CN113065010A - 标牌图像管理方法、装置、计算机设备和存储介质 - Google Patents
标牌图像管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113065010A CN113065010A CN202110279478.2A CN202110279478A CN113065010A CN 113065010 A CN113065010 A CN 113065010A CN 202110279478 A CN202110279478 A CN 202110279478A CN 113065010 A CN113065010 A CN 113065010A
- Authority
- CN
- China
- Prior art keywords
- label
- image
- block
- label image
- information
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种标牌图像管理方法、装置、计算机设备和存储介质,通过获取标牌图像集;对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息;根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中;分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值;将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中,在查找标牌图像时,只需一个索引哈希值便能够查找得到本区块以及相邻区块中存储的标牌图像,提高标牌图像的查找效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种标牌图像管理方法、装置、计算机设备和存储介质。
背景技术
在大数据时代中,每时每刻都有新数据在产生。由于数据繁多,因此很有必要对数据进行分类管理。其中,包括对图像的分类管理。传统的方法中,通过提取图像的特征,对图像进行分析得到图像标签,通过图像标签对图像进行分类,从而实现对图像的管理。然而,在后续查找图像的过程中,需要在一个个分类中对图像进行查找,当在一个分类中查找不到所要的图像时,需要返回再从另一个分类中查找,导致图像的查找效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高图像查找效率的标牌图像管理方法、装置、计算机设备和存储介质。
一种标牌图像管理方法,所述方法包括:
获取标牌图像集;
对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息;
根据所述标牌信息对所述各个标牌图像进行分类,得到所述各个标牌图像的类别信息;
根据所述各个标牌图像的类别信息,将所述各个标牌图像存储到区块链对应的区块中;
分别对所述各个标牌图像的类别信息进行哈希运算,得到所述各个区块的索引哈希值;
将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
在其中一个实施例中,所述对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息包括:
对所述各个标牌图像进行预处理;
对预处理后的各个标牌图像进行特征提取,得到所述各个标牌图像的颜色特征和文本特征;
将所述颜色特征和所述文本特征输入特征分类器,所述特征分类器对所述颜色特征和所述文本特征进行分类识别,得到颜色信息和文本信息;
将所述颜色信息和所述文本信息组合,得到所述各个标牌的标牌信息。
在其中一个实施例中,所述各个标牌图像携带图形码,所述对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息包括:
扫描所述各个标牌图像中的图形码,获取得到所述各个标牌图像的标牌信息。
在其中一个实施例中,所述方法还包括:
根据所述各个标牌图像的类别信息确定所述各个标牌图像的存储顺序;
所述根据所述各个标牌图像的类别信息,将所述各个标牌图像存储到区块链对应的区块中包括:
根据所述各个标牌图像的类别信息,将所述各个标牌图像按所述存储顺序存储到区块链对应的区块中。
在其中一个实施例中,所述分别对所述各个标牌图像的类别信息进行哈希运算,得到所述各个区块的索引哈希值包括:
获取与所述类别信息对应的秘钥;
对所述各个标牌图像的类别信息和所述秘钥进行哈希运算,得到所述各个区块的索引哈希值。
在其中一个实施例中,所述方法还包括:
根据所述各个区块的索引哈希值,从所述区块链中查找到各个区块;
从所述各个区块中获取得到本区块存储的标牌图像以及相邻区块的索引哈希值;
根据所述相邻区块的索引哈希值,获取得到所述相邻区块存储的标牌图像。
在其中一个实施例中,所述相邻区块包括上一个区块和下一个区块。
一种标牌图像管理装置,所述装置包括:
标牌图像集获取模块,用于获取标牌图像集;
标牌图像检测模块,用于对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息;
标牌图像分类模块,用于根据所述标牌信息对所述各个标牌图像进行分类,得到所述各个标牌图像的类别信息;
标牌图像存储模块,用于根据所述各个标牌图像的类别信息,将所述各个标牌图像存储到区块链对应的区块中;
