CN112446437A - 一种基于机器视觉的货架商品规格识别方法 - Google Patents
一种基于机器视觉的货架商品规格识别方法 Download PDFInfo
- Publication number
- CN112446437A CN112446437A CN202011467506.5A CN202011467506A CN112446437A CN 112446437 A CN112446437 A CN 112446437A CN 202011467506 A CN202011467506 A CN 202011467506A CN 112446437 A CN112446437 A CN 112446437A
- Authority
- CN
- China
- Prior art keywords
- shelf
- commodity
- model
- training
- applying
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003704 image resize Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的货架商品规格识别方法，涉及图像处理技术领域。本发明包括如下步骤：S1、获取待识别的图像；S2、应用深度学习目标检测算法，训练商品检测模型，检测货架线上的目标商品；S3、应用深度学习图像分割算法，训练货架层分割模型，对图片中的货架进行分割；S4、应用图像处理技术，对货架线和检测到的商品进行透视转换和倾斜矫正；S5、获取货架层数信息、货架高度信息；S6、综合S5获取到的非图像特征信息，运用机器学习分类模型对商品规格进行分类；S7、择优选择模型应用模型对商品进行规格识别。本发明显著提升了商品规格分类的识别准确率，同样适用于同种商品不同规格的识别。
Description
技术领域
本发明属于图像处理技术领域，特别是涉及一种基于机器视觉的货架商品规格识别方法。
背景技术
快消领域，为了更好的制定市场投放策略，需要经常对线下渠道的商店进行核查，核查各种规格的商品在货架上的占有率。传统的人工巡店方式，耗费大量人力，且信息更新不及时，不能满足企业对精准、及时的数据需求。因此利用机器视觉对货架商品进行精准的统计成了企业的迫切需求。图片的获取，一般是手机拍摄而得。
现有基于机器视觉进行商品规格识别的方法主要有两种：
1:通过文字识别技术，识别图像中商品规格相关文字，判断商品规格；
2:通过图像识别技术，通过检测图像中的商品，提取商品局部信息，再应用图像分类技术，判断商品规格。
由于物体间遮挡、拍摄距离远等原因，导致难以获取清晰的图片，通过识别商品规格相关文字的方法，难以应用。由于拍摄得到的货架存在严重倾斜，货架种类繁多、货架层数多、存在多种商品同种商品存在多种规格，图像识别方法在商品检测和分类应用中不尽如人意。因此，针对以上问题，提供一种基于机器视觉的货架商品规格识别方法具有重要意义。
发明内容
本发明提供了一种基于机器视觉的货架商品规格识别方法，解决了以上问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明的一种基于机器视觉的货架商品规格识别方法，包括如下步骤：
S1、获取待识别的图像；
S2、应用深度学习目标检测算法，训练商品检测模型，检测货架线上的目标商品；
S3、应用深度学习图像分割算法，训练货架层分割模型，对图片中的货架进行分割；
S4、应用图像处理技术，对货架线和检测到的商品进行透视转换和倾斜矫正；
S5、获取货架层数信息、货架高度信息，计算货架层号与货架高度的对应表，获取每一个检测到的商品所属的货架层；
S6、综合S5获取到的非图像特征信息，运用机器学习分类模型对商品规格进行分类；
S7、择优选择模型应用模型对商品进行规格识别。
进一步地，所述S2目标检测模型步骤，分为以下几个步骤：
S21、收集不同角度，光照的货架商品图片；
S22、对部分商品图片进行人工标注，训练一个较弱的商品模型M0；
S23、使用M0对全量数据进行预标注，人工调整；
S24、使用全量数据训练商品检测模型M1。
进一步地，所述S3货架层分割模型，可分为以下几个步骤：
S31、收集不同角度，光照的货架商品图片；
S32、对部分商品图片进行人工标注训练一个较弱的货架层模型M2；
S33、使用M2对全量数据进行预标注，人工调整；
S34、使用全量数据训练货架分割模型M3。
进一步地，所述S6商品分类模型，可分为以下几个步骤：
S61、对原始数据进行特征工程，得到分类模型训练所需的原始数据集；
S62、对数据集应用smote进行数据增强；
S63、划分数据集为训练集、测试集；
S64、应用xgboost分类模型进行模型训练；
S65、应用测试集对模型进行评价。
进一步地，该方法依赖于三大模块：商品检测模块、货架层分割模块、分类模块；
所述商品检测模块选用retinaNet目标检测模型；
所述货架层分割模块选用mask-RCNN分割模型；
所述分类模块选用xgboost模型。
本发明相对于现有技术包括有以下有益效果：
本发明的一种基于机器视觉的货架商品规格识别方法应用非图像特征，显著提升了商品规格分类的识别准确率，同样适用于同种商品不同规格的识别。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于机器视觉的货架商品规格识别方法的整体步骤图；
图2为图1中S2步骤的详细步骤图；
图3为图1的S3步骤的详细步骤图；
图4为图1的S6步骤的详细步骤图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-4所示，本发明的一种基于机器视觉的货架商品规格识别方法，包括如下步骤：
S1、获取待识别的图像；
S2、应用深度学习目标检测算法，训练商品检测模型，检测货架线上的目标商品；
S3、应用深度学习图像分割算法，训练货架层分割模型，对图片中的货架进行分割；
S4、应用图像处理技术，对货架线和检测到的商品进行透视转换和倾斜矫正；
S5、获取货架层数信息、货架高度信息，计算货架层号与货架高度的对应表，获取每一个检测到的商品所属的货架层；
S6、综合S5获取到的非图像特征信息，运用机器学习分类模型对商品规格进行分类；
S7、择优选择模型应用模型对商品进行规格识别。
本方法主要依赖于两三大模块：商品检测模块、货架层分割模块、分类模块；
其中，商品检测模块：选用retinaNet目标检测模型；
此模型可以兼顾检测精度和检测速度。RetinaNet使用了Focal Loss能够很好的平衡前景和背景目标，可以使检测器更加集中于难区分的目标，从而提升检测精度；同时又由于它本身的单阶段设计框架，使其能够达到一个较高的FPS(在Nvidia Tesla V100上可达15FPS)。
获得一个基于RetinaNet的商品检测模型具体步骤如下：
S21、收集不同角度，光照的货架商品图片；
S22、对部分商品图片进行人工标注，训练一个较弱的商品检测模型M0；
S23、使用M0对全量数据进行预标注，人工调整；
S24、使用全量数据训练商品检测模型M1；
其中，RetinaNet训练设置：
1.按照长边1333像素，短边800像素进行图像resize；
2.Batch size设为2；
3.backbone为resnet50，使用基于imageNet的权重；
4.anchor使用默认设置；
5.学习率初始化为0.01，每10个epoch衰减0.1；
6.steps设为10000步，epoch设为50；
RetinaNet前向设置：
1.按照长边1333像素，短边800像素进行图像resize；
2.检测框score阈值设为0.5；
3.检测框NMS阈值设为0.5；
RetinaNet模型的输出结果分为两个部分:物体的检测框，为一个列表，元素为[x1,y1,x2,y2,score]；物体的类别，为一个列表，元素为[class_1_pro,class_2_pro,class_3_pro,...,class_n_pro](每个类别的概率向量)。对物体的类别概率向量取最大值，其对应的索引即为预测类别编号。
其中，货架层分割模块选用mask-RCNN分割模型；
手机拍摄设备得到的货架图片，通常存在一定的倾斜，基于深度学习的检测模型不能很好的获取层精确的轮廓。Mask-RCNN是像素级图片分割模型，能够精准的分割货架层，进而获取货架线。
获取一个基于mask-RCNN的货架层分割模型具体步骤如下：
S31、收集不同角度，光照的货架商品图片；
S32、对部分商品图片进行人工标注，训练一个较弱的货架层分割模型M0；
S33、使用M0对全量数据进行预标注，人工调整；
S34、使用全量数据训练货架层分割模型M1；
mask-RCNN训练设置：
1.按照长边1024像素，短边800像素进行图像resize；
2.Batch size设为2；
3.backbone为resnet50，使用基于imageNet的权重；
4.anchor使用默认设置；
5.学习率初始化为0.01，每10个epoch衰减0.1；
6.steps设为10000步，epoch设为50；
mask-RCNN前向设置：
按照长边1024像素，短边800像素进行图像resize；
mask-RCNN模型的输出结果分为三个部分：物体检测框，物体mask，物体类别。其中物体检测框信息和类别信息同上述的RetinaNet。对每个RoI的mask信息，其输出维度为Km*m。其中K表示对m*m的图像编码K个二分类mask，每一个mask有K个类别；
得到货架层的轮廓之后，拟合每个货架层的最小外接矩形，然后在竖直方向上取中点，并将其相连，得到货架线。然后根据每个商品的检测框信息，计算每个商品的中心点，然后通过点到直线的距离便可以得到每个商品的所在货架层。
其中，分类模块选用xgboost模型；由于xgboost使得在各种竞赛中表现优异；
训练xgboost的商品分类模型具体步骤如下：
S41、选用商品宽度、商品高度、所在的货架层、货架层高度作为训练所用特征
S42、采用smote对样本进行增强
S43、划分数据集
S44、配置xgboost训练参数，进行模型训练
xgboost训练设置：
学习率：learning_rate＝0.1,
决策树的数量：n_estimators＝1000,
树的最大深度：max_depth＝5,
最小样本权重的和：min_child_weight＝1,
训练决策树时，所用到的样本比例：subsample＝0.8,
特征选择比例：colsample_bytree＝0.8,
损失函数：objective＝'binary:logistic',
xgboost模型的输出样本属于商品规格。
有益效果：
本发明的一种基于机器视觉的货架商品规格识别方法应用非图像特征，显著提升了商品规格分类的识别准确率，同样适用于同种商品不同规格的识别。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于机器视觉的货架商品规格识别方法，其特征在于，包括如下步骤：
S1、获取待识别的图像；
S2、应用深度学习目标检测算法，训练商品检测模型，检测货架线上的目标商品；
S3、应用深度学习图像分割算法，训练货架层分割模型，对图片中的货架进行分割；
S4、应用图像处理技术，对货架线和检测到的商品进行透视转换和倾斜矫正；
S5、获取货架层数信息、货架高度信息，计算货架层号与货架高度的对应表，获取每一个检测到的商品所属的货架层；
S6、综合S5获取到的非图像特征信息，运用机器学习分类模型对商品规格进行分类；
S7、择优选择模型应用模型对商品进行规格识别。
2.根据权利要求1所述的一种基于机器视觉的货架商品规格识别方法，其特征在于，所述S2目标检测模型步骤，分为以下几个步骤：
S21、收集不同角度，光照的货架商品图片；
S22、对部分商品图片进行人工标注，训练一个较弱的商品模型M0；
S23、使用M0对全量数据进行预标注，人工调整；
S24、使用全量数据训练商品检测模型M1。
