CN111951287A - 一种二维码检测和识读方法 - Google Patents

一种二维码检测和识读方法 Download PDF

Info

Publication number
CN111951287A
CN111951287A CN202010847407.3A CN202010847407A CN111951287A CN 111951287 A CN111951287 A CN 111951287A CN 202010847407 A CN202010847407 A CN 202010847407A CN 111951287 A CN111951287 A CN 111951287A
Authority
CN
China
Prior art keywords
model
dimensional code
detection
reading
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.)
Pending
Application number
CN202010847407.3A
Other languages
English (en)
Inventor
钱彬
黄金
王军华
刘东波
顾席光
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 CN202010847407.3A priority Critical patent/CN111951287A/zh
Publication of CN111951287A publication Critical patent/CN111951287A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • G06K7/1417—2D bar codes
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体公开了一种二维码检测和识读方法，其中，包括：获取检测模型；根据所述检测模型对原始输入图像进行检测，得到候选框；对所述候选框进行图像处理，得到处理结果；对所述处理结果中的二维码区域进行识读，得到识读结果。本发明提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码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，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。

Description

一种二维码检测和识读方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种二维码检测和识读方法。
背景技术
二维码是近年来颇受瞩目的一种新的编码方式，可以存储更大量、更多种类的数据类型，广泛应用于购物、交通工具、工业流水线检测等场景。传统的二维码检测方法，采用图像处理的相关操作，通过二维码典型标记找到二维码的三个特征区域以定位出二维码，再以相关的二维码扫描算法加以检测。然而，传统的定位方法需要运用图像匹配，这类算法对二维码分辨率和角度的要求较高，当背景复杂、角度倾斜且存在大量不固定噪声时，传统方法检测精度低且识读速度慢。
为了加强二维码检测精度同时能够具有较高的鲁棒性，一些基于机器学习的方法陆续被研究学者提出，典型的有基于AdaBoost的检测方法，基于SVM的检测算法等，但是这些方法需要手工设计特征，如何找到高效的、鲁棒的特征用于表征二维码是一项异常困难的任务。
近些年，深度学习技术的大力发展极大的提高了计算机视觉领域各个应用的实用性，相比传统的手工设计特征的方法，深度学习技术依托强大的深度神经网络能够自动的学习特征，其中，深度卷积神经网络显得尤为突出。目前，已有很多成熟的基于深度学习的目标检测算法被提出，包括Faster RCNN，Yolo V3、SSD等，这些算法在通用数据集上均取得了不错的检测效果。
但是，目前将深度学习技术运用于二维码检测的工作相对较少，很多现成的深度学习模型难以满足二维码检测精度和实时性的双重要求。如何根据现有理论成果，设计一种高精度的、快速的二维码检测算法成为了一个难题。
发明内容
本发明提供了一种二维码检测和识读方法，解决相关技术中存在的二维码检测识读速度慢且精度低的问题。
作为本发明的一个方面，提供一种二维码检测和识读方法，其中，包括：
获取检测模型；
根据所述检测模型对原始输入图像进行检测，得到候选框；
对所述候选框进行图像处理，得到处理结果；
对所述处理结果中的二维码区域进行识读，得到识读结果。
进一步地，所述获取检测模型包括：
分别获取粗定位模型和细定位模型。
进一步地，所述分别获取粗定位模型和细定位模型包括：
标注真实场景下的二维码照片，得到二维码照片标注结果；
根据所述二维码照片标注结果构建训练模型；
根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型。
进一步地，所述根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型，包括：
将通道图像输入粗定位训练模型进行训练，得到粗定位模型；
根据所述粗定位模型的结果生成细定位模型的训练数据；
将所述细定位模型的训练数据输入细定位训练模型进行训练，得到细定位模型。
进一步地，所述根据所述检测模型对原始输入图像进行检测，得到候选框，包括：
根据所述粗定位模型对所述原始输入图像进行检测得到粗定位候选框以及对应的分类值；
将所述粗定位候选框以及对应的分类值输入至所述细定位模型进行检测，得到细定位候选框以及对应的分类值。
进一步地，所述对所述候选框进行图像处理，得到处理结果，包括：
对所述细定位候选框进行灰度化处理，得到对比度明显的候选框图像。
进一步地，所述对所述处理结果中的二维码区域进行识读，得到识读结果，包括：
根据ZBar库对处理结果中的二维码区域进行识读，得到识读结果。
本发明提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码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，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。
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为本发明提供的二维码检测和识读方法的流程图。
图2为本发明提供的二维码检测和识读方法的具体实施过程流程图。
图3为本发明提供的粗定位模型的训练过程示意图。
图4为本发明提供的细定位模型的训练过程示意图。
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二维码检测和识读方法，图1是根据本发明实施例提供的二维码检测和识读方法的流程图，如图1所示，包括：
S110、获取检测模型；
S120、根据所述检测模型对原始输入图像进行检测，得到候选框；
S130、对所述候选框进行图像处理，得到处理结果；
S140、对所述处理结果中的二维码区域进行识读，得到识读结果。
本发明实施例提供的二维码检测和识读方法，通过检测模型获得二维码区域进行识读，具有检测速度快且识读精度高的优势，在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码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，另外对图像旋转和光线变化具有较强的鲁棒性，可以一次性识读多个二维码。
如图2所示，为本发明实施例提供的二维码检测和识读的具体实施方式，可以包括：
训练二维码粗定位和细定位模型；采用粗定位模型对图像进行粗定位，得到候选框；采用非最大值抑制算法对候选框进行整合；采用细定位模型对整合后的候选框区域进行细定位，得到精细的候选框区域；采用非最大抑制算法对细定位候选框进行整合；对整合后的细定位区域进行对比度调整；使用ZBar库对调整后的区域进行二维码识读。
具体地，所述获取检测模型包括：
分别获取粗定位模型和细定位模型。
需要说明的是，用于检测的模型为两步检测模型：训练时，需要先训练粗定位模型然后再使用粗定位模型的训练结果来生成细定位模型训练需要的数据，然后再训练细定位模型，其中粗定位模型结果需要使用非极大值抑制算法进行候选框整合。
如图3所示，为粗定位模型的获取过程示意图，如图4所示，为细定位模型的获取过程示意图。
进一步具体地，所述分别获取粗定位模型和细定位模型包括：
标注真实场景下的二维码照片，得到二维码照片标注结果；
根据所述二维码照片标注结果构建训练模型；
根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型。
进一步具体地，所述根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型，包括：
将通道图像输入粗定位训练模型进行训练，得到粗定位模型；
根据所述粗定位模型的结果生成细定位模型的训练数据；
将所述细定位模型的训练数据输入细定位训练模型进行训练，得到细定位模型。
应当理解的是，采集真实场景下二维码照片，使用矩形框对二维码区域进行标注，记录矩形框左上角和右下角坐标。标注结束后构建模型开始训练，整个检测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，输出为二维码二值分类结果和二维码框位置。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。
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，
其中，Ldet表示二维码分类交叉熵损失，Lbox表示二维码框边界均方误差损失，α表示用来控制两个损失之间的权重。
具体地，所述根据所述检测模型对原始输入图像进行检测，得到候选框，包括：
根据所述粗定位模型对所述原始输入图像进行检测得到粗定位候选框以及对应的分类值；
将所述粗定位候选框以及对应的分类值输入至所述细定位模型进行检测，得到细定位候选框以及对应的分类值。
具体地，根据粗定位模型进行检测可以包括：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粗定位模型进行检测，得到粗定位候选框以及对应的分类值。剔除分类值小于0.6的候选框，同时对剩余的候选框采用非最大值抑制算法进行整合，调整边框边界。
具体地，根据细定位模型进行检测可以包括：根据前面的检测结果，将候选框对应图像区域输入细定位模型，得到细定位候选框以及对应的分类值。剔除分类值小于0.6的候选框，同时对剩余的候选框采用非最大值抑制算法进行整合，调整边框边界。
具体地，所述对所述候选框进行图像处理，得到处理结果，包括：
对所述细定位候选框进行灰度化处理，得到对比度明显的候选框图像。
应当理解的是，对细定位模型得到的候选框图像进行灰度化处理，然后增加对比度，使得灰色区域更黑，浅色区域更白。
具体地，所述对所述处理结果中的二维码区域进行识读，得到识读结果，包括：
根据ZBar库对处理结果中的二维码区域进行识读，得到识读结果。
应当理解的是，使用开源的ZBar库对调整过后的二维码区域进行识读，得到识读结果。
综上，与现有技术相比，本发明实施例提供的二维码检测和识读方法具有以下几个优点：
(1)在复杂场景下能够高精度检测和识读二维码，弥补了过往研究对于二维码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)每个单一模型均使用轻量级神经网络实现，整个模型参数在1M以下，适合嵌入式部署。
(3)基于深度学习技术，不需要手工寻找二维码表示特征，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 (7)

1.一种二维码检测和识读方法，其特征在于，包括：
获取检测模型；
根据所述检测模型对原始输入图像进行检测，得到候选框；
对所述候选框进行图像处理，得到处理结果；
对所述处理结果中的二维码区域进行识读，得到识读结果。
2.根据权利要求1所述的二维码检测和识读方法，其特征在于，所述获取检测模型包括：
分别获取粗定位模型和细定位模型。
3.根据权利要求2所述的二维码检测和识读方法，其特征在于，所述分别获取粗定位模型和细定位模型包括：
标注真实场景下的二维码照片，得到二维码照片标注结果；
根据所述二维码照片标注结果构建训练模型；
根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型。
4.根据权利要求3所述的二维码检测和识读方法，其特征在于，所述根据轻量级卷积神经网络对所述训练模型进行训练依次得到粗定位模型和细定位模型，包括：
将通道图像输入粗定位训练模型进行训练，得到粗定位模型；
根据所述粗定位模型的结果生成细定位模型的训练数据；
将所述细定位模型的训练数据输入细定位训练模型进行训练，得到细定位模型。
5.根据权利要求2所述的二维码检测和识读方法，其特征在于，所述根据所述检测模型对原始输入图像进行检测，得到候选框，包括：
根据所述粗定位模型对所述原始输入图像进行检测得到粗定位候选框以及对应的分类值；
将所述粗定位候选框以及对应的分类值输入至所述细定位模型进行检测，得到细定位候选框以及对应的分类值。
6.根据权利要求5所述的二维码检测和识读方法，其特征在于，所述对所述候选框进行图像处理，得到处理结果，包括：
对所述细定位候选框进行灰度化处理，得到对比度明显的候选框图像。
7.根据权利要求1所述的二维码检测和识读方法，其特征在于，所述对所述处理结果中的二维码区域进行识读，得到识读结果，包括：
根据ZBar库对处理结果中的二维码区域进行识读，得到识读结果。
CN202010847407.3A 2020-08-21 2020-08-21 一种二维码检测和识读方法 Pending CN111951287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010847407.3A CN111951287A (zh) 2020-08-21 2020-08-21 一种二维码检测和识读方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010847407.3A CN111951287A (zh) 2020-08-21 2020-08-21 一种二维码检测和识读方法

Publications (1)

Publication Number Publication Date
CN111951287A true CN111951287A (zh) 2020-11-17

Family

ID=73359382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010847407.3A Pending CN111951287A (zh) 2020-08-21 2020-08-21 一种二维码检测和识读方法

Country Status (1)

Country Link
CN (1) CN111951287A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882433A (zh) * 2023-09-07 2023-10-13 无锡维凯科技有限公司 一种基于机器视觉的扫码识别方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121931A (zh) * 2017-12-18 2018-06-05 广州市动景计算机科技有限公司 二维码数据处理方法、装置及移动终端
CN108171297A (zh) * 2018-01-24 2018-06-15 谢德刚 一种答题卡识别方法及装置
CN109241808A (zh) * 2018-08-27 2019-01-18 上海宝尊电子商务有限公司 一种时尚图像中二维码自动筛选方法
CN109858373A (zh) * 2018-12-29 2019-06-07 航天信息股份有限公司 一种基于深度学习的发票识别验真方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121931A (zh) * 2017-12-18 2018-06-05 广州市动景计算机科技有限公司 二维码数据处理方法、装置及移动终端
CN108171297A (zh) * 2018-01-24 2018-06-15 谢德刚 一种答题卡识别方法及装置
CN109241808A (zh) * 2018-08-27 2019-01-18 上海宝尊电子商务有限公司 一种时尚图像中二维码自动筛选方法
CN109858373A (zh) * 2018-12-29 2019-06-07 航天信息股份有限公司 一种基于深度学习的发票识别验真方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882433A (zh) * 2023-09-07 2023-10-13 无锡维凯科技有限公司 一种基于机器视觉的扫码识别方法和系统
CN116882433B (zh) * 2023-09-07 2023-12-08 无锡维凯科技有限公司 一种基于机器视觉的扫码识别方法和系统

Similar Documents

Publication Publication Date Title
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN112686812B (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN111445459B (zh) 一种基于深度孪生网络的图像缺陷检测方法及系统
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN104680144B (zh) 基于投影极速学习机的唇语识别方法和装置
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN107480585B (zh) 基于dpm算法的目标检测方法
CN111553949A (zh) 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法
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
CN107358189B (zh) 一种基于多视目标提取的室内环境下物体检测方法
CN112784712B (zh) 一种基于实时监控的失踪儿童预警实现方法、装置
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN111950556A (zh) 一种基于深度学习的号牌印刷质量检测方法
CN118037091A (zh) 一种基于计算机视觉技术的智能化报工质检方法及系统
CN110516527B (zh) 一种基于实例分割的视觉slam回环检测改进方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN113421210B (zh) 一种基于双目立体视觉的表面点云重建方法
Gao et al. Synergizing low rank representation and deep learning for automatic pavement crack detection
CN107133579A (zh) 基于CSGF(2D)2PCANet卷积网络的人脸识别方法
CN111951287A (zh) 一种二维码检测和识读方法
CN113724329A (zh) 融合平面与立体信息的目标姿态估计方法、系统和介质
CN116523916B (zh) 产品表面缺陷检测方法、装置、电子设备及存储介质
CN110555406B (zh) 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法
CN110889418A (zh) 一种气体轮廓识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201117