索引哈希值计算模块,用于分别对所述各个标牌图像的类别信息进行哈希运算,得到所述各个区块的索引哈希值;
索引哈希值存储模块,用于将所述各个区块的索引哈希值以及相邻区块的索引哈希值存储到所述各个区块中。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述标牌图像管理方法、装置、计算机设备和存储介质,通过获取标牌图像集;对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息;根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中;分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值;将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中,能够通过索引哈希值快速查找到不同类型的标牌图像,并且,区块中存储有本区块和相邻区块的索引哈希值,使得在查找标牌图像时,只需一个索引哈希值便可以查找得到本区块以及相邻区块中存储的标牌图像,提高标牌图像的查找效率。
附图说明
图1为一个实施例中标牌图像管理方法的应用环境图;
图2为一个实施例中标牌图像管理方法的流程示意图;
图3为一个实施例中标牌图像检测识别步骤的流程示意图;
图4为一个实施例中标牌图像获取步骤的流程示意图;
图5为另一个实施例中标牌图像管理方法的流程示意图;
图6为一个实施例中标牌图像管理装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的标牌图像管理方法,可以应用于如图1所示的应用环境中。本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
具体地,终端102获取标牌图像集。终端102对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息。终端102根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;并根据各个标牌图像的类别信息,将各个标牌图像存储到区块链104对应的区块中。终端102分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值。进一步地,终端102将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
在一个实施例中,如图2所示,提供了一种标牌图像管理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取标牌图像集。
其中,标牌图像集是各个标牌图像的集合。标牌图像可以是拍摄得到的,也可以是通过设计得到的。
步骤204,对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息。
其中,标牌是用于标识器件的指示牌。标牌中包含有标牌信息,包括标牌的背景底色、功能描述、标识码等。
具体地,终端通过图像检测识别技术对标牌图像集中的各个标牌图像进行检测识别,可以得到各个标牌图像的标牌信息。
当识别标牌的背景底色时,终端可以提取标牌图像的颜色特征,通过识别颜色特征,得到标牌的背景底色。
当识别标牌的功能描述或标识码时,终端可以提取标牌图像的文本特征,通过识别文本特征,得到标牌的功能描述或标识码。
在一个实施例中,终端可以通过卷积神经网络来对标牌图像进行检测识别。
步骤206,根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息。
其中,类别信息是用于标识标牌图像的类别的信息。类别信息的内容是预先设定好的,可以是任意一种规定方式。例如,终端根据标牌的背景底色来对标牌图像进行分类,当背景底色为绿色时,得到标牌图像的类别信息为1。
具体地,终端在得到标牌信息之后,可以通过标牌信息中的任意一种信息或多种信息组合来对标牌图像进行分类。例如,终端通过标牌的功能描述来对标牌图像进行分类,可以将标牌图像分类为出口电隔离阀、水位调节阀等。可以理解的是,在对标牌图像进行分类时,需要使用同一种标牌信息来进行标牌图像的分类。
终端根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别。终端通过预先设定好的标牌图像的类别与类别信息之间的关联关系,得到各个标牌图像对应的类别信息。
步骤208,根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中。
其中,区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构,并以密码学方式保证的不可篡改和不可伪造的分布式账本。
具体地,终端在得到各个标牌图像的类别信息之后,将类别信息相同的标牌图像存储到区块链的同一个区块中,即区块链中的不同的区块存储了不同类型的标牌图像。
在一个实施例中,终端根据各个标牌图像的类别信息确定各个标牌图像的存储顺序;根据各个标牌图像的类别信息,将各个标牌图像按存储顺序存储到区块链对应的区块中。
具体地,由于区块链是按照时间顺序将区块连接的,因此,终端可以通过各个标牌的类别信息确定各个标牌图像的存储顺序。类别信息相同的标牌图像的存储顺序相同,存储到区块链的同一区块中。合理的存储顺序可以进一步提高标牌图像的查找效率。
