CN111950556A - 一种基于深度学习的号牌印刷质量检测方法 - Google Patents

一种基于深度学习的号牌印刷质量检测方法 Download PDF

Info

Publication number
CN111950556A
CN111950556A CN202010847413.9A CN202010847413A CN111950556A CN 111950556 A CN111950556 A CN 111950556A CN 202010847413 A CN202010847413 A CN 202010847413A CN 111950556 A CN111950556 A CN 111950556A
Authority
CN
China
Prior art keywords
number plate
model
printing quality
image
training
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.)
Withdrawn
Application number
CN202010847413.9A
Other languages
English (en)
Inventor
刘东波
王军华
钱彬
虞力英
戴佳
林万华
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.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
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 Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN202010847413.9A priority Critical patent/CN111950556A/zh
Publication of CN111950556A publication Critical patent/CN111950556A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体公开了一种基于深度学习的号牌印刷质量检测方法，其中，包括：获取号牌定位模型和号牌识别模型；将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标；将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域；根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果；将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果。本发明提供的基于深度学习的号牌印刷质量检测方法能够在一般化近景条件下对号牌印刷质量进行检测，弥补了过往研究对于号牌印刷质量检测精度和速度双标准的不足，具有极大的应用价值和意义。

Description

一种基于深度学习的号牌印刷质量检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的号牌印刷质量检测方法。
背景技术
印刷作为号牌制作中的重要一环，印刷的好坏极大程度上决定了最终的号牌质量好坏，为了保证车主手中拿到的号牌没有“烫坏”，需要对号牌印刷质量进行质量把控。传统号牌印刷质量均是人工进行检测，这种方式容易受到主观因素影响，精度不高，而且随着印刷号牌数量的增加，人工质量检测效率较低。一种有效的解决方案就是构造智能高效的号牌印刷质量检测系统，能够批量快速的对号牌进行印刷质量检测。
目前，针对印刷质量检测的方法被广泛引用于身份证、人民币、邮票等制作过程中，这类方法一般采用基于图像处理的模板匹配方法进行逐像素的检验，但是在实际的质量检测系统中待检测图像往往存在一定的角度倾斜、光照干扰，并且印刷缺陷种类较多，这对传统算法提出了严峻的挑战，传统算法难以同时在精度和速度上保证检测的有效性。
近些年，深度学习在计算机视觉领域大放异彩，依赖GPU的高速训练和推理性能，深度学习在图像检测、分割、识别领域均超过了传统算法。同时，针对深度学习算法推出的嵌入式边缘部署解决方案也逐步推出，这使得构建稳定、高效的人工智能产品瓶颈越来越低。在现有号牌印刷行业中，所有号牌印刷质量检测系统均基于传统图像处理技术而实现，尚未出现基于深度学习的号牌印刷质量检测系统。
发明内容
本发明提供了一种基于深度学习的号牌印刷质量检测方法，解决相关技术中存在的缺乏基于深度学习的号牌质量检测的问题。
作为本发明的一个方面，提供一种基于深度学习的号牌印刷质量检测方法，其中，包括：
获取号牌定位模型和号牌识别模型；
将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标；
将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域；
根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果；
将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果。
进一步地，所述获取号牌定位模型和号牌识别模型，包括：
对真实场景下的号牌照片进行号牌区域标注；
根据标注后的号牌照片构建定位训练模型；
将多通道图像输入所述定位训练模型进行训练得到定位模型；
根据所述定位模型进行训练得到识别模型。
进一步地，所述对真实场景下的号牌照片进行号牌区域标注，包括：
通过矩形框对真实场景下的号牌照片中的号牌区域进行标注；
记录矩形框的左上角和右下角坐标，同时记录号牌区域的4个角点坐标。
进一步地，所述根据标注后的号牌照片构建定位训练模型，包括：
分别根据轻量级卷积神经网络以及标注后的号牌照片构建粗定位训练模型和细定位训练模型。
进一步地，所述将多通道图像输入所述定位训练模型进行训练得到定位模型，包括：
将多通道图像输入所述粗定位训练模型进行训练得到粗定位模型；
根据粗定位模型的结果生成用于训练细定位模型的数据，并根据用于训练细定位模型的数据进行细定位模型训练，得到细定位模型。
进一步地，所述根据所述定位模型进行训练得到识别模型，包括：
根据所述定位模型对识别模型训练数据进行定位和裁剪，并将识别和裁剪后的数据进行训练，得到识别模型。
进一步地，所述将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标，包括：
将号牌原始图像输入所述号牌定位模型进行检测，得到号牌图像的4个角点坐标。
进一步地，所述将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域，包括：
将号牌图像的4个角点坐标进行图像透视变换，并进行号牌姿态矫正与裁剪，得到矫正后的号牌区域。
进一步地，所述根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果，包括：
