CN112633116B - 一种智能解析pdf图文的方法 - Google Patents
一种智能解析pdf图文的方法 Download PDFInfo
- Publication number
- CN112633116B CN112633116B CN202011499539.8A CN202011499539A CN112633116B CN 112633116 B CN112633116 B CN 112633116B CN 202011499539 A CN202011499539 A CN 202011499539A CN 112633116 B CN112633116 B CN 112633116B
- Authority
- CN
- China
- Prior art keywords
- arrow
- image
- duty ratio
- classifier
- boxes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种智能解析PDF图文的方法，对输入文档进行数据处理，得到待处理图像；采用分类器提取待处理图像中的目标图像；采用角点对目标图像进行检测，判断箭头方向；采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系。本发明一种智能解析PDF图文的方法，解决了现有技术中存在的对PDF文档的图像识别、文本解析、提取重要关系图比较欠缺的问题。
Description
技术领域
本发明属于人工智能技术领域，具体涉及一种智能解析PDF图文的方法。
背景技术
图像识别技术是人工智能的一个重要应用，它是立体视觉、运动分析、数据融合等实用技术的基础，在导航、地图与地形配准、自然资源分析、天气预报、环境监测、生理病变研究等许多领域有重要的应用价值。目前对文本的识别研究是建立在已有的文本上，主要涉及词义转换、词频统计等方面，仅仅是对PDF文本关键信息切分、文本段落信息抽取、表格信息处理等纯文字或者高度统一的弱图像分析，然而关于PDF文档的图像识别、文本解析等比较欠缺，对PDF中的重要关系图的提取解析少之又少。
发明内容
本发明的目的是提供一种智能解析PDF图文的方法，解决了现有技术中存在的对PDF文档的图像识别、文本解析、提取重要关系图比较欠缺的问题。
本发明所采用的技术方案是一种智能解析PDF图文的方法，具体按照以下步骤实施：
步骤1，对输入文档进行数据处理，得到待处理图像；
步骤2，采用分类器提取待处理图像中的目标图像；
步骤3，采用角点对目标图像进行检测，判断箭头方向；
步骤4，采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系。
本发明的特点还在于：
步骤1具体为：
在客户端网页输入系统文档A，经过筛选条件函数T(x)将其转化为B＝T(A)，再经过图片转换函数F(x)转化为C＝F(B)；具体表达式如下：
式(1)中，B为筛选后文件，C为图片集合。
步骤2具体为：
在C的基础上采用分类器寻找所需的图像，记为通过/>对Dp图形定位出所需目标，记为目标图像/>具体为：
式(2)、(3)中，Dp为股权关系流程图，n1为所有含流程图图像的PDF文档集合，n2为单页PDF文档中所含流程图的总数，Arq为每张流程图中箭头数量，i为变量。
分类器的表达式为：
式(4)中，m为分类器的种类，k为同种分类器所训练模型的个数，S为分类器。
分类器包括支持向量机、线性判断分析、朴素贝叶斯、Logit模型-最大似然估计、感知元或决策树。
步骤3具体为：
采用角点检测目标图像所具有的角点，记为其中，Pi为目标图像所具角点个数，并返回Pi相应的坐标Ei，在规定误差δ(x)范围内通过判断Ei的X与Y坐标位置来确定方框的从属关系；
具体表述如下：
按照竖直关系将Ei存储到两个列表当中，完整箭头图像具有尾部连接持股方，头部指向被控股方的特征，将列表中大点距值作为头部，小点距值作为尾部，然后根据两个列表中的竖直坐标方向来判断箭头方向，表达式如下：
式(5)中，EiY、EjY分别为所识别角点的Y坐标；
判断箭头方向的结论为：
若满足Ni＞Nj，可得出Ni所在竖直列表的方向即是箭头所指方向；其中，Ni为EiY相差范围在δ(x)内角点的数量，Nj为EjY相差范围在δ(x)内角点的数量。
角点检测的方法包括KLT算子、Harris角点算法、Kitchen-Rosenfeld算法或SUSAN算法。
步骤4具体为：
步骤4.1，将图像经过膨胀与腐蚀处理R(x)后，
使文字变成块区域Qi，从而识别整块区域的轮廓，获得矩形框，然后返回Sqi相对应的四个角点坐标；表达式如下：