在一个实施例中,也可以对各个标牌图像进行逐级分类,将各级类别的标牌图像按顺序存储,得到树形区块链。
步骤210,分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值。
其中,哈希运算可以指通过哈希函数进行运算。哈希函数可以是MD4、MD5、SHA(Secure Hash Algorithm,安全散列算法)家族算法。SHA家族算法包括:SHA-1、SHA-224、SHA-256、SHA-384和SHA-512。
具体地,终端在得到各个标牌图像的类别信息之后,通过哈希函数对各个标牌图像的哈希运算,得到对应区块的索引哈希值。通过索引哈希值,终端可以快速查询到区块中存储的标牌图像。
在一个实施例中,步骤210包括:获取与类别信息对应的秘钥;对各个标牌图像的类别信息和秘钥进行哈希运算,得到各个区块的索引哈希值。
具体地,终端还可以获取与各个标牌图像的类别信息对应的秘钥,对各个标牌图像的类别信息和秘钥进行哈希运算,再将其作为所以哈希值,可以进一步提高数据的不可篡改性和安全性。
步骤212,将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
其中,相邻区块包括上一区块和下一区块。
具体地,区块包括区块头和区块体。区块体存储标牌图像。区块头中存储着区块的头信息,一般情况下,头信息包括本区块的索引哈希值和上一区块的索引哈希值。终端将区块的索引哈希值、上一区块的索引哈希值以及下一区块的索引哈希值存储到区块的区块头中,使得终端能够通过一个区块的索引哈希值,获取得到本区块存储的标牌图像、上一区块的索引哈希值和下一区块的索引哈希值,通过上一区块的索引哈希值查找到上一区块中的标牌图像,实现标牌图像的前向查找,也可以通过下一区块的索引哈希值查找到下一区块中的标牌图像,实现标牌图像的后向查找,具备双向查找的能力。
上述标牌图像管理方法中,通过获取标牌图像集;对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息;根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中;分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值;将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中,能够通过索引哈希值快速查找到不同类型的标牌图像,并且,区块中存储有本区块和相邻区块的索引哈希值,使得在查找标牌图像时,只需一个索引哈希值便可以查找得到本区块以及相邻区块中存储的标牌图像,提高标牌图像的查找效率。
在一个实施例中,如图3所示,步骤204包括:
步骤302,对各个标牌图像进行预处理;
步骤304,对预处理后的各个标牌图像进行特征提取,得到各个标牌图像的颜色特征和文本特征;
步骤306,将颜色特征和文本特征输入特征分类器,特征分类器对颜色特征和文本特征进行分类识别,得到颜色信息和文本信息;
步骤308,将颜色信息和文本信息组合,得到各个标牌的标牌信息。
其中,特征提取是对图像进行的运算处理,通过特征提取算法来检查每个像素来确定该像素是否代表一个特征。特征提取算法可以是HOG(histogram of OrientedGradient,方向梯度直方图)、SIFT(Scale-invariant features transform,尺度不变特征变换)、SURF(Speeded Up Robust Features,加速稳健特征变换)以及DOG(Difference ofGaussian,高斯函数差分)等算法。特征分类器是基于深度学习模型实现的,例如cascade分类器。
具体地,预处理包括降噪处理。降噪处理可以是均值滤波、中值滤波、自适应滤波等处理方式。终端通过对各个标牌图像进行预处理,提高标牌图像的质量,从而提高特征提取的准确度,和特征提取的效率。
标牌信息包括标牌的背景底色、功能描述、标识码等。
当对标牌的背景底色进行识别时,终端可以提取各个标牌图像的颜色特征,将提取到的颜色特征输入特征分类器,特征分类器对颜色特征进行分类识别,得到标牌图像的颜色信息。
当对标牌的功能描述、标识码等文字信息进行识别时,终端可以先将各个标牌图像进行二值化,再提取各个标牌图像的文字特征,将提取到的文字特征与文字模板进行分类匹配,得到各个标牌图像的文字识别结果,即得到各个标牌图像的文本信息。在一个实施例中,终端可以通过OCR(Optical Character Recognition,光学字符识别)算法,对标牌图像进行文字识别。在其他实施例中,终端也可以通过深度学习模型来识别得到标牌图像的文本信息。
在一个实施例中,当各个标牌图像携带图形码时,步骤204还包括:扫描各个标牌图像中的图形码,获取得到各个标牌图像的标牌信息。
具体地,当标牌图像携带图像码时,终端还可以终端扫描各个标牌图像中的图形码,从而获取得到各个标牌图像的标牌信息。
本实施例中,通过对标牌图像进行检测识别,得到标牌信息,为后续通过标牌信息对标牌图像进行分类提供基础,能够提高标牌图像分类的效率和准确性。
在一个实施例中,步骤210包括:获取与类别信息对应的秘钥;对各个标牌图像的类别信息和秘钥进行哈希运算,得到各个区块的索引哈希值。
在一个实施例中,如图4所示,方法还包括:
步骤402,根据各个区块的索引哈希值,从区块链中查找到各个区块;
步骤404,从各个区块中获取得到本区块存储的标牌图像以及相邻区块的索引哈希值;
步骤406,根据相邻区块的索引哈希值,获取得到相邻区块存储的标牌图像。
具体地,由于区块中存储上一区块的索引哈希值和下一区块的索引哈希值。因此,终端在获取标牌图像时,可以通过区块的索引哈希值从区块链中查找到对应的区块,并从区块中获取得到区块存储的标牌图像、上一区块的索引哈希值和下一区块的索引哈希值,通过上一区块的索引哈希值得到上一区块中存储的标牌图像,通过下一区块的索引哈希值得到下一区块中存储的标牌图像。
在本实施例中,通过将上一区块和下一区块的索引哈希值存储到区块中,可以通过一个索引哈希值快速查找到三个区块中存储的、不同类别的标牌图像,提高标牌图像的查找效率。
在一个实施例中,如图5所示,提供了另一种标牌图像管理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤502,获取标牌图像集;
步骤504,对各个标牌图像进行预处理;
步骤506,对预处理后的各个标牌图像进行特征提取,得到各个标牌图像的颜色特征和文本特征;
步骤508,将颜色特征和文本特征输入特征分类器,特征分类器对颜色特征和文本特征进行分类识别,得到颜色信息和文本信息;
步骤510,将颜色信息和文本信息组合,得到各个标牌的标牌信息;
步骤512,当各个标牌图像携带图形码时,扫描各个标牌图像中的图形码,获取得到各个标牌图像的标牌信息;
步骤514,根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;
步骤516,根据各个标牌图像的类别信息确定各个标牌图像的存储顺序;
步骤518,获取与类别信息对应的秘钥;
步骤520,对各个标牌图像的类别信息和秘钥进行哈希运算,得到各个区块的索引哈希值;
步骤522,根据各个标牌图像的类别信息,将各个标牌图像按存储顺序存储到区块链对应的区块中;
步骤524,将区块的索引哈希值、上一区块的索引哈希值以及下一区块的索引哈希值存储到对应的区块中;
步骤526,根据各个区块的索引哈希值,从区块链中查找到各个区块;
步骤528,从各个区块中获取得到本区块存储的标牌图像、上一区块的索引哈希值以及下一区块的索引哈希值;
步骤530,根据上一区块的索引哈希值,获取得到上一区块存储的标牌图像;根据下一区块的索引哈希值,获取得到下一区块存储的标牌图像。
本实施例中,通过对标牌图像进行图像检测,得到标牌图像的信息,可以对标牌图像进行分类。将不同类型的标牌图像存储到区块链的不同区块中,可以利用不同区块的索引哈希值,快速查找到不同类型的标牌图像。除此,各个区块的区块头存储有上一个区块的索引哈希值以及下一个区块的索引哈希值,使得在查找标牌图像时,只需一个索引哈希值便可以对三个区块的标牌图像进行查找,提高标牌图像的查找效率。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种标牌图像管理装置600,包括:标牌图像集获取模块601、标牌图像检测模块602、标牌图像分类模块603、标牌图像存储模块604、索引哈希值计算模块605和索引哈希值存储模块606,其中:
标牌图像集获取模块601,用于获取标牌图像集;
标牌图像检测模块602,用于对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息;
标牌图像分类模块603,用于根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;
标牌图像存储模块604,用于根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中;
索引哈希值计算模块605,用于分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值;
索引哈希值存储模块606,用于将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
在一个实施例中,标牌图像检测模块602还用于对各个标牌图像进行预处理;对预处理后的各个标牌图像进行特征提取,得到各个标牌图像的颜色特征和文本特征;将颜色特征和文本特征输入特征分类器,特征分类器对颜色特征和文本特征进行分类识别,得到颜色信息和文本信息;将颜色信息和文本信息组合,得到各个标牌的标牌信息。
在一个实施例中,标牌图像检测模块602还用于扫描各个标牌图像中的图形码,获取得到各个标牌图像的标牌信息。
在一个实施例中,标牌图像管理装置600还包括标牌图像存储顺序确定模块607,用于根据各个标牌图像的类别信息确定各个标牌图像的存储顺序。
在一个实施例中,标牌图像存储模块604还用于根据各个标牌图像的类别信息,将各个标牌图像按存储顺序存储到区块链对应的区块中。
在一个实施例中,索引哈希值计算模块605还用于获取与类别信息对应的秘钥;对各个标牌图像的类别信息和秘钥进行哈希运算,得到各个区块的索引哈希值。
在一个实施例中,标牌图像管理装置600还包括标牌图像获取模块608,用于根据各个区块的索引哈希值,从区块链中查找到各个区块;从各个区块中获取得到本区块存储的标牌图像以及相邻区块的索引哈希值;根据相邻区块的索引哈希值,获取得到相邻区块存储的标牌图像。
关于标牌图像管理装置的具体限定可以参见上文中对于标牌图像管理方法的限定,在此不再赘述。上述标牌图像管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种标牌图像管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取标牌图像集;对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息;根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中;分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值;将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对各个标牌图像进行预处理;对预处理后的各个标牌图像进行特征提取,得到各个标牌图像的颜色特征和文本特征;将颜色特征和文本特征输入特征分类器,特征分类器对颜色特征和文本特征进行分类识别,得到颜色信息和文本信息;将颜色信息和文本信息组合,得到各个标牌的标牌信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:扫描各个标牌图像中的图形码,获取得到各个标牌图像的标牌信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各个标牌图像的类别信息确定各个标牌图像的存储顺序。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各个标牌图像的类别信息,将各个标牌图像按存储顺序存储到区块链对应的区块中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取与类别信息对应的秘钥;对各个标牌图像的类别信息和秘钥进行哈希运算,得到各个区块的索引哈希值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据各个区块的索引哈希值,从区块链中查找到各个区块;从各个区块中获取得到本区块存储的标牌图像以及相邻区块的索引哈希值;根据相邻区块的索引哈希值,获取得到相邻区块存储的标牌图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取标牌图像集;对标牌图像集中的各个标牌图像进行检测识别,得到各个标牌图像的标牌信息;根据标牌信息对各个标牌图像进行分类,得到各个标牌图像的类别信息;根据各个标牌图像的类别信息,将各个标牌图像存储到区块链对应的区块中;分别对各个标牌图像的类别信息进行哈希运算,得到各个区块的索引哈希值;将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对各个标牌图像进行预处理;对预处理后的各个标牌图像进行特征提取,得到各个标牌图像的颜色特征和文本特征;将颜色特征和文本特征输入特征分类器,特征分类器对颜色特征和文本特征进行分类识别,得到颜色信息和文本信息;将颜色信息和文本信息组合,得到各个标牌的标牌信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:扫描各个标牌图像中的图形码,获取得到各个标牌图像的标牌信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各个标牌图像的类别信息确定各个标牌图像的存储顺序。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各个标牌图像的类别信息,将各个标牌图像按存储顺序存储到区块链对应的区块中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取与类别信息对应的秘钥;对各个标牌图像的类别信息和秘钥进行哈希运算,得到各个区块的索引哈希值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据各个区块的索引哈希值,从区块链中查找到各个区块;从各个区块中获取得到本区块存储的标牌图像以及相邻区块的索引哈希值;根据相邻区块的索引哈希值,获取得到相邻区块存储的标牌图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种标牌图像管理方法,其特征在于,所述方法包括:
获取标牌图像集;
对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息;
根据所述标牌信息对所述各个标牌图像进行分类,得到所述各个标牌图像的类别信息;
根据所述各个标牌图像的类别信息,将所述各个标牌图像存储到区块链对应的区块中;
分别对所述各个标牌图像的类别信息进行哈希运算,得到所述各个区块的索引哈希值;
将区块的索引哈希值以及相邻区块的索引哈希值存储到对应的区块中。
2.根据权利要求1所述的方法,其特征在于,所述对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息包括:
对所述各个标牌图像进行预处理;
对预处理后的各个标牌图像进行特征提取,得到所述各个标牌图像的颜色特征和文本特征;
将所述颜色特征和所述文本特征输入特征分类器,所述特征分类器对所述颜色特征和所述文本特征进行分类识别,得到颜色信息和文本信息;
将所述颜色信息和所述文本信息组合,得到所述各个标牌的标牌信息。
3.根据权利要求1所述的方法,其特征在于,所述各个标牌图像携带图形码,所述对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息包括:
扫描所述各个标牌图像中的图形码,获取得到所述各个标牌图像的标牌信息。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述各个标牌图像的类别信息确定所述各个标牌图像的存储顺序;
所述根据所述各个标牌图像的类别信息,将所述各个标牌图像存储到区块链对应的区块中包括:
根据所述各个标牌图像的类别信息,将所述各个标牌图像按所述存储顺序存储到区块链对应的区块中。
5.根据权利要求1所述的方法,其特征在于,所述分别对所述各个标牌图像的类别信息进行哈希运算,得到所述各个区块的索引哈希值包括:
获取与所述类别信息对应的秘钥;
对所述各个标牌图像的类别信息和所述秘钥进行哈希运算,得到所述各个区块的索引哈希值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述各个区块的索引哈希值,从所述区块链中查找到各个区块;
从所述各个区块中获取得到本区块存储的标牌图像以及相邻区块的索引哈希值;
根据所述相邻区块的索引哈希值,获取得到所述相邻区块存储的标牌图像。
7.根据权利要求1所述的方法,其特征在于,所述相邻区块包括上一个区块和下一个区块。
8.一种标牌图像管理装置,其特征在于,所述装置包括:
标牌图像集获取模块,用于获取标牌图像集;
标牌图像检测模块,用于对所述标牌图像集中的各个标牌图像进行检测识别,得到所述各个标牌图像的标牌信息;
标牌图像分类模块,用于根据所述标牌信息对所述各个标牌图像进行分类,得到所述各个标牌图像的类别信息;
标牌图像存储模块,用于根据所述各个标牌图像的类别信息,将所述各个标牌图像存储到区块链对应的区块中;
索引哈希值计算模块,用于分别对所述各个标牌图像的类别信息进行哈希运算,得到所述各个区块的索引哈希值;
索引哈希值存储模块,用于将所述各个区块的索引哈希值以及相邻区块的索引哈希值存储到所述各个区块中。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279478.2A CN113065010B (zh) | 2021-03-16 | 2021-03-16 | 标牌图像管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279478.2A CN113065010B (zh) | 2021-03-16 | 2021-03-16 | 标牌图像管理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065010A true CN113065010A (zh) | 2021-07-02 |
CN113065010B CN113065010B (zh) | 2024-02-20 |
Family
ID=76561368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279478.2A Active CN113065010B (zh) | 2021-03-16 | 2021-03-16 | 标牌图像管理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065010B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132527A (zh) * | 2023-04-13 | 2023-05-16 | 深圳柯赛标识智能科技有限公司 | 管理指示牌的系统、方法及数据处理服务器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572978A (zh) * | 2017-03-10 | 2018-09-25 | 深圳瀚德创客金融投资有限公司 | 构建用于区块链的倒排索引结构的方法和计算机系统 |
CN108932310A (zh) * | 2018-06-19 | 2018-12-04 | 腾讯大地通途(北京)科技有限公司 | 空间服务提供方法、装置、服务器及存储设备 |
CN109189782A (zh) * | 2018-08-02 | 2019-01-11 | 哈尔滨工程大学 | 一种区块链商品交易查询中的索引方法 |
CN109543696A (zh) * | 2018-11-06 | 2019-03-29 | 吉林大学 | 一种基于神经网络的图像识别方法及其应用 |
CN109949035A (zh) * | 2019-03-15 | 2019-06-28 | 智链万源(北京)数字科技有限公司 | 区块链数据隐私控制方法、装置及系统 |
WO2019134780A1 (de) * | 2018-01-04 | 2019-07-11 | Bundesdruckerei Gmbh | Persönliche dokumentenblockchain-struktur |
CN110020091A (zh) * | 2018-10-16 | 2019-07-16 | 陕西医链区块链集团有限公司 | 一种基于区块链的医疗搜索引擎系统 |
-
2021
- 2021-03-16 CN CN202110279478.2A patent/CN113065010B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572978A (zh) * | 2017-03-10 | 2018-09-25 | 深圳瀚德创客金融投资有限公司 | 构建用于区块链的倒排索引结构的方法和计算机系统 |
WO2019134780A1 (de) * | 2018-01-04 | 2019-07-11 | Bundesdruckerei Gmbh | Persönliche dokumentenblockchain-struktur |
CN108932310A (zh) * | 2018-06-19 | 2018-12-04 | 腾讯大地通途(北京)科技有限公司 | 空间服务提供方法、装置、服务器及存储设备 |
CN109189782A (zh) * | 2018-08-02 | 2019-01-11 | 哈尔滨工程大学 | 一种区块链商品交易查询中的索引方法 |
CN110020091A (zh) * | 2018-10-16 | 2019-07-16 | 陕西医链区块链集团有限公司 | 一种基于区块链的医疗搜索引擎系统 |
CN109543696A (zh) * | 2018-11-06 | 2019-03-29 | 吉林大学 | 一种基于神经网络的图像识别方法及其应用 |
CN109949035A (zh) * | 2019-03-15 | 2019-06-28 | 智链万源(北京)数字科技有限公司 | 区块链数据隐私控制方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
R.ASWINI等: "College fees transaction using hash functions of blockchain model", 《2019 IEEE INTERNATIONAL CONFERENCE ON SYSTEM》, 24 October 2019 (2019-10-24), pages 1 - 2 * |
于戈 等: "区块链系统中的分布式数据管理技术-挑战与展望", 《计算机学报》, vol. 44, no. 1, 29 October 2019 (2019-10-29), pages 28 - 54 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132527A (zh) * | 2023-04-13 | 2023-05-16 | 深圳柯赛标识智能科技有限公司 | 管理指示牌的系统、方法及数据处理服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN113065010B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240070214A1 (en) | Image searching method and apparatus | |
WO2019109526A1 (zh) | 人脸图像的年龄识别方法、装置及存储介质 | |
CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
US9576196B1 (en) | Leveraging image context for improved glyph classification | |
US20140270536A1 (en) | Systems and methods for classifying objects in digital images captured using mobile devices | |
US8718365B1 (en) | Text recognition for textually sparse images | |
WO2019033571A1 (zh) | 面部特征点检测方法、装置及存储介质 | |
CN108491866B (zh) | 色情图片鉴定方法、电子装置及可读存储介质 | |
JP2014232533A (ja) | Ocr出力検証システム及び方法 | |
US10354134B1 (en) | Feature classification with spatial analysis | |
CN109284613B (zh) | 标识检测及仿冒站点检测方法、装置、设备及存储介质 | |
WO2019033570A1 (zh) | 嘴唇动作分析方法、装置及存储介质 | |
He et al. | Historical manuscript dating based on temporal pattern codebook | |
WO2019033568A1 (zh) | 嘴唇动作捕捉方法、装置及存储介质 | |
CN110728687B (zh) | 文件图像分割方法、装置、计算机设备和存储介质 | |
CN113111880B (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
Singh et al. | Content-based image retrieval based on supervised learning and statistical-based moments | |
JP6882362B2 (ja) | 身元確認書類を含む画像を識別するシステムおよび方法 | |
CN110580507B (zh) | 一种城市肌理分类识别方法 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
CN113065010B (zh) | 标牌图像管理方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |