CN112580632A - 铭牌识别方法、系统、电子设备及计算机可读存储介质 - Google Patents

铭牌识别方法、系统、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112580632A
CN112580632A CN202011553625.2A CN202011553625A CN112580632A CN 112580632 A CN112580632 A CN 112580632A CN 202011553625 A CN202011553625 A CN 202011553625A CN 112580632 A CN112580632 A CN 112580632A
Authority
CN
China
Prior art keywords
nameplate
image
content
marking
marked
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
CN202011553625.2A
Other languages
English (en)
Inventor
易文峰
赵铭
李小芬
杨正刚
杨育
徐文娟
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
Original Assignee
Shenzhen Digital Power Grid Research Institute of China Southern 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 Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd filed Critical Shenzhen Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
Priority to CN202011553625.2A priority Critical patent/CN112580632A/zh
Publication of CN112580632A publication Critical patent/CN112580632A/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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • 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
    • G06V10/26—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

Abstract

本申请公开了一种铭牌识别方法、系统、电子设备及计算机可读存储介质，涉及图像识别技术领域。通过获取待识别的带有铭牌内容的铭牌图像，通过神经网络模型对铭牌图像进行标记处理得到标记图像，标记图像为带有标记信息的铭牌图像，根据标记信息获取到铭牌内容对应的区域图像，根据区域图像提取铭牌内容的文字信息,能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。

Description

铭牌识别方法、系统、电子设备及计算机可读存储介质
技术领域
本申请涉及图像识别技术领域，尤其是涉及一种铭牌识别方法、系统、电子设备及计算机可读存储介质。
背景技术
在电网行业中，设备种类非常多，在针对设备进行核对时，需要对铭牌的内容进行识别，但是目前通过人工识别并录入一个设备，往往需要花费较长的工作时间才能完成识别及录入，导致设备铭牌的内容的录入及核对效率低下。
另外，由于电网设备所处环境特殊，每种设备都有其安全距离或者角度不一致，导致拍摄的铭牌角度和光照差异较大，并且部分设备在室外，随着时间的推移，设备铭牌存在不清晰或掉色的问题，通过传统的OCR识别技术难以对铭牌的内容进行识别。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种铭牌识别方法，能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
本申请还提出一种具有上述铭牌识别方法的铭牌识别系统。
本申请还提出一种具有上述铭牌识别方法的电子设备。
本申请还提出一种具有上述铭牌识别方法的计算机可读存储介质。
根据本申请的第一方面实施例的铭牌识别方法，包括：获取待识别的铭牌图像，所述铭牌图像包括铭牌内容；通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，所述标记图像包括所述铭牌图像和标记信息；根据所述标记信息获取所述铭牌内容对应的区域图像；根据所述区域图像提取所述铭牌内容的文字信息。
根据本申请实施例的铭牌识别方法，至少具有如下有益效果：通过获取待识别的带有铭牌内容的铭牌图像，通过神经网络模型对铭牌图像进行标记处理得到标记图像，标记图像为带有标记信息的铭牌图像，根据标记信息获取到铭牌内容对应的区域图像，根据区域图像提取铭牌内容的文字信息,能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
根据本申请的一些实施例，所述通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，包括：获取所述铭牌图像中的铭牌内容；根据所述铭牌内容提取出多个特征图像；对多个所述特征图像进行标记处理，得到所述标记图像。
根据本申请的一些实施例，所述对多个所述特征图像进行标记处理，得到所述标记图像，包括：根据预设尺寸对多个所述特征图像进行处理；基于处理后的所述特征图像进行叠加处理后，得到叠加特征图像；根据预设卷积模型对所述叠加特征图像进行标记处理，得到所述标记图像。
根据本申请的一些实施例，所述根据所述标记信息获取所述铭牌内容对应的区域图像，包括：根据所述标记信息确定所述铭牌内容的位置信息；根据所述位置信息对所述标记图像进行处理，得到所述区域图像。
根据本申请的第二方面实施例的铭牌识别系统，包括图像获取模块，所述图像获取模块用于获取待识别的铭牌图像，所述铭牌图像包括铭牌内容；图像识别模块，所述图像识别模块用于通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，所述标记图像包括所述铭牌图像和标记信息；区域获取模块，所述区域获取模块用于根据所述标记信息获取所述铭牌内容对应的区域图像；文字提取模块，所述文字提取模块用于根据所述区域图像提取所述铭牌内容的文字信息。
根据本申请实施例的铭牌识别系统，至少具有如下有益效果：通过图像获取模块获取待识别的铭牌图像，所述铭牌图像包括铭牌内容；由图像识别模块通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，所述标记图像包括所述铭牌图像和标记信息；区域获取模块根据所述标记信息获取所述铭牌内容对应的区域图像；文字提取模块根据所述区域图像提取所述铭牌内容的文字信息，能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
根据本申请的一些实施例，所述图像识别模块，包括：内容获取模块，所述内容获取模块用于获取所述铭牌图像中的铭牌内容；特征获取模块，所述特征获取模块用于根据所述铭牌内容提取出多个特征图像；处理模块，所述处理模块用于对多个所述特征图像进行标记处理，得到所述标记图像。
根据本申请的一些实施例，所述处理模块，包括：第一处理子模块，所述第一处理子模块用于根据预设尺寸对多个所述特征图像进行处理；第二处理子模块，所述第二处理子模块用于基于处理后的所述特征图像进行叠加处理后，得到叠加特征图像；第三处理子模块，所述第三处理子模块用于根据预设卷积模型对所述叠加特征图像进行标记处理，得到所述标记图像。
根据本申请的一些实施例，所述区域获取模块，包括：第一区域子模块，所述第一区域子模块用于根据所述标记信息确定所述铭牌内容的位置信息；第二区域子模块，所述第二区域子模块用于根据所述位置信息对所述标记图像进行处理，得到所述区域图像。
根据本申请的第三方面实施例的电子设备，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面所述的铭牌识别方法。
根据本申请的电子设备，至少具有如下有益效果：通过执行第一方面实施例中提到的铭牌识别方法，能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
根据本申请的第四方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的铭牌识别方法。
根据本申请的计算机可读存储介质，至少具有如下有益效果：通过执行第一方面实施例中提到的铭牌识别方法，能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1为本申请实施例中铭牌识别方法的一流程示意图；
图2a、图2b为本申请实施例中铭牌识别方法的具体应用实例图；
图3为本申请实施例中铭牌识别方法的步骤S200的一流程示意图；
图4为本申请实施例中铭牌识别方法的步骤S230的一流程示意图；
图5为本申请实施例中铭牌识别方法的步骤S300的一流程示意图；
图6为本申请实施例中铭牌识别系统的一具体模块示意图；
图7为本申请实施例中铭牌识别系统的图像识别模块的一具体模块示意图；
图8为本申请实施例中铭牌识别系统的处理模块的一具体模块示意图；
图9为本申请实施例中铭牌识别系统的区域获取模块的一具体模块示意图。
附图标记：
铭牌图像100；标记图像200；图像获取模块300；图像识别模块400，内容获取模块410，特征获取模块420，处理模块430，第一处理子模块431，第二处理子模块432，第三处理子模块433；区域获取模块500，第一区域子模块510，第二区域子模块520；文字提取模块600。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
在本申请的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本申请的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
需要说明的是，如无特殊说明，在实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