根据所述号牌识别模型对所述号牌区域中的字符进行识别，将置信度高于第一预设阈值的字符作为号牌字符识别结果。
进一步地，所述将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果，包括：
将所述号牌字符识别结果与字符模板库中的对应字符进行匹配位置计算；
统计所述号牌字符识别结果中的字符平均像素灰度差；
若所述字符平均像素灰度差高于第二预设阈值，则印刷质量检测结果为印刷质量低。
本发明提供的基于深度学习的号牌印刷质量检测方法，通过自学习的方法获得号牌定位模型和号牌识别模型，能够在一般化近景条件下对号牌印刷质量进行检测，弥补了过往研究对于号牌印刷质量检测精度和速度双标准的不足，具有极大的应用价值和意义。另外，由于本发明实施例提供的基于深度学习的号牌印刷质量检测方法，不需要手工寻找号牌表示特征，只需要搜集样本数据就可以通过训练得到较好的检测模型。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。
图1为本发明提供的基于深度学习的号牌印刷质量检测方法的流程图。
图2为本发明提供的号牌粗定位模型训练示意图。
图3为本发明提供的号牌细定位模型训练示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种基于深度学习的号牌印刷质量检测方法，图1是根据本发明实施例提供的基于深度学习的号牌印刷质量检测方法的流程图，如图1所示，包括：
S110、获取号牌定位模型和号牌识别模型；
S120、将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标；
S130、将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域；
S140、根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果；
S150、将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果。
本发明实施例提供的基于深度学习的号牌印刷质量检测方法，通过自学习的方法获得号牌定位模型和号牌识别模型，能够在一般化近景条件下对号牌印刷质量进行检测，弥补了过往研究对于号牌印刷质量检测精度和速度双标准的不足，具有极大的应用价值和意义。另外，由于本发明实施例提供的基于深度学习的号牌印刷质量检测方法，不需要手工寻找号牌表示特征，只需要搜集样本数据就可以通过训练得到较好的检测模型。
具体地，所述获取号牌定位模型和号牌识别模型，包括：
对真实场景下的号牌照片进行号牌区域标注；
根据标注后的号牌照片构建定位训练模型；
将多通道图像输入所述定位训练模型进行训练得到定位模型；
根据所述定位模型进行训练得到识别模型。
进一步具体地，所述对真实场景下的号牌照片进行号牌区域标注，包括：
通过矩形框对真实场景下的号牌照片中的号牌区域进行标注；
记录矩形框的左上角和右下角坐标，同时记录号牌区域的4个角点坐标。
具体地，如图2和图3所示，所述根据标注后的号牌照片构建定位训练模型，包括：
分别根据轻量级卷积神经网络以及标注后的号牌照片构建粗定位训练模型和细定位训练模型。
应当理解的是，采集真实场景下号牌照片，使用矩形框对号牌区域进行标注，记录矩形框左上角和右下角坐标，同时记录号牌4个角点坐标作为关键点坐标。标注结束后构建模型开始训练，整个定位模型分为粗定位模型和细定位模型，分别采用轻量级卷积神经网路构建，模型输入为3通道图像，输出为号牌二值分类结果、号牌框位置和号牌关键点位置。具体训练时，先训练粗定位模型，粗定位模型训练好后再使用粗定位模型的结果来生成用于训练细定位模型的数据，然后再进行细定位模型训练。
进一步具体地，所述将多通道图像输入所述定位训练模型进行训练得到定位模型，包括：
将多通道图像输入所述粗定位训练模型进行训练得到粗定位模型；
根据粗定位模型的结果生成用于训练细定位模型的数据，并根据用于训练细定位模型的数据进行细定位模型训练，得到细定位模型。
粗定位模型和细定位模型使用相同的损失函数进行训练，损失函数为：
L＝Ldet+αLbox+βLlandmark，
其中，Ldet表示号牌分类交叉熵损失，Lbox表示号牌框边界均方误差损失，Llandmark表示关键点均方误差损失，α和β表示用来控制各个损失之间的权重。
具体地，所述根据所述定位模型进行训练得到识别模型，包括：
根据所述定位模型对识别模型训练数据进行定位和裁剪，并将识别和裁剪后的数据进行训练，得到识别模型。
应当理解的是，定位模型训练好后采用训练好的定位模型对训练数据进行定位和裁剪，然后用来训练识别模型，识别模型采用一个轻量级的端到端的网络进行构建。
具体地，所述将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标，包括：
将号牌原始图像输入所述号牌定位模型进行检测，得到号牌图像的4个角点坐标。
应当理解的是，对原始输入图像进行多次下采样生成图像金字塔，将图像金字塔所有图像输入训练好的定位模型进行检测，得到号牌图像4个角点坐标。
具体地，所述将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域，包括：
将号牌图像的4个角点坐标进行图像透视变换，并进行号牌姿态矫正与裁剪，得到矫正后的号牌区域。
采用透视变换算法，将4个角点坐标连成的不规则矩形转换成规则矩形并旋转至绝对水平，最后裁剪出矫正后的号牌区域。
具体地，所述根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果，包括：
根据所述号牌识别模型对所述号牌区域中的字符进行识别，将置信度高于第一预设阈值的字符作为号牌字符识别结果。
应当理解的是，使用识别模型进行号牌字符识别，筛选出置信度低的字符，并将这些字符作为印刷质量差字符输出。
具体地，所述将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果，包括：
将所述号牌字符识别结果与字符模板库中的对应字符进行匹配位置计算；
统计所述号牌字符识别结果中的字符平均像素灰度差；
若所述字符平均像素灰度差高于第二预设阈值，则印刷质量检测结果为印刷质量低。
应当理解的是，将置信度高于第一预设阈值的字符通过识别出的字符结果从字符模板库中找到对应字符的模板，进行匹配位置计算，匹配完成后统计字符的平均像素灰度差，差值高于第二预设阈值的字符作为印刷质量差字符并记录对应结果
最后，对号牌加强筋区域进行连通域检测和边界跟踪，然后与标准加强筋模板进行比对，统计平均灰度差异。
综上，与现有技术相比，本发明实施例提供的基于深度学习的号牌印刷质量检测方法具有以下几个优点：
(1)能够在一般化近景条件下对号牌印刷质量进行检测，弥补了过往研究对于号牌印刷质量检测精度和速度双标准的不足，具有极大的应用价值和意义。
(2)整个模型参数在2M以下，适合嵌入式部署。
(3)不需要手工寻找号牌表示特征，只需要搜集样本数据就可以通过训练得到较好的检测模型。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (10)