3.根据权利要求1所述的一种基于机器视觉的货架商品规格识别方法，其特征在于，所述S3货架层分割模型，可分为以下几个步骤：
S31、收集不同角度，光照的货架商品图片；
S32、对部分商品图片进行人工标注训练一个较弱的货架层模型M2；
S33、使用M2对全量数据进行预标注，人工调整；
S34、使用全量数据训练货架分割模型M3。
4.根据权利要求1所述的一种基于机器视觉的货架商品规格识别方法，其特征在于，所述S6商品分类模型，可分为以下几个步骤：
S61、对原始数据进行特征工程，得到分类模型训练所需的原始数据集；
S62、对数据集应用smote进行数据增强；
S63、划分数据集为训练集、测试集；
S64、应用xgboost分类模型进行模型训练；
S65、应用测试集对模型进行评价。
5.根据权利要求1所述的一种基于机器视觉的货架商品规格识别方法，其特征在于，该方法依赖于三大模块：商品检测模块、货架层分割模块、分类模块；
所述商品检测模块选用retinaNet目标检测模型；
所述货架层分割模块选用mask-RCNN分割模型；
所述分类模块选用xgboost分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011467506.5A CN112446437A (zh) | 2020-12-11 | 2020-12-11 | 一种基于机器视觉的货架商品规格识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011467506.5A CN112446437A (zh) | 2020-12-11 | 2020-12-11 | 一种基于机器视觉的货架商品规格识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112446437A true CN112446437A (zh) | 2021-03-05 |
Family
ID=74739680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011467506.5A Pending CN112446437A (zh) | 2020-12-11 | 2020-12-11 | 一种基于机器视觉的货架商品规格识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112446437A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990095A (zh) * | 2021-04-13 | 2021-06-18 | 广州市玄武无线科技股份有限公司 | 商品陈列分析方法、装置、设备及存储介质 |
| CN113344108A (zh) * | 2021-06-25 | 2021-09-03 | 视比特(长沙)机器人科技有限公司 | 一种商品识别与姿态估计方法及装置 |
| CN113743382A (zh) * | 2021-11-04 | 2021-12-03 | 苏州万店掌软件技术有限公司 | 一种货架陈列检测方法、装置及系统 |
| CN114155453A (zh) * | 2022-02-10 | 2022-03-08 | 深圳爱莫科技有限公司 | 冰柜商品图像识别的训练方法、模型及占有率计算方法 |
| CN115359065A (zh) * | 2022-10-24 | 2022-11-18 | 广州市玄武无线科技股份有限公司 | 一种排面图像的倾斜检测方法和装置 |
| CN115909358A (zh) * | 2022-07-27 | 2023-04-04 | 广州市玄武无线科技股份有限公司 | 商品规格识别方法、装置、终端设备及计算机存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491873A (zh) * | 2018-03-19 | 2018-09-04 | 广州建翎电子技术有限公司 | 一种基于数据分析的商品分类方法 |
| CN109543527A (zh) * | 2018-10-19 | 2019-03-29 | 北京陌上花科技有限公司 | 用于无人货架的商品检测方法、装置以及零售终端 |
| JP2019125144A (ja) * | 2018-01-16 | 2019-07-25 | 株式会社富士通アドバンストエンジニアリング | 商品情報管理プログラム、方法及び装置、並びに商品管理プログラム、方法及び装置 |
| CN110245580A (zh) * | 2019-05-24 | 2019-09-17 | 北京百度网讯科技有限公司 | 一种检测图像的方法、装置、设备和计算机存储介质 |
| CN111274383A (zh) * | 2018-12-05 | 2020-06-12 | 北京京东尚科信息技术有限公司 | 一种应用于报价的分类对象方法和装置 |
| CN111882606A (zh) * | 2020-07-01 | 2020-11-03 | 上海品览数据科技有限公司 | 一种基于深度学习的货架商品分层方法 |
-
2020
- 2020-12-11 CN CN202011467506.5A patent/CN112446437A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019125144A (ja) * | 2018-01-16 | 2019-07-25 | 株式会社富士通アドバンストエンジニアリング | 商品情報管理プログラム、方法及び装置、並びに商品管理プログラム、方法及び装置 |
| CN108491873A (zh) * | 2018-03-19 | 2018-09-04 | 广州建翎电子技术有限公司 | 一种基于数据分析的商品分类方法 |
| CN109543527A (zh) * | 2018-10-19 | 2019-03-29 | 北京陌上花科技有限公司 | 用于无人货架的商品检测方法、装置以及零售终端 |
| CN111274383A (zh) * | 2018-12-05 | 2020-06-12 | 北京京东尚科信息技术有限公司 | 一种应用于报价的分类对象方法和装置 |
| CN110245580A (zh) * | 2019-05-24 | 2019-09-17 | 北京百度网讯科技有限公司 | 一种检测图像的方法、装置、设备和计算机存储介质 |
| CN111882606A (zh) * | 2020-07-01 | 2020-11-03 | 上海品览数据科技有限公司 | 一种基于深度学习的货架商品分层方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990095A (zh) * | 2021-04-13 | 2021-06-18 | 广州市玄武无线科技股份有限公司 | 商品陈列分析方法、装置、设备及存储介质 |
| CN112990095B (zh) * | 2021-04-13 | 2021-09-14 | 广州市玄武无线科技股份有限公司 | 商品陈列分析方法、装置、设备及存储介质 |
| CN113344108A (zh) * | 2021-06-25 | 2021-09-03 | 视比特(长沙)机器人科技有限公司 | 一种商品识别与姿态估计方法及装置 |
| CN113743382A (zh) * | 2021-11-04 | 2021-12-03 | 苏州万店掌软件技术有限公司 | 一种货架陈列检测方法、装置及系统 |
| CN114155453A (zh) * | 2022-02-10 | 2022-03-08 | 深圳爱莫科技有限公司 | 冰柜商品图像识别的训练方法、模型及占有率计算方法 |
| CN115909358A (zh) * | 2022-07-27 | 2023-04-04 | 广州市玄武无线科技股份有限公司 | 商品规格识别方法、装置、终端设备及计算机存储介质 |
| CN115909358B (zh) * | 2022-07-27 | 2024-02-13 | 广州市玄武无线科技股份有限公司 | 商品规格识别方法、装置、终端设备及计算机存储介质 |
| CN115359065A (zh) * | 2022-10-24 | 2022-11-18 | 广州市玄武无线科技股份有限公司 | 一种排面图像的倾斜检测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446437A (zh) | 一种基于机器视觉的货架商品规格识别方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN102915438B (zh) | 一种视频字幕的提取方法及装置 | |
| CN107403130A (zh) | 一种字符识别方法及字符识别装置 | |
| CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
| CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
| CN106886778B (zh) | 一种监控场景下车牌字符分割与识别方法 | |
| CN110738160A (zh) | 一种结合人脸检测的人脸质量评估方法 | |
| CN106650670A (zh) | 活体人脸视频的检测方法及装置 | |
| CN110728225A (zh) | 一种用于考勤的高速人脸搜索方法 | |
| CN103413149B (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
| CN112613579A (zh) | 一种人脸或人头图像质量的模型训练方法、评估方法及高质量图像的选取方法 | |
| CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
| CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
| CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN111882606A (zh) | 一种基于深度学习的货架商品分层方法 | |
| CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
| CN109840905A (zh) | 电力设备锈迹检测方法及系统 | |
| CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
| CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
| CN111754525A (zh) | 一种基于非精确切分的工业字符检测流程 | |
| CN111833347A (zh) | 一种输电线路防振锤缺陷检测方法及相关装置 | |
| CN108648210A (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
| CN107730487A (zh) | 一种图像检测方法及装置 | |
| CN109978916A (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 |
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 |
Application publication date: 20210305 |
|
| RJ01 | Rejection of invention patent application after publication |