本发明要解决的技术问题是：提供一种继电保护装置面板与屏幕内容自动化识别方法，以解决现有技术中存在的问题。
本发明采取的技术方案为：一种继电保护装置面板与屏幕内容自动化识别方法，该方法包括以下步骤：
S1：获取继电保护装置面板与屏幕图像；
S2：对所述继电保护装置面板与屏幕图像进行预处理；
S3：对所述预处理后图像使用CTPN模型进行文本的检测；
S4：使用LSTM+CTC文本识别网络来对所述检测出文本进行文本的识别。
步骤S2中预处理方法包括以下步骤：
S201：对所述继电保护装置面板与屏幕图像进行灰度化处理，转成灰度图像；
S202：对所述灰度图像增强，采用一种双直方图均衡的算法来对图像进行增强，即选择一个合适的灰度阈值，将原图像划分为两个子图，分别进行直方图均衡，最后将两个子图像合并；
S203：对所述灰度阈值的选取，采用以下准则：
1.图像的信息熵
2.图像的亮度差
将图像的信息熵定义如下：
Figure RE-GDA0002619123890000021
其中，pi表示灰度i的概率，L表示输入图像总的灰度级数；
图像的亮度差由输入图像的平均亮度与输出图像的平均亮度表示，定义如下：
G(x)＝|g(m)-f(l)|
Figure RE-GDA0002619123890000031
Figure RE-GDA0002619123890000032
其中，g(m)表示输出图像m的平均亮度，f(l)表示输入图像l的平均亮度， n1i和n2i分别表示输出与输入图像灰度值为i的像素个数，N1和N2分别表示输出与输入图像的总像素个数；
综上，所述灰度阈值为:
Figure RE-GDA0002619123890000033
S204：通过所述灰度阈值，将所述缩放后继电保护装置面板与屏幕图像划分成两个子图像，分别进行直方图均衡化，最后将俩个子图像合并，得到合并图像；
S205：对所述合并图像进行缩放。
步骤S3中使用CTPN模型进行文本的检测方法包括以下步骤：
S301：输入所述增强后图像，使用VGG16进行特征的提取，得到conv5_3 (VGG第5个block的第三个卷积层)的特征作为feature map；
S302：在这个feature map上做滑窗；
S303：将每一行的所有窗口对应的特征输入到RNN(BLSTM，双向LSTM) 中；
S304：将RNN的结果输入到FC层(全连接层)；
S305：FC层特征输入到三个回归层中；
S306：使用文本构造的算法，将得到的细长的矩形框，作为候选区，将每两个相近的候选区组成一个pair，合并不同的pair成文本序列框直到无法再合并为止。
步骤S4中使用LSTM+CTC文本识别网络来对所述检测出文本进行文本的识别方法包括以下步骤：
S401：传统的CNN网络只能通过文本的外形特征来进行识别，而在继电保护装置面板与屏幕内容的识别过程中，文本的上下文联系至关重要，因此对网络搭建LSTM(LongShort-Term Memory)层来进行文本的识别；
S402：对LSTM层的输出数据进行解码，引入CTC(Connectionist TemporalClassification)层，CTC层根据空白符分割序列，合并相邻且相同的字符；
S403：解码后进行网络的训练，采用M.Jaderberg的开源工程人工生成训练数据；
S404：将所述训练数据导入到构建好网络模型中，使用梯度下降法最小化损失函数如下所示：
o＝-∑log p(li|yi)，i＝(0,1,2...n)
其中，yi、li分别代表第i个输入和其对应的真实标签序列，p(li|yi)表示第i个输入对应其真实标签序列的概率；
通过训练修改网络参数，得出训练好的LSTM+CTC文本识别网络；
S405：将检测出文本的图像输入训练好的LSTM+CTC文本识别网络，得出最终的文本识别结果。
本发明的有益效果：本发明主要是将图像增强、基于CTPN网络的文本检测和基于LSTM+CTC网络的文本识别方法应用到继电保护装置的面板与屏幕识别中，改善现有识别方法的不足，从而提高文字识别的准确性。与现有技术相比，本发明通过对图像预处理部分的图像增强操作，可以有效提升图像的对比度，消除亮度噪音，提升图像质量，解决因图像质量而影响识别准确度的问题；而通过CTPN模型进行的文本检测，准确率较高，且网络层级简单，运行时间较快；LSTM+CTC的文本识别方法可以引入对识别文本的上下文分析，进一步提升文字识别准确性。将本方法应用到实际工作中，可以提升现场工作人员采集保护设备信息的准确性和工作效率，并能够有效的减少工作人员的工作量，提高继电保护设备信息管理水平。
附图说明
图1是本发明的流程图；
图2是本发明的识别流程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1-图2所示，一种继电保护装置面板与屏幕内容自动化识别方法，该方法包括以下步骤：
S1：获取继电保护装置面板与屏幕图像；
S2：对所述继电保护装置面板与屏幕图像进行预处理；
预处理方法包括以下步骤：
S201：对所述继电保护装置面板与屏幕图像进行灰度化处理，转成灰度图像，方法如下：
I(x,y)＝0.3*I_R(x,y)+0.59*I_G(x,y)+0.11*I_B(x,y)
其中，I(x,y)表示在坐标x,y处像素的灰度值，I_R(x,y)，I_G(x,y)，I_B(x,y) 分别在坐标x，y处图像R、G和B三个通道的值。
S202：对所述灰度图像增强，由于受现场光线及拍摄角度等影响，所拍摄图像易产生曝光、对比度不明显等问题，因此采用一种改进后的双直方图均衡的算法来对图像进行增强，传统的直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，而这种处理会使一部分灰度被拉伸，而一部分灰度被合并，表现为图像被过度增强。改进后的双直方图均衡算法选择一个合适的灰度阈值，将原图像划分为两个子图，分别进行直方图均衡，最后将两个子图像合并；
S203：对所述灰度阈值的选取，采用以下准则：
1.图像的信息熵
2.图像的亮度差
信息量表示具体事件发生了所带来的信息，而熵则是对可能产生的信息量的期望，即所有可能发生事件所带来的信息量的期望。对于灰度图像来说，图像的信息熵可以表示人眼可获得的图像信息的亮度，即可以用来衡量图像直方图的均匀分布情况，能够预测图像细节的丰富性。将图像的信息熵定义如下：
Figure RE-GDA0002619123890000061
其中，pi表示灰度i的概率，L表示输入图像总的灰度级数；
图像的亮度差由输入图像的平均亮度与输出图像的平均亮度表示，定义如下：
G(x)＝|g(m)-f(l)|
Figure RE-GDA0002619123890000071
Figure RE-GDA0002619123890000072
其中，g(m)表示输出图像m的平均亮度，f(l)表示输入图像l的平均亮度， n1i和n2i分别表示输出与输入图像灰度值为i的像素个数，N1和N2分别表示输出与输入图像的总像素个数；
综上，所述灰度阈值为:
Figure RE-GDA0002619123890000073
S204：通过所述灰度阈值，将所述缩放后继电保护装置面板与屏幕图像划分成两个子图像，分别进行直方图均衡化，最后将俩个子图像合并，得到合并图像；
S205：对所述合并图像进行缩放；
S3：对所述预处理后图像使用CTPN模型进行文本的检测；
检测方法包括以下步骤：
S301：输入所述增强后图像，使用VGG16进行特征的提取，得到conv5_3 (VGG第5个block的第三个卷积层)的特征作为feature map；
S302：在这个feature map上做滑窗；
S303：将每一行的所有窗口对应的特征输入到RNN(BLSTM，双向LSTM) 中；
S304：将RNN的结果输入到FC层(全连接层)；
S305：FC层特征输入到三个回归层中；
S306：使用文本构造的算法，将得到的细长的矩形框，作为候选区，将每两个相近的候选区组成一个pair，合并不同的pair成文本序列框直到无法再合并为止；
S4：使用LSTM+CTC文本识别网络来对所述检测出文本进行文本的识别；如图2所示，识别方法包括以下步骤：
S401：传统的CNN网络只能通过文本的外形特征来进行识别，而在继电保护装置面板与屏幕内容的识别过程中，文本的上下文联系至关重要，因此对网络搭建LSTM(LongShort-Term Memory)层来进行文本的识别；
S402：对LSTM层的输出数据进行解码，引入CTC(Connectionist TemporalClassification)层，CTC层根据空白符分割序列，合并相邻且相同的字符；
S403：解码后进行网络的训练，采用M.Jaderberg的开源工程人工生成训练数据；
S404：将所述训练数据导入到构建好网络模型中，使用梯度下降法最小化损失函数如下所示：
o＝-∑log p(li|yi)，i＝(0,1,2...n)
其中，li、yi分别代表第i个真实标签序列和第i个输入，p(li|yi)表示第i个输入对应其真实标签序列的概率；
通过训练修改网络参数，得出训练好的LSTM+CTC文本识别网络；
S405：将检测出文本的图像输入训练好的LSTM+CTC文本识别网络，得出最终的文本识别结果。

Claims (4)

1.一种继电保护装置面板与屏幕内容自动化识别方法，其特征在于：该方法包括以下步骤：
S1：获取继电保护装置面板与屏幕图像；
S2：对所述继电保护装置面板与屏幕图像进行预处理；
S3：对所述预处理后图像使用CTPN模型进行文本的检测；
S4：使用LSTM+CTC文本识别网络来对所述检测出文本进行文本的识别。
2.根据权利要求1所述的一种继电保护装置面板与屏幕内容自动化识别方法，其特征在于：步骤S2中预处理方法包括以下步骤：
S201：对所述继电保护装置面板与屏幕图像进行灰度化处理，转成灰度图像；
S202：对所述灰度图像增强，采用一种双直方图均衡的算法来对图像进行增强，即选择一个合适的灰度阈值，将原图像划分为两个子图，分别进行直方图均衡，最后将两个子图像合并；
S203：对所述灰度阈值的选取，采用以下准则：
1.图像的信息熵
2.图像的亮度差
将图像的信息熵定义如下：
Figure FDA0002231173790000011
其中，pi表示灰度i的概率，L表示输入图像总的灰度级数；
图像的亮度差由输入图像的平均亮度与输出图像的平均亮度表示，定义如下：
G(x)＝|g(m)-f(l)|
Figure FDA0002231173790000021
Figure FDA0002231173790000022
其中，g(m)表示输出图像m的平均亮度，f(l)表示输入图像l的平均亮度，n1i和n2i分别表示输出与输入图像灰度值为i的像素个数，N1和N2分别表示输出与输入图像的总像素个数；
综上，所述灰度阈值为:
Figure FDA0002231173790000023
S204：通过所述灰度阈值，将所述缩放后继电保护装置面板与屏幕图像划分成两个子图像，分别进行直方图均衡化，最后将俩个子图像合并，得到合并图像；
S205：对所述合并图像进行缩放。
3.根据权利要求1所述的一种继电保护装置面板与屏幕内容自动化识别方法，其特征在于：步骤S3中使用CTPN模型进行文本的检测方法包括以下步骤：
S301：输入所述增强后图像，使用VGG16进行特征的提取，得到conv5_3的特征作为feature map；
S302：在这个feature map上做滑窗；
S303：将每一行的所有窗口对应的特征输入到RNN中；
S304：将RNN的结果输入到FC层；
S305：FC层特征输入到三个回归层中；
S306：使用文本构造的算法，将得到的细长的矩形框，作为候选区，将每两个相近的候选区组成一个pair，合并不同的pair成文本序列框直到无法再合并为止。
4.根据权利要求1所述的一种继电保护装置面板与屏幕内容自动化识别方法，其特征在于：步骤S4中使用LSTM+CTC文本识别网络来对所述检测出文本进行文本的识别方法包括以下步骤：
S401：在继电保护装置面板与屏幕内容的识别过程中，对网络搭建LSTM层来进行文本的识别；
S402：对LSTM层的输出数据进行解码，引入CTC层，CTC层根据空白符分割序列，合并相邻且相同的字符；
S403：解码后进行网络的训练，采用开源工程人工生成训练数据；
S404：将所述训练数据导入到构建好网络模型中，使用梯度下降法最小化损失函数如下所示：
o＝-∑log p(li|yi)，i＝(0,1,2...n)
其中，yi、li分别代表第i个输入和其对应的真实标签序列，p(li|yi)表示第i个输入对应其真实标签序列的概率；
通过训练修改网络参数，得出训练好的LSTM+CTC文本识别网络；
S405：将检测出文本的图像输入训练好的LSTM+CTC文本识别网络，得出最终的文本识别结果。
CN201910968116.7A 2019-10-12 2019-10-12 一种继电保护装置面板与屏幕内容自动化识别方法 Pending CN111738254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910968116.7A CN111738254A (zh) 2019-10-12 2019-10-12 一种继电保护装置面板与屏幕内容自动化识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910968116.7A CN111738254A (zh) 2019-10-12 2019-10-12 一种继电保护装置面板与屏幕内容自动化识别方法

Publications (1)

Publication Number Publication Date
CN111738254A true CN111738254A (zh) 2020-10-02

Family

ID=72645667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910968116.7A Pending CN111738254A (zh) 2019-10-12 2019-10-12 一种继电保护装置面板与屏幕内容自动化识别方法

Country Status (1)

Country Link
CN (1) CN111738254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508024A (zh) * 2020-11-11 2021-03-16 广西电网有限责任公司南宁供电局 一种变压器电气铭牌钢印字体智能识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10002301B1 (en) * 2017-09-19 2018-06-19 King Fahd University Of Petroleum And Minerals System, apparatus, and method for arabic handwriting recognition
CN108960062A (zh) * 2018-06-01 2018-12-07 平安科技（深圳）有限公司 校正发票图像的方法、装置、计算机设备和存储介质
CN109344824A (zh) * 2018-09-21 2019-02-15 泰康保险集团股份有限公司 一种文本行区域检测方法、装置、介质和电子设备
CN109492643A (zh) * 2018-10-11 2019-03-19 平安科技（深圳）有限公司 基于ocr的证件识别方法、装置、计算机设备及存储介质
US20190102653A1 (en) * 2017-09-29 2019-04-04 Konica Minolta Laboratory U.S.A., Inc. Local connectivity feature transform of binary images containing text characters for optical character/word recognition
CN110298343A (zh) * 2019-07-02 2019-10-01 哈尔滨理工大学 一种手写黑板板书识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10002301B1 (en) * 2017-09-19 2018-06-19 King Fahd University Of Petroleum And Minerals System, apparatus, and method for arabic handwriting recognition
US20190102653A1 (en) * 2017-09-29 2019-04-04 Konica Minolta Laboratory U.S.A., Inc. Local connectivity feature transform of binary images containing text characters for optical character/word recognition
CN108960062A (zh) * 2018-06-01 2018-12-07 平安科技（深圳）有限公司 校正发票图像的方法、装置、计算机设备和存储介质
CN109344824A (zh) * 2018-09-21 2019-02-15 泰康保险集团股份有限公司 一种文本行区域检测方法、装置、介质和电子设备
CN109492643A (zh) * 2018-10-11 2019-03-19 平安科技（深圳）有限公司 基于ocr的证件识别方法、装置、计算机设备及存储介质
CN110298343A (zh) * 2019-07-02 2019-10-01 哈尔滨理工大学 一种手写黑板板书识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MD. MONIRUZZAMAN ET AL.: "Brightness Preserving Bi-Histogram Equalization Using Edge Pixels Information", 《2013 INTERNATIONAL CONFERENCE ON ELECTRICAL INFORMATION AND COMMUNICATION TECHNOLOGY》 *
武英: "基于双直方图均衡的自适应图像增强算法", 《计算机工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508024A (zh) * 2020-11-11 2021-03-16 广西电网有限责任公司南宁供电局 一种变压器电气铭牌钢印字体智能识别方法

Similar Documents

Publication Publication Date Title
CN109879005B (zh) 皮带撕裂检测装置及方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
WO2021027135A1 (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110059694A (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN111368764B (zh) 一种基于计算机视觉与深度学习算法的虚假视频检测方法
CN111339902B (zh) 一种数显仪表的液晶屏示数识别方法及装置
CN109389569B (zh) 基于改进DehazeNet的监控视频实时去雾方法
CN116485785B (zh) 一种太阳能电池片的表面缺陷检测方法
CN111696021B (zh) 一种基于显著性检测的图像自适应隐写分析系统及方法
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN112819837B (zh) 一种基于多源异构遥感影像的语义分割方法
CN110516676A (zh) 一种基于图像处理的银行卡号识别系统
CN114170480A (zh) 一种基于Yolo V5的多阈值半监督道路异常病害智能检测方法
CN111209858A (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN111260645A (zh) 基于分块分类深度学习的篡改图像检测方法及系统
CN114677377A (zh) 显示屏缺陷检测方法、训练方法、装置、设备及介质
CN112102250A (zh) 训练数据为缺失标注的病理图像检测模型建立、检测方法
CN110321969B (zh) 一种基于mtcnn的车脸对齐方法
CN111950457A (zh) 油田安全生产图像识别方法及系统
CN111275020A (zh) 一种房间状态识别方法
CN111738254A (zh) 一种继电保护装置面板与屏幕内容自动化识别方法
CN117854402A (zh) 显示屏的异常显示检测方法、装置、终端设备
CN113011431A (zh) 一种基于MaskRCNN的汉字笔画分割提取方法及系统
CN113781388A (zh) 基于图像增强的输电线路通道隐患图像识别方法及装置
CN112488165A (zh) 一种基于深度学习模型的红外行人识别方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201002

RJ01 Rejection of invention patent application after publication