CN112966841A - 线下自动审单系统 - Google Patents
线下自动审单系统 Download PDFInfo
- Publication number
- CN112966841A CN112966841A CN202110290696.6A CN202110290696A CN112966841A CN 112966841 A CN112966841 A CN 112966841A CN 202110290696 A CN202110290696 A CN 202110290696A CN 112966841 A CN112966841 A CN 112966841A
- Authority
- CN
- China
- Prior art keywords
- information
- electronic product
- old
- old electronic
- processing module
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000010365 information processing Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 102100032202 Cornulin Human genes 0.000 claims description 6
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013518 transcription Methods 0.000 claims description 3
- 230000035897 transcription Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 210000001503 joint Anatomy 0.000 abstract description 2
- 238000011027 product recovery Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Abstract
本发明属于旧电子产品回收技术领域,尤其为线下自动审单系统,包括:信息输入模块,所述信息输入模块用于输入旧电子产品的图像信息;信息处理模块,所述信息处理模块用于对旧电子产品进行图像提取和文字识别,获取旧电子产品的基础信息;风控处理模块;市面大多的门店旧机检测报告,需要寄回到专业的回收公司进行一对一的上手检测,而自动审单系统则大大的简化了这部分流程,随着5G的普及,通过对接品牌商的售卖系统,即可完成以旧换新服务,既帮助了用户节省购机成本也加大了品牌商的新机销售,随着图片的深度学习的加强,还有大数据分析的处理能力,本系统的相关技术也会应用到越来越多的场景中,帮助更多的企业和个人。
Description
技术领域
本发明属于旧电子产品回收技术领域,具体涉及一种线下自动审单系统。
背景技术
随着科技的发展,手机等电子产品支持5G 已经逐渐成为主流,必将开启新的一波手机迭代浪潮,如何环保高效的保值的回收带来新的挑战,由于主流的手机售卖还是来自线下,回收亦是如此。
第五代移动通信技术是最新一代蜂窝移动通信技术,也是继4G(LTE-A、WiMax)、3G(UMTS、LTE)和2G(GSM)系统之后的延伸,5G的性能目标是高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接,Release-15中的5G规范的第一阶段是为了适应早期的商业部署,Release-16的第二阶段将于2020年4月完成,作为IMT-2020技术的候选提交给国际电信联盟(ITU),ITU IMT-2020规范要求速度高达20 Gbit/s,可以实现宽信道带宽和大容量MIMO。
OCR是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程;即针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并通过识别软件将图像中的文字转换成文本格式,供文字处理软件进一步编辑加工的技术,如何除错或利用辅助信息提高识别正确率,是OCR最重要的课题,ICR(Intelligent CharacterRecognition)的名词也因此而产生,衡量一个OCR系统性能好坏的主要指标有:拒识率、误识率、识别速度、用户界面的友好性,产品的稳定性,易用性及可行性等。
原有在线下门店回收机器时,很难快速地对旧机器的价格进行精确评估,旧机回收人工成本的投入较高,时效慢以及检测不合理。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种线下自动审单系统,具有检测效率高以及人工投入成本低的特点。
为实现上述目的,本发明提供如下技术方案:线下自动审单系统,包括:
信息输入模块,所述信息输入模块用于输入旧电子产品的图像信息;
信息处理模块,所述信息处理模块用于对旧电子产品进行图像提取和文字识别,获取旧电子产品的基础信息;
风控处理模块,所述风控处理模块用于对提交的门店和店员进行风控分析,关联以往交易数据和内部风险评级,通过识别的基础信息,同步给公安系统完成安全备案,调取对应录入信息查询相关授信信息,给出报价。
作为本发明的一种优选技术方案,所述线下自动审单系统还包括有线或无线网络模块,将获取的获取旧电子产品的基础信息传输至存储有电子设备原始信息的数据库,并且从数据库接收关于电子产品类型的信息。
作为本发明的一种优选技术方案,所述基础信息包括型号、imei 和内存信息。
作为本发明的一种优选技术方案,所述信息处理模块包括图片预处理、文字识别和后处理,其中,所述图片预处理用于将采集到的旧电子产品图像信息打包成tensorflow的tfrecord文件格式;
所述文字识别用于使用文本检测网络CTPN对旧电子产品图像文字区域进行定位和裁剪,对裁剪出来的文字区域使用端对端不定长文本CRNN模型进行识别。
作为本发明的一种优选技术方案,使用文本检测网络CTPN对旧电子产品图像文字区域进行定位和裁剪包括如下步骤:
步骤一:使用VGG16网络提取特征,得到conv5_3的特征图;
步骤二:在所得特征图上使用3*3滑动窗口进行滑动,得到相应的特征向量;
步骤三:将所得特征向量输入BLSTM,学习序列特征,然后连接一个全连接FC层;
步骤四:输出层输出结果。
作为本发明的一种优选技术方案,对裁剪出来的文字区域使用端对端不定长文本CRNN模型进行识别包括如下步骤:
步骤一:对图像灰度化处理;
步骤二:数据标签稀疏矩阵转化,对标签矩阵进行处理,将其转化为tensorflow支持的数据格式;
步骤三:搭建模型,利用CNN+RNN+CTC转录层的思想,使用上采样、串联、卷积操作完成模型的搭建;
步骤四:数据后处理,将对应真实值的字典数组的下标,做一个映射变换变成实际值。
作为本发明的一种优选技术方案,所述风控处理模块包括:
步骤一:服务器根据当前的交易请求生成交易数据,并发送至风控服务器中;
步骤二:风控服务器对交易数据进行计算分析,以获取风险值,并将获取的风险值反馈至服务器中;
步骤三:服务器根据风险值对当前的交易请求进行风险分析,获取交易的可行性。
与现有技术相比,本发明的有益效果是:市面大多的门店旧机检测报告,需要寄回到专业的回收公司进行一对一的上手检测,而自动审单系统则大大的简化了这部分流程,随着5G的普及,通过对接品牌商的售卖系统,即可完成以旧换新服务,既帮助了用户节省购机成本 也加大了品牌商的新机销售,随着图片的深度学习的加强,还有大数据分析的处理能力,本系统的相关技术也会应用到越来越多的场景中,帮助更多的企业和个人。
附图说明
附图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,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明的结构示意图;
图2为本发明中的检测流程示意图;
图中:1、信息输入模块;2、信息处理模块;21、图片预处理;22、文字识别;23、后处理;3、风控处理模块。
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供以下技术方案:线下自动审单系统,包括:
信息输入模块1,信息输入模块1用于输入旧电子产品的图像信息;
信息处理模块2,信息处理模块2用于对旧电子产品进行图像提取和文字识别,获取旧电子产品的基础信息;
风控处理模块3,风控处理模块3用于对提交的门店和店员进行风控分析,关联以往交易数据和内部风险评级,通过识别的基础信息,同步给公安系统完成安全备案,调取对应录入信息查询相关授信信息,给出报价。
系统可使用的两种场景:第一种,门店拍照上传云端检测模式,快速的输出旧机检测报告;第二种,智能检测机模式,通过外放设备机对手机进行拍照,上传照片识别得到检测报告。
具体的,根据附图1所示,本实施例中,线下自动审单系统还包括有线或无线网络模块,将获取的获取旧电子产品的基础信息传输至存储有电子设备原始信息的数据库,并且从数据库接收关于电子产品类型的信息。
具体的,根据附图1所示,本实施例中,基础信息包括型号、imei 和内存信息。
具体的,根据附图1所示,本实施例中,信息处理模块2包括图片预处理21、文字识别22和后处理23,其中,图片预处理21用于将采集到的旧电子产品图像信息打包成tensorflow的tfrecord文件格式;
文字识别22用于使用文本检测网络CTPN对旧电子产品图像文字区域进行定位和裁剪,对裁剪出来的文字区域使用端对端不定长文本CRNN模型进行识别。
具体的,根据附图1所示,本实施例中,使用文本检测网络CTPN对旧电子产品图像文字区域进行定位和裁剪包括如下步骤:
步骤一:使用VGG16网络提取特征,得到conv5_3的特征图;
步骤二:在所得特征图上使用3*3滑动窗口进行滑动,得到相应的特征向量;
步骤三:将所得特征向量输入BLSTM,学习序列特征,然后连接一个全连接FC层;
步骤四:输出层输出结果。
具体的,根据附图1所示,本实施例中,对裁剪出来的文字区域使用端对端不定长文本CRNN模型进行识别包括如下步骤:
步骤一:对图像灰度化处理;
步骤二:数据标签稀疏矩阵转化,对标签矩阵进行处理,将其转化为tensorflow支持的数据格式;
步骤三:搭建模型,利用CNN+RNN+CTC转录层的思想,使用上采样、串联、卷积操作完成模型的搭建;
步骤四:数据后处理,将对应真实值的字典数组的下标,做一个映射变换变成实际值。
具体的,根据附图1所示,本实施例中,风控处理模块3包括:
步骤一:服务器根据当前的交易请求生成交易数据,并发送至风控服务器中;
步骤二:风控服务器对交易数据进行计算分析,以获取风险值,并将获取的风险值反馈至服务器中;
步骤三:服务器根据风险值对当前的交易请求进行风险分析,获取交易的可行性。
本实施例中的信息处理模块2用于对旧电子产品进行图像提取和文字识别,文字检测就是要检测到图片中文字所在的区域,其核心是区分文字和背景。常用的文字检测算法包括以下几种:
(1)CTPN是ECCV 2016提出的一种文字检测算法,由Faster RCNN改进而来,结合了CNN与LSTM深度网络,其支持任意尺寸的图像输入,并能够直接在卷积层中定位文本行。
CTPN由检测小尺度文本框、循环连接文本框、文本行边细化三个部分组成,具体实现流程为:
使用VGG16网络提取特征,得到conv5_3的特征图;
在所得特征图上使用3*3滑动窗口进行滑动,得到相应的特征向量;
将所得特征向量输入BLSTM,学习序列特征,然后连接一个全连接FC层;
最后输出层输出结果。
CTPN是基于Anchor的算法,在检测横向分布的文字时能得到较好的效果。此外,BLSTM的加入也进一步提高了其检测能力。
TextBoxes和TextBoxes++模型都来自华中科技大学的白翔老师团队,其中TextBoxes是改进版的SSD,而TextBoxes++则是在前者的基础上继续扩展。
(2).EAST算法是一个高效且准确的文字检测算法,仅包括全卷积网络检测文本行候选框和NMS算法过滤冗余候选框两个步骤。
其网络结构结合了HyperNet和U-shape思想,由三部分组成:
特征提取:使用PVANet/VGG16提取四个级别的特征图;
特征合并:使用上采样、串联、卷积等操作得到合并的特征图;
输出层:输出单通道的分数特征图和多通道的几何特征图。
EAST算法借助其独特的结构和简练的pipline,可以检测不同方向、不同尺寸的文字且运行速度快,效率高。
针对不同手机机型内存等词语不同字体和位置也能快速的有效识别。
本发明的工作原理及使用流程:本发明的线下自动审单系统包含如下步骤,当用户来到回收门店后,由店员登录审单平台,店员对手机拍照后上传至审单平台,线下自动审单系统运行,对图片进行识别同时对店员进行风控分析,若分析正常,则输出检测报告;若分析异常,则触发风控,该机为问题机,不予报价。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.线下自动审单系统,其特征在于,包括:
信息输入模块(1),所述信息输入模块(1)用于输入旧电子产品的图像信息;
信息处理模块(2),所述信息处理模块(2)用于对旧电子产品进行图像提取和文字识别,获取旧电子产品的基础信息;
风控处理模块(3),所述风控处理模块(3)用于对提交的门店和店员进行风控分析,关联以往交易数据和内部风险评级,通过识别的基础信息,同步给公安系统完成安全备案,调取对应录入信息查询相关授信信息,给出报价。
2.根据权利要求1所述的线下自动审单系统,其特征在于:所述线下自动审单系统还包括有线或无线网络模块,将获取的获取旧电子产品的基础信息传输至存储有电子设备原始信息的数据库,并且从数据库接收关于电子产品类型的信息。
3.根据权利要求1所述的线下自动审单系统,其特征在于:所述基础信息包括型号、imei 和内存信息。
4.根据权利要求1所述的线下自动审单系统,其特征在于:所述信息处理模块(2)包括图片预处理(21)、文字识别(22)和后处理(23),其中,
所述图片预处理(21)用于将采集到的旧电子产品图像信息打包成tensorflow的tfrecord文件格式;
所述文字识别(22)用于使用文本检测网络CTPN对旧电子产品图像文字区域进行定位和裁剪,对裁剪出来的文字区域使用端对端不定长文本CRNN模型进行识别。
5.根据权利要求4所述的线下自动审单系统,其特征在于:使用文本检测网络CTPN对旧电子产品图像文字区域进行定位和裁剪包括如下步骤:
步骤一:使用VGG16网络提取特征,得到conv5_3的特征图;
步骤二:在所得特征图上使用3*3滑动窗口进行滑动,得到相应的特征向量;
步骤三:将所得特征向量输入BLSTM,学习序列特征,然后连接一个全连接FC层;
步骤四:输出层输出结果。
6.根据权利要求4所述的线下自动审单系统,其特征在于:对裁剪出来的文字区域使用端对端不定长文本CRNN模型进行识别包括如下步骤:
步骤一:对图像灰度化处理;
步骤二:数据标签稀疏矩阵转化,对标签矩阵进行处理,将其转化为tensorflow支持的数据格式;
步骤三:搭建模型,利用CNN+RNN+CTC转录层的思想,使用上采样、串联、卷积操作完成模型的搭建;
步骤四:数据后处理,将对应真实值的字典数组的下标,做一个映射变换变成实际值。
7.根据权利要求1所述的线下自动审单系统,其特征在于:所述风控处理模块(3)包括:
步骤一:服务器根据当前的交易请求生成交易数据,并发送至风控服务器中;
步骤二:风控服务器对交易数据进行计算分析,以获取风险值,并将获取的风险值反馈至服务器中;
步骤三:服务器根据风险值对当前的交易请求进行风险分析,获取交易的可行性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110290696.6A CN112966841A (zh) | 2021-03-18 | 2021-03-18 | 线下自动审单系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110290696.6A CN112966841A (zh) | 2021-03-18 | 2021-03-18 | 线下自动审单系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966841A true CN112966841A (zh) | 2021-06-15 |
Family
ID=76279161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110290696.6A Pending CN112966841A (zh) | 2021-03-18 | 2021-03-18 | 线下自动审单系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966841A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590132A (zh) * | 2014-11-06 | 2016-05-18 | 埃科亚特姆公司 | 用于评估和回收电子设备的方法和系统 |
CN109214524A (zh) * | 2018-07-23 | 2019-01-15 | 深圳回收宝科技有限公司 | 一种电子产品回收的方法、便携式终端及存储介质 |
CN110263952A (zh) * | 2019-06-25 | 2019-09-20 | 吴昶炜 | 一种电子产品智能回收系统 |
CN111291629A (zh) * | 2020-01-17 | 2020-06-16 | 平安医疗健康管理股份有限公司 | 图像中文本的识别方法、装置、计算机设备及计算机存储介质 |
CN111931953A (zh) * | 2020-07-07 | 2020-11-13 | 北京工业大学 | 一种废旧手机多尺度特征深度森林识别方法 |
-
2021
- 2021-03-18 CN CN202110290696.6A patent/CN112966841A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590132A (zh) * | 2014-11-06 | 2016-05-18 | 埃科亚特姆公司 | 用于评估和回收电子设备的方法和系统 |
CN109214524A (zh) * | 2018-07-23 | 2019-01-15 | 深圳回收宝科技有限公司 | 一种电子产品回收的方法、便携式终端及存储介质 |
CN110263952A (zh) * | 2019-06-25 | 2019-09-20 | 吴昶炜 | 一种电子产品智能回收系统 |
CN111291629A (zh) * | 2020-01-17 | 2020-06-16 | 平安医疗健康管理股份有限公司 | 图像中文本的识别方法、装置、计算机设备及计算机存储介质 |
CN111931953A (zh) * | 2020-07-07 | 2020-11-13 | 北京工业大学 | 一种废旧手机多尺度特征深度森林识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3182334B1 (en) | License plate recognition using coarse-to-fine cascade adaptations of a convolutional neural network | |
CN102880849B (zh) | 一种二维码识别方法,及设备 | |
US20210174493A1 (en) | Damage identification result optimization method and apparatus | |
US20180060704A1 (en) | Method And Apparatus For Image Character Recognition Model Generation, And Vertically-Oriented Character Image Recognition | |
US20190205618A1 (en) | Method and apparatus for generating facial feature | |
CN109948615A (zh) | 多语言文本检测识别系统 | |
CN113780229A (zh) | 文本识别方法及装置 | |
CN109934181A (zh) | 文本识别方法、装置、设备和计算机可读介质 | |
KR101377601B1 (ko) | 모바일 카메라를 이용한 자연 영상 다국어 문자 인식과 번역 시스템 및 방법 | |
CN110738262B (zh) | 文本识别方法和相关产品 | |
CN110765740B (zh) | 一种基于dom树的全类型文本替换方法、系统、装置及存储介质 | |
CN110516259B (zh) | 一种技术关键词的识别方法、装置、计算机设备和存储介质 | |
CN112070649A (zh) | 一种去除特定字符串水印的方法及系统 | |
CN112686257A (zh) | 一种基于ocr的店头文字识别方法及系统 | |
CN114429636B (zh) | 图像扫描识别方法、装置及电子设备 | |
CN112801923A (zh) | 文字处理方法、系统、可读存储介质及计算机设备 | |
CN112560718A (zh) | 物料信息的获取方法和装置、存储介质、电子装置 | |
CN112966841A (zh) | 线下自动审单系统 | |
CN112396060A (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
US20230048495A1 (en) | Method and platform of generating document, electronic device and storage medium | |
CN111950542B (zh) | 基于ocr识别算法的学习扫描笔 | |
CN114266308A (zh) | 检测模型训练方法及装置、图像检测方法及装置 | |
CN111797921A (zh) | 一种图像数据对比方法及装置 | |
CN115497113B (zh) | 信息生成方法、装置、电子设备以及存储介质 | |
CN115563289B (zh) | 行业分类标签生成方法、装置、电子设备和可读介质 |
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 |