在电网行业中，设备种类非常多，在针对设备进行核对时，需要对铭牌的内容进行识别，但是目前通过人工识别并录入一个设备，往往需要花费较长的工作时间才能完成识别及录入，导致设备铭牌的内容的录入及核对效率低下。
另外，由于电网设备所处环境特殊，每种设备都有其安全距离或者角度不一致，导致拍摄的铭牌角度和光照差异较大，并且部分设备在室外，随着时间的推移，设备铭牌存在不清晰或掉色的问题，通过传统的OCR识别技术难以对铭牌的内容进行识别。
基于此，本申请实施例提供了一种铭牌识别方法、系统、电子设备及计算机可读存储介质，能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
第一方面，本申请实施例提供了一种铭牌识别方法。
在一些实施例中，参照图1，示出了本申请实施例中铭牌识别方法的流程示意图。其具体包括步骤：
S100，获取待识别的铭牌图像，铭牌图像包括铭牌内容；
S200，通过神经网络模型对铭牌图像进行标记处理，得到标记图像，标记图像包括铭牌图像和标记信息；
S300，根据标记信息获取铭牌内容对应的区域图像；
S400，根据区域图像提取铭牌内容的文字信息。
在步骤S100中，获取待识别的铭牌图像，其中铭牌图像包括需要进行识别的铭牌内容。在实际应用中，通过照相机、摄像机等拍摄仪器拍摄得到需要识别的铭牌图像，该铭牌图像中的铭牌内容是指电网行业的技术术语或者素材等内容。
在步骤S200中，通过神经网络模型，例如对象识别算法(SSD，single shotmultibox detector)可以对铭牌图像进行标记处理，得到标记图像。其中标记处理是指将铭牌图像中标识铭牌内容的位置以标记的形式圈选出来，如图2a和图2b所示，图2a表示未经过标记处理后的铭牌图像100，图2b表示经过标记处理后得到的标记图像200，具体地说，铭牌图像100通过标记处理后，得到带有标记框的图像，标记框圈选的位置就是铭牌内容的显示位置，对应的标记图像200则为圈选了铭牌内容的图像。
在一些实施例中，参考图3，步骤S200具体还包括步骤：
S210，获取铭牌图像中的铭牌内容；
S220，根据铭牌内容提取出多个特征图像；
S230，对多个特征图像进行标记处理，得到标记图像。
在步骤S210中，通过神经网络模型对铭牌图像100进行识别，以获取确定铭牌图像100中的铭牌内容，在实际应用中，可以通过对象识别算法和预先标记好铭牌内容的多个铭牌图像100训练出铭牌识别模型，通过训练好的铭牌识别模型获取待识别的铭牌图像100的铭牌内容。
在步骤S220中，通过对象识别算法或者训练好的铭牌识别模型，从铭牌内容中提取多个特征图像，其中特征图像是指不同尺寸大小的特征映射，例如将铭牌图像100输入到预先训练好的分类网络中来获得不同大小的特征映射。例如
在步骤S230中，根据获取到的多个特征图像，进行标记处理，最终得到了带有标记的标记图像200。
在一些实施例中，参考图4，步骤S230具体还包括步骤：
S231，根据预设尺寸对多个特征图像进行处理；
S232，基于处理后的特征图像进行叠加处理后，得到叠加特征图像；
S232，根据预设卷积模型对叠加特征图像进行标记处理，得到标记图像。
在步骤S231至步骤S232中，根据预设尺寸对通过步骤S220获取的多个特征图像进行处理，即将相邻的两个特征图像通过邻近算法处理成统一尺寸大小的图像。将处理后的特征图像叠加在一起，得到叠加特征图像，即变成统一尺寸大小的相邻的特征图像叠加在一起后，通过预设卷积模型例如3乘3的卷积模型进行标记处理，具体通过SSD算法进行标记处理，得到对应的标记图像200。通过这种方式能够解决因拍摄距离过远导致识别图像过小，从而识别率降低的的问题，提高识别率。
在步骤S300中，当获取到带有标记信息的标记图像200后，可以根据标记信息确定铭牌内容的位置，从而得到对应的区域图像，其中区域图像指仅包括铭牌标记信息所对应的铭牌内容位置的图像。
在一些实施例中，参考图5，步骤S300具体还包括步骤：
S310，根据标记信息确定铭牌内容的位置信息；
S320，根据位置信息对标记图像进行处理，得到区域图像。
在步骤S310至S320中，根据标记出来的标记信息确定铭牌内容的位置信息，根据该位置信息对标记图像200进行处理，具体地说，通过OpenCV图像识别对标记信息进行识别，确定铭牌内容的位置信息，例如铭牌内容所在图像区域的坐标位置、宽度和高度，基于该位置信息对标记图像200进行切割处理，输出切割后的表示铭牌内容的区域图像。通过对铭牌内容的关键区域进行切割裁剪，将铭牌图像100的其他干扰信息排除掉，仅保留铭牌的信息，能够提高对关键区域的识别率。
在步骤S400中，当处理得到区域图像后，通过深度学习的文字区域检测算法PixelLink，对区域图像中的文字进行检查和识别出来，并通过opencv对文字区域进行切割，将切割后的图片作为下一阶段的输入，具体地说，当铭牌内容为两行文字内容时，通过切割分别得到一行文字。通过深度学习的端到端不定文本识别算法即CRNN算法，将铭牌中圈选出来的文字进行标记，训练后得到铭牌整行文字识别的模型，应用整行文字识别模型对区域图像中的文字区域图片进行识别，得到识别结果。具体地说，由于电网行业其专业术语专业性强，铭牌文字基本属于并行文字，因此通用的识别模型无法很好的对其铭牌进行识别，通过CRNN算法，对电网行业的铭牌数据及素材进行专项训练，能够极大提升电网行业专业设备的铭牌的识别率。
本申请通过获取待识别的带有铭牌内容的铭牌图像100，通过神经网络模型对铭牌图像100进行标记处理得到标记图像200，标记图像200为带有标记信息的铭牌图像100，根据标记信息获取到铭牌内容对应的区域图像，根据区域图像提取铭牌内容的文字信息,能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
第二方面，本申请实施例提供了一种铭牌识别系统。
在一些实施例中，参考图6，申请实施例中的铭牌识别系统包括：图像获取模块300、图像识别模块400、区域获取模块500、文字提取模块600。
其中图像获取模块300，图像获取模块300用于获取待识别的铭牌图像100，铭牌图像100包括铭牌内容；图像识别模块400，图像识别模块400用于通过神经网络模型对铭牌图像100进行标记处理，得到标记图像200，标记图像200包括铭牌图像100和标记信息；区域获取模块500，区域获取模块500用于根据标记信息获取铭牌内容对应的区域图像；文字提取模块600，文字提取模块600用于根据区域图像提取铭牌内容的文字信息。
在一些实施例中，参考图7，图像识别模块400包括内容获取模块410、特征获取模块420、处理模块430。内容获取模块410用于获取铭牌图像100中的铭牌内容特征获取模块420用于根据铭牌内容提取出多个特征图像；处理模块430用于对多个特征图像进行标记处理，得到标记图像200。
在一些实施例中，参考图8，处理模块430包括第一处理子模块431、第二处理子模块432、第三处理子模块433。其中第一处理子模块431用于根据预设尺寸对多个特征图像进行处理；第二处理子模块432用于基于处理后的特征图像进行叠加处理后，得到叠加特征图像；第三处理子模块433用于根据预设卷积模型对叠加特征图像进行标记处理，得到标记图像200。
在一些实施例中，参考图9，区域获取模块500包括第一区域子模块510和第二区域子模块520。其中，第一区域子模块510用于根据标记信息确定铭牌内容的位置信息；第二区域子模块520用于根据位置信息对标记图像200进行处理，得到区域图像。
需要说明的是，本申请实施例中所提到的铭牌识别系统，关于各个功能模块的详细功能描述及介绍已在第一方面实施例中详细论述，故不再赘述。
本申请实施例中通过图像获取模块300获取待识别的铭牌图像100，铭牌图像100包括铭牌内容；由图像识别模块400通过神经网络模型对铭牌图像100进行标记处理，得到标记图像200，标记图像200包括铭牌图像100和标记信息；区域获取模块500根据标记信息获取铭牌内容对应的区域图像；文字提取模块600根据区域图像提取铭牌内容的文字信息，能够提高对铭牌内容的文字识别的准确率，提高识别内容的辨识度。
第三方面，本申请实施例还提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行第一方面实施例中的铭牌识别方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请第一方面实施例中的铭牌识别方法。处理器通过运行存储在存储器中的非暂态软件程序以及指令，从而实现上述第一方面实施例中的铭牌识别方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述第一方面实施例中的铭牌识别方法。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述第一方面实施例中的铭牌识别方法所需的非暂态软件程序以及指令存储在存储器中，当被一个或者多个处理器执行时，执行上述第一方面实施例中的铭牌识别方法。
第四方面，本申请实施例还提供了计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于：执行第一方面实施例中的铭牌识别方法；
在一些实施例中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被第三方面实施例的电子设备中的一个处理器执行，可使得上述一个或多个处理器执行上述第一方面实施例中的铭牌识别方法。
以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
在本说明书的描述中，参考术语“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

Claims (10)

1.铭牌识别方法，其特征在于，包括：
获取待识别的铭牌图像，所述铭牌图像包括铭牌内容；
通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，所述标记图像包括所述铭牌图像和标记信息；
根据所述标记信息获取所述铭牌内容对应的区域图像；
根据所述区域图像提取所述铭牌内容的文字信息。
2.根据权利要求1所述的铭牌识别方法，其特征在于，所述通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，包括：
获取所述铭牌图像中的铭牌内容；
根据所述铭牌内容提取出多个特征图像；
对多个所述特征图像进行标记处理，得到所述标记图像。
3.根据权利要求2所述的铭牌识别方法，其特征在于，所述对多个所述特征图像进行标记处理，得到所述标记图像，包括：
根据预设尺寸对多个所述特征图像进行处理；
基于处理后的所述特征图像进行叠加处理后，得到叠加特征图像；
根据预设卷积模型对所述叠加特征图像进行标记处理，得到所述标记图像。
4.根据权利要求3所述的铭牌识别方法，其特征在于，所述根据所述标记信息获取所述铭牌内容对应的区域图像，包括：
根据所述标记信息确定所述铭牌内容的位置信息；
根据所述位置信息对所述标记图像进行处理，得到所述区域图像。
5.铭牌识别系统，其特征在于，包括：
图像获取模块，所述图像获取模块用于获取待识别的铭牌图像，所述铭牌图像包括铭牌内容；
图像识别模块，所述图像识别模块用于通过神经网络模型对所述铭牌图像进行标记处理，得到标记图像，所述标记图像包括所述铭牌图像和标记信息；
区域获取模块，所述区域获取模块用于根据所述标记信息获取所述铭牌内容对应的区域图像；
文字提取模块，所述文字提取模块用于根据所述区域图像提取所述铭牌内容的文字信息。
6.根据权利要求5所述的铭牌识别系统，其特征在于，所述图像识别模块，包括：
内容获取模块，所述内容获取模块用于获取所述铭牌图像中的铭牌内容；
特征获取模块，所述特征获取模块用于根据所述铭牌内容提取出多个特征图像；
处理模块，所述处理模块用于对多个所述特征图像进行标记处理，得到所述标记图像。
7.根据权利要求6所述的铭牌识别系统，其特征在于，所述处理模块，包括：
第一处理子模块，所述第一处理子模块用于根据预设尺寸对多个所述特征图像进行处理；
第二处理子模块，所述第二处理子模块用于基于处理后的所述特征图像进行叠加处理后，得到叠加特征图像；
第三处理子模块，所述第三处理子模块用于根据预设卷积模型对所述叠加特征图像进行标记处理，得到所述标记图像。
8.根据权利要求7所述的铭牌识别系统，其特征在于，所述区域获取模块，包括：
第一区域子模块，所述第一区域子模块用于根据所述标记信息确定所述铭牌内容的位置信息；
第二区域子模块，所述第二区域子模块用于根据所述位置信息对所述标记图像进行处理，得到所述区域图像。
9.电子设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至4任一项所述的铭牌识别方法。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的铭牌识别方法。
CN202011553625.2A 2020-12-24 2020-12-24 铭牌识别方法、系统、电子设备及计算机可读存储介质 Pending CN112580632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011553625.2A CN112580632A (zh) 2020-12-24 2020-12-24 铭牌识别方法、系统、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011553625.2A CN112580632A (zh) 2020-12-24 2020-12-24 铭牌识别方法、系统、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112580632A true CN112580632A (zh) 2021-03-30

Family

ID=75139494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011553625.2A Pending CN112580632A (zh) 2020-12-24 2020-12-24 铭牌识别方法、系统、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112580632A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766891A (zh) * 2018-12-14 2019-05-17 北京上格云技术有限公司 获取设备设施信息的方法及计算机可读存储介质
CN110110726A (zh) * 2019-05-15 2019-08-09 深圳供电局有限公司 电力设备铭牌识别方法、装置、计算机设备和存储介质
CN110210456A (zh) * 2019-06-19 2019-09-06 贵州理工学院 一种基于3d卷积神经网络的头部姿态估计方法
CN110569848A (zh) * 2019-08-09 2019-12-13 吴彦直 一种电力设备铭牌的特征提取方法及系统
CN110647784A (zh) * 2018-06-27 2020-01-03 中国移动通信集团浙江有限公司 一种基于深度学习的设备资产管理的方法及装置
CN110796161A (zh) * 2019-09-18 2020-02-14 平安科技（深圳）有限公司 识别模型训练、眼底特征的识别方法、装置、设备及介质
CN110796082A (zh) * 2019-10-29 2020-02-14 上海眼控科技股份有限公司 铭牌文本检测方法、装置、计算机设备和存储介质
CN110895697A (zh) * 2019-11-13 2020-03-20 三峡大学 变压器铭牌信息采集方法及智能采集系统
CN110956171A (zh) * 2019-11-06 2020-04-03 广州供电局有限公司 铭牌自动识别方法、装置、计算机设备和存储介质
CN110991448A (zh) * 2019-11-27 2020-04-10 云南电网有限责任公司电力科学研究院 电力设备铭牌图像的文本检测方法及装置
CN111046886A (zh) * 2019-12-12 2020-04-21 吉林大学 号码牌自动识别方法、装置、设备及计算机可读存储介质
CN111582263A (zh) * 2020-05-12 2020-08-25 上海眼控科技股份有限公司 车牌识别方法、装置、电子设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647784A (zh) * 2018-06-27 2020-01-03 中国移动通信集团浙江有限公司 一种基于深度学习的设备资产管理的方法及装置
CN109766891A (zh) * 2018-12-14 2019-05-17 北京上格云技术有限公司 获取设备设施信息的方法及计算机可读存储介质
CN110110726A (zh) * 2019-05-15 2019-08-09 深圳供电局有限公司 电力设备铭牌识别方法、装置、计算机设备和存储介质
CN110210456A (zh) * 2019-06-19 2019-09-06 贵州理工学院 一种基于3d卷积神经网络的头部姿态估计方法
CN110569848A (zh) * 2019-08-09 2019-12-13 吴彦直 一种电力设备铭牌的特征提取方法及系统
CN110796161A (zh) * 2019-09-18 2020-02-14 平安科技（深圳）有限公司 识别模型训练、眼底特征的识别方法、装置、设备及介质
CN110796082A (zh) * 2019-10-29 2020-02-14 上海眼控科技股份有限公司 铭牌文本检测方法、装置、计算机设备和存储介质
CN110956171A (zh) * 2019-11-06 2020-04-03 广州供电局有限公司 铭牌自动识别方法、装置、计算机设备和存储介质
CN110895697A (zh) * 2019-11-13 2020-03-20 三峡大学 变压器铭牌信息采集方法及智能采集系统
CN110991448A (zh) * 2019-11-27 2020-04-10 云南电网有限责任公司电力科学研究院 电力设备铭牌图像的文本检测方法及装置
CN111046886A (zh) * 2019-12-12 2020-04-21 吉林大学 号码牌自动识别方法、装置、设备及计算机可读存储介质
CN111582263A (zh) * 2020-05-12 2020-08-25 上海眼控科技股份有限公司 车牌识别方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108734185B (zh) 图像校验方法和装置
CN109753953B (zh) 图像中定位文本的方法、装置、电子设备和存储介质
CN111191611B (zh) 基于深度学习的交通标志标号识别方法
CN111160434A (zh) 目标检测模型的训练方法、装置及计算机可读存储介质
CN109919157A (zh) 一种视觉定位方法及装置
CN111339887B (zh) 商品识别方法及智能货柜系统
CN111104883B (zh) 作业答案提取方法、装置、设备及计算机可读存储介质
CN110909743A (zh) 图书盘点方法及图书盘点系统
CN115359239A (zh) 风电叶片缺陷检测定位方法、装置、存储介质和电子设备
CN112307786A (zh) 一种多个不规则二维码批量定位识别方法
CN112950528A (zh) 证件姿态确定方法、模型训练方法、装置、服务器及介质
CN109919164B (zh) 用户界面对象的识别方法及装置
CN112580632A (zh) 铭牌识别方法、系统、电子设备及计算机可读存储介质
CN110751163B (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
CN109189246B (zh) 一种对手写板上的涂写内容进行处理的方法、装置和系统
CN110717060A (zh) 图像mask的过滤方法、装置及存储介质
CN112766248B (zh) 一种结构化处方图片识别方法及装置
CN111401365B (zh) Ocr图像自动生成方法及装置
CN109919111B (zh) 确定摄像头对应的货柜区域的方法、装置、货柜及系统
CN113947529A (zh) 图像增强方法、模型训练方法、构件识别方法及相关设备
CN112949621A (zh) 试卷作答区域的标记方法、装置、存储介质及电子设备
CN113342236A (zh) 一种数据处理方法和装置、电子设备、存储介质
CN113516131A (zh) 图像处理方法、装置、设备和存储介质
CN112308062A (zh) 一种复杂背景图像中的医疗影像访问号识别方法
CN112365399A (zh) 基于深度学习的风机叶片图像全景拼接方法和系统

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