1.一种基于深度学习的号牌印刷质量检测方法，其特征在于，包括：
获取号牌定位模型和号牌识别模型；
将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标；
将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域；
根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果；
将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果。
2.根据权利要求1所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述获取号牌定位模型和号牌识别模型，包括：
对真实场景下的号牌照片进行号牌区域标注；
根据标注后的号牌照片构建定位训练模型；
将多通道图像输入所述定位训练模型进行训练得到定位模型；
根据所述定位模型进行训练得到识别模型。
3.根据权利要求2所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述对真实场景下的号牌照片进行号牌区域标注，包括：
通过矩形框对真实场景下的号牌照片中的号牌区域进行标注；
记录矩形框的左上角和右下角坐标，同时记录号牌区域的4个角点坐标。
4.根据权利要求2所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述根据标注后的号牌照片构建定位训练模型，包括：
分别根据轻量级卷积神经网络以及标注后的号牌照片构建粗定位训练模型和细定位训练模型。
5.根据权利要求4所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述将多通道图像输入所述定位训练模型进行训练得到定位模型，包括：
将多通道图像输入所述粗定位训练模型进行训练得到粗定位模型；
根据粗定位模型的结果生成用于训练细定位模型的数据，并根据用于训练细定位模型的数据进行细定位模型训练，得到细定位模型。
6.根据权利要求2所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述根据所述定位模型进行训练得到识别模型，包括：
根据所述定位模型对识别模型训练数据进行定位和裁剪，并将识别和裁剪后的数据进行训练，得到识别模型。
7.根据权利要求1所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述将号牌原始图像输入所述号牌定位模型进行检测，得到号牌原始图像的边界点坐标，包括：
将号牌原始图像输入所述号牌定位模型进行检测，得到号牌图像的4个角点坐标。
8.根据权利要求7所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述将号牌原始图像的边界点坐标进行图像透视变换，得到号牌原始图像中的号牌区域，包括：
将号牌图像的4个角点坐标进行图像透视变换，并进行号牌姿态矫正与裁剪，得到矫正后的号牌区域。
9.根据权利要求1所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述根据所述号牌识别模型对所述号牌区域中的字符进行识别，得到号牌字符识别结果，包括：
根据所述号牌识别模型对所述号牌区域中的字符进行识别，将置信度高于第一预设阈值的字符作为号牌字符识别结果。
10.根据权利要求1所述的基于深度学习的号牌印刷质量检测方法，其特征在于，所述将所述号牌字符识别结果与字符模板库中的对应字符进行匹配，以得到印刷质量检测结果，包括：
将所述号牌字符识别结果与字符模板库中的对应字符进行匹配位置计算；
统计所述号牌字符识别结果中的字符平均像素灰度差；
若所述字符平均像素灰度差高于第二预设阈值，则印刷质量检测结果为印刷质量低。
CN202010847413.9A 2020-08-21 2020-08-21 一种基于深度学习的号牌印刷质量检测方法 Withdrawn CN111950556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010847413.9A CN111950556A (zh) 2020-08-21 2020-08-21 一种基于深度学习的号牌印刷质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010847413.9A CN111950556A (zh) 2020-08-21 2020-08-21 一种基于深度学习的号牌印刷质量检测方法

Publications (1)

Publication Number Publication Date
CN111950556A true CN111950556A (zh) 2020-11-17

Family

ID=73359369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010847413.9A Withdrawn CN111950556A (zh) 2020-08-21 2020-08-21 一种基于深度学习的号牌印刷质量检测方法

Country Status (1)

Country Link
CN (1) CN111950556A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801096A (zh) * 2021-03-29 2021-05-14 常州三点零智能制造有限公司 一种车牌自动检测算法
CN113537192A (zh) * 2021-06-30 2021-10-22 北京百度网讯科技有限公司 图像检测方法、装置、电子设备及存储介质
CN114004786A (zh) * 2021-09-17 2022-02-01 常州市新科汽车电子有限公司 一种基于深度学习的汽车中控面板外观检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801096A (zh) * 2021-03-29 2021-05-14 常州三点零智能制造有限公司 一种车牌自动检测算法
CN113537192A (zh) * 2021-06-30 2021-10-22 北京百度网讯科技有限公司 图像检测方法、装置、电子设备及存储介质
CN113537192B (zh) * 2021-06-30 2024-03-26 北京百度网讯科技有限公司 图像检测方法、装置、电子设备及存储介质
CN114004786A (zh) * 2021-09-17 2022-02-01 常州市新科汽车电子有限公司 一种基于深度学习的汽车中控面板外观检测方法

Similar Documents

Publication Publication Date Title
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN108918536B (zh) 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
CN105046252B (zh) 一种人民币冠字码识别方法
CN111950556A (zh) 一种基于深度学习的号牌印刷质量检测方法
US20070058856A1 (en) Character recoginition in video data
CN107506765B (zh) 一种基于神经网络的车牌倾斜校正的方法
JPH09508739A (ja) 指紋一致装置
CN109360179B (zh) 一种图像融合方法、装置及可读存储介质
CN113393426B (zh) 一种轧钢板表面缺陷检测方法
CN112085024A (zh) 一种罐表面字符识别方法
CN101169867B (zh) 图像分割方法、图像处理设备及系统
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN111401145A (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN113191358B (zh) 金属零件表面文本检测方法和系统
CN107480585A (zh) 基于dpm算法的目标检测方法
CN107506746A (zh) 智能阅卷系统无定位点图像识别方法及系统
CN109325487B (zh) 一种基于目标检测的全种类车牌识别方法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN111369526A (zh) 基于半监督深度学习的多类型旧桥裂痕识别方法
CN115830359A (zh) 复杂场景下基于目标检测和模板匹配的工件识别计数方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201117