式(6)中，Qi为块区域，R为文字块区域定位操作函数，Sqi为块区域的矩形框；
步骤4.2，根据步骤4.1及结论判断竖直位置的箭头指向。
步骤4.2具体为：
步骤4.2.1，若的方向统一，则流程图的方向唯一，即流程图的数据流向为沿竖直方向朝上或者朝下；具体表述如下：
根据步骤4.1得出方框与占比数值的坐标，标号后分别存入相应的列表中；
方框与占比数值的公式为：
S＝Nu+1 (7)，
式(7)中，S为方框的数量，Nu为占比数值的数量；故相应的标号也存在，因此输出关系为：
式(8)中，SrA→B为输出A与B方框的占比关系，Pei为占比数值；
步骤4.2.2，若的方向不统一，则构建二维数组，判断每个方框是否存在指出箭头，若没有，则所对应的数组行置零；若存在，指出箭头则代表方框与其他方框有联系，再判断向上与向下方向是否分别有指出箭头，若存在指出箭头，则继续判断箭头所指方向的方框是否有该方向的指出箭头，并把相对应的占比关系记入数组当中，直至该方向的方框没有指出箭头；直至将所有方框遍历完即可。
二维数组为占比关系出度表；关系矩阵表示方框之间是否具有箭头指向，列表示其他方框指向目标方框，行表示目标方框指向其他方框。
本发明的有益效果是：
本发明一种智能解析PDF图文的方法，通过T(x)对文件进行处理，过滤出纯文本文档，减少分类器的工作时长，结合特征值提取和线性分类器来训练大量数据，目的在于提高识别目标图像的效率；本发明一种智能解析PDF图文的方法，通过对识别的目标图像/>进行分析，确定箭头的指向进而得出结论，通过结论和OCR技术对文字进行识别定位，可以准确得出流程图的流向，并且能获得任意两个由出度方向流向入度方向方框之间的占比关系，整个过程具有稳定性以及实用性。
附图说明
图1是本发明一种智能解析PDF图文的方法实现自动识别目标图像的示意图；
图2是本发明一种智能解析PDF图文的方法获得竖直流程图的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种智能解析PDF图文的方法具体按照以下步骤实施：
步骤1，对输入文档进行数据处理，得到待处理图像；
步骤2，采用分类器提取待处理图像中的目标图像；
步骤3，采用角点对目标图像进行检测，判断箭头方向；
步骤4，采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系。
步骤1具体为：
在客户端网页输入系统文档A，经过筛选条件函数T(x)将其转化为B＝T(A)，再经过图片转换函数F(x)转化为C＝F(B)；具体表达式如下：
式(1)中，B为筛选后文件，C为图片集合。
步骤2具体为：
在C的基础上采用分类器寻找所需的图像，记为通过/>对Dp图形定位出所需目标，记为目标图像/>具体为：
式(2)、(3)中，Dp为股权关系流程图，n1为所有含流程图图像的PDF文档集合，n2为单页PDF文档中所含流程图的总数，Arq为每张流程图中箭头数量，i为变量。
分类器的表达式为：
式(4)中，m为分类器的种类，k为同种分类器所训练模型的个数，S为分类器。
分类器包括支持向量机、线性判断分析、朴素贝叶斯、Logit模型-最大似然估计、感知元或决策树。
步骤3具体为：
采用角点检测目标图像所具有的角点，记为其中，Pi为目标图像所具角点个数，并返回Pi相应的坐标Ei，在规定误差δ(x)范围内通过判断Ei的X与Y坐标位置来确定方框的从属关系；
具体表述如下：
按照竖直关系将Ei存储到两个列表当中，完整箭头图像具有尾部连接持股方，头部指向被控股方的特征，将列表中大点距值作为头部，小点距值作为尾部，然后根据两个列表中的竖直坐标方向来判断箭头方向，表达式如下：
式(5)中，EiY、EjY分别为所识别角点的Y坐标；
判断箭头方向的结论为：
若满足Ni＞Nj，可得出Ni所在竖直列表的方向即是箭头所指方向；其中，Ni为EiY相差范围在δ(x)内角点的数量，Nj为EjY相差范围在δ(x)内角点的数量。
角点检测的方法包括KLT算子、Harris角点算法、Kitchen-Rosenfeld算法或SUSAN算法。
步骤4具体为：
步骤4.1，将图像经过膨胀与腐蚀处理R(x)后，
使文字变成块区域Qi，从而识别整块区域的轮廓，获得矩形框，然后返回Sqi相对应的四个角点坐标；表达式如下：
式(6)中，Qi为块区域，R为文字块区域定位操作函数，Sqi为块区域的矩形框；
步骤4.2，根据步骤4.1及结论判断竖直位置的箭头指向。
步骤4.2具体为：
步骤4.2.1，若的方向统一，则流程图的方向唯一，即流程图的数据流向为沿竖直方向朝上或者朝下；具体表述如下：
根据步骤4.1得出方框与占比数值的坐标，标号后分别存入相应的列表中；
方框与占比数值的公式为：
S＝Nu+1 (7)，
式(7)中，S为方框的数量，Nu为占比数值的数量；故相应的标号也存在，因此输出关系为：
式(8)中，SrA→B为输出A与B方框的占比关系，Pei为占比数值；
步骤4.2.2，若的方向不统一，则构建二维数组，判断每个方框是否存在指出箭头，若没有，则所对应的数组行置零；若存在，指出箭头则代表方框与其他方框有联系，再判断向上与向下方向是否分别有指出箭头，若存在指出箭头，则继续判断箭头所指方向的方框是否有该方向的指出箭头，并把相对应的占比关系记入数组当中，直至该方向的方框没有指出箭头；直至将所有方框遍历完即可。
二维数组为占比关系出度表；关系矩阵表示方框之间是否具有箭头指向，列表示其他方框指向目标方框，行表示目标方框指向其他方框。
图1是本发明一种智能解析PDF图文的方法实现自动识别目标图像的示意图；图2是本发明一种智能解析PDF图文的方法获得竖直流程图的示意图。
图1中，每个节点分别表示自动化识别目标图像的各个步骤，分别标记为A，B，C，五个节点之间的有向边表示为下一个步骤实现的方向，各条边上的标注为前后步骤实现的条件函数和方法；其中，A→B的条件函数是T(x)，B→C的条件函数是F(x)，/>的方法是/> 的方法是/>
图2中，每个节点分别表示目标图像解析的步骤，分别标记OCR，TR，TE，SAME，DIF；TR节点代表结论，TE节点代表测试数据，SAME和DIF节点分别代表箭头方向相同和不同的情况；六个节点之间的有向边表示为下一个步骤实现的方向，第一条边的标注为两个节点之间实现的方法，/>的方法是/>
Claims (5)
1.一种智能解析PDF图文的方法，其特征在于，具体按照以下步骤实施：
步骤1，对输入文档进行数据处理，得到待处理图像；
在客户端网页输入系统文档A，经过筛选条件函数T(x)将其转化为B＝T(A)，再经过图片转换函数F(x)转化为C＝F(B)；具体表达式如下：
式(1)中，B为筛选后文件，C为图片集合；
步骤2，采用分类器提取待处理图像中的目标图像；
在C的基础上采用分类器寻找所需的图像，记为通过/>对Dp图形定位出所需目标，记为目标图像/>具体为：
式(2)、(3)中，Dp为股权关系流程图，n1为所有含流程图图像的PDF文档集合，n2为单页PDF文档中所含流程图的总数，Arq为每张流程图中箭头数量，i为变量；
步骤3，采用角点对目标图像进行检测，判断箭头方向；
采用角点检测目标图像所具有的角点，记为其中，Pi为目标图像所具角点个数，并返回Pi相应的坐标Ei，在规定误差δ(x)范围内通过判断Ei的X与Y坐标位置来确定方框的从属关系；
具体表述如下：
按照竖直关系将Ei存储到两个列表当中，完整箭头图像具有尾部连接持股方，头部指向被控股方的特征，将列表中大点距值作为头部，小点距值作为尾部，然后根据两个列表中的竖直坐标方向来判断箭头方向，表达式如下：
式(5)中，EiY、EjY分别为所识别角点的Y坐标；
判断箭头方向的结论为：
若满足Ni>Nj，可得出Ni所在竖直列表的方向即是箭头所指方向；其中，Ni为EiY相差范围在δ(x)内角点的数量，Nj为EjY相差范围在δ(x)内角点的数量；
步骤4，采用OCR技术与步骤3所得出的箭头方向判断目标图像的多重竖直情况，获得解析后的股权关系；
步骤4.1，将图像经过膨胀与腐蚀处理R(x)后，使文字变成块区域Qi，从而识别整块区域的轮廓，获得矩形框，然后返回Sqi相对应的四个角点坐标；表达式如下：
式(6)中，Qi为块区域，R为文字块区域定位操作函数，Sqi为块区域的矩形框；
步骤4.2，根据步骤4.1及结论判断竖直位置的箭头指向；
步骤4.2.1，若的方向统一，则流程图的方向唯一，即流程图的数据流向为沿竖直方向朝上或者朝下；具体表述如下：
根据步骤4.1得出方框与占比数值的坐标，标号后分别存入相应的列表中；
方框与占比数值的公式为：
S ＝ Nu + 1 (7)，
式(7)中，S为方框的数量，Nu为占比数值的数量；故相应的标号也存在，因此输出关系为：
式(8)中，SrA→B为输出A与B方框的占比关系，Pei为占比数值；
步骤4.2.2，若的方向不统一，则构建二维数组，判断每个方框是否存在指出箭头，若没有，则所对应的数组行置零；若存在，指出箭头则代表所述方框与其他方框有联系，再判断向上与向下方向是否分别有指出箭头，若存在指出箭头，则继续判断箭头所指方向的方框是否有该方向的指出箭头，并把相对应的占比关系记入数组当中，直至该方向的方框没有所述指出箭头；直至将所有方框遍历完即可。
2.根据权利要求1所述的一种智能解析PDF图文的方法，其特征在于，所述分类器的表达式为：
式(4)中，m为分类器的种类，k为同种分类器所训练模型的个数，S为分类器。
3.根据权利要求2所述的一种智能解析PDF图文的方法，其特征在于，所述分类器包括支持向量机、线性判断分析、朴素贝叶斯、Logit模型-最大似然估计、感知元或决策树。
4.根据权利要求1所述的一种智能解析PDF图文的方法，其特征在于，所述角点检测的方法包括KLT算子、Harris角点算法、Kitchen-Rosenfeld算法或SUSAN算法。
5.根据权利要求1所述的一种智能解析PDF图文的方法，其特征在于，所述二维数组为占比关系出度表；关系矩阵表示方框之间是否具有箭头指向，列表示其他方框指向目标方框，行表示目标方框指向其他方框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011499539.8A CN112633116B (zh) | 2020-12-17 | 2020-12-17 | 一种智能解析pdf图文的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011499539.8A CN112633116B (zh) | 2020-12-17 | 2020-12-17 | 一种智能解析pdf图文的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112633116A CN112633116A (zh) | 2021-04-09 |
| CN112633116B true CN112633116B (zh) | 2024-02-02 |
Family
ID=75316637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011499539.8A Active CN112633116B (zh) | 2020-12-17 | 2020-12-17 | 一种智能解析pdf图文的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633116B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867654B (zh) * | 2021-09-27 | 2024-03-08 | 西安理工大学 | 一种基于pdf页面的拆分和拼页方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2999099A1 (en) * | 2017-11-07 | 2019-05-07 | Tata Consultancy Services Limited | Method and system for extracting information from hand-marked industrial inspection sheets |
| CN110175563A (zh) * | 2019-05-27 | 2019-08-27 | 上海交通大学 | 金属切削刀具图纸标注识别方法及系统 |
| CN110390269A (zh) * | 2019-06-26 | 2019-10-29 | 平安科技（深圳）有限公司 | Pdf文档表格提取方法、装置、设备及计算机可读存储介质 |
| CN110751143A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 一种电子发票信息的提取方法及电子设备 |
| CN112016547A (zh) * | 2020-08-20 | 2020-12-01 | 上海天壤智能科技有限公司 | 基于深度学习的图像文字识别方法、系统及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11195006B2 (en) * | 2018-12-06 | 2021-12-07 | International Business Machines Corporation | Multi-modal document feature extraction |
-
2020
- 2020-12-17 CN CN202011499539.8A patent/CN112633116B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2999099A1 (en) * | 2017-11-07 | 2019-05-07 | Tata Consultancy Services Limited | Method and system for extracting information from hand-marked industrial inspection sheets |
| CN110175563A (zh) * | 2019-05-27 | 2019-08-27 | 上海交通大学 | 金属切削刀具图纸标注识别方法及系统 |
| CN110390269A (zh) * | 2019-06-26 | 2019-10-29 | 平安科技（深圳）有限公司 | Pdf文档表格提取方法、装置、设备及计算机可读存储介质 |
| CN110751143A (zh) * | 2019-09-26 | 2020-02-04 | 中电万维信息技术有限责任公司 | 一种电子发票信息的提取方法及电子设备 |
| CN112016547A (zh) * | 2020-08-20 | 2020-12-01 | 上海天壤智能科技有限公司 | 基于深度学习的图像文字识别方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 于丰畅 ; 陆伟 ; .基于机器视觉的PDF学术文献结构识别.情报学报.2019,(第04期),全文. * |
| 梁志茂 ; 庄红林 ; 王琳 ; 万志琼 ; 戴云 ; .PDF文档注释方法的探讨.云南大学学报(自然科学版).2011,(第S2期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112633116A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Pavement distress detection and classification based on YOLO network | |
| CN104599275B (zh) | 基于概率图模型的非参数化的rgb-d场景理解方法 | |
| CN109446889B (zh) | 基于孪生匹配网络的物体追踪方法及装置 | |
| CN114155527A (zh) | 一种场景文本识别方法和装置 | |
| WO2021022571A1 (zh) | 一种基于交互建模的多标记距离度量学习方法 | |
| CN111507275B (zh) | 一种基于深度学习的视频数据时序信息提取方法及装置 | |
| CN113837151B (zh) | 表格图像处理方法、装置、计算机设备及可读存储介质 | |
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
| CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
| CN112541491A (zh) | 基于图像字符区域感知的端到端文本检测及识别方法 | |
| CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
| CN110223310A (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
| CN111476210A (zh) | 基于图像的文本识别方法、系统、设备及存储介质 | |
| CN112307919A (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| Zhu et al. | A modified deep neural network enables identification of foliage under complex background | |
| CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
| CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
| CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN114022837A (zh) | 车站遗留物品检测方法、装置、电子设备及存储介质 | |
| CN112633116B (zh) | 一种智能解析pdf图文的方法 | |
| CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
| CN108509826A (zh) | 一种遥感影像的道路识别方法及其系统 | |
| CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
| CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |