CN113138074A - 用于工程机械故障显示仪表的自动检测系统及方法 - Google Patents
用于工程机械故障显示仪表的自动检测系统及方法 Download PDFInfo
- Publication number
- CN113138074A CN113138074A CN202110438891.9A CN202110438891A CN113138074A CN 113138074 A CN113138074 A CN 113138074A CN 202110438891 A CN202110438891 A CN 202110438891A CN 113138074 A CN113138074 A CN 113138074A
- Authority
- CN
- China
- Prior art keywords
- fault
- character
- module
- picture
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Discrimination (AREA)
Abstract
本发明提供了一种用于工程机械故障显示仪表的自动检测系统及方法,包括故障模拟发送模块、摄像头模块、计算机软件模块和通讯模块;所述的计算机软件模块通过通讯模块与故障模拟发送模块和摄像头模块进行数据通讯,所述的故障模拟发送模块通过通讯模块与被检测的仪表相连;能够自动对故障显示仪表进行检测,并生成检测报告;摄像头模块与改进的文字识别算法提高了文字的识别率与识别速度,识别数据及检测结果保存本地自动生成检测结果文档,使得数据可追溯、结果易导出。
Description
技术领域
本发明涉及工程机械技术领域,具体是一种用于显示故障信息仪表的自动检测系统。
背景技术
目前对工程机械故障显示仪表进行检测的方法为将故障信息人为输入到故障显示仪表中,查看显示是否正确。工程机械故障显示仪表所接收的故障信息内容多达800至1000种,仪表检测过程需要遍历所有的故障信息查看显示是否真确。现实中无法用与仪表连接的实物发送所有的故障(比如发发动机喷油器计量油轨压力电压高于正常值)。利用传统的传统PCANView软件需要手动计算发送数据值及手动输入数值,费事费力且存在错误率。由于故障信息条目众多需要人为观察仪表显示结果是否正确是件重复且易错的工作。检测内容、检测结果和检测正确与否需要逐条记录生成检测报告,文本输入量较大。
发明内容
为了解决上述技术问题,本发明提供了一种用于工程机械故障显示仪表的自动检测系统及方法,能够自动对故障显示仪表进行检测,并生成检测报告。
本发明采用的技术方案:一种用于工程机械故障显示仪表的自动检测系统,包括故障模拟发送模块、摄像头模块、计算机软件模块和通讯模块;所述的计算机软件模块通过通讯模块与故障模拟发送模块和摄像头模块进行数据通讯,所述的故障模拟发送模块通过通讯模块与被检测的仪表相连。
优选的,所述的通讯模块采用PCAN-USB通讯模块,摄像头模块采用USB摄像头模块。
优选的,所述的摄像头模块还包括摄像头安装支架,所述的摄像头安装支架包括检测平台,所述的检测平台的一侧安装有支架,所述的支架上部安装有摄像头安装架,所述的摄像头安装架可沿着支架上下调节,所述的摄像头模块安装在摄像头安装架上用于采集仪表界面图片。
一种用于工程机械故障显示仪表的自动检测方法,包括以下步骤:
S1:预设故障内容;
S2:计算机软件模块将仪表故障内容转换为故障数据文本;
S3:故障模拟发送模块将故障数据文本发送至被检测的仪表,所述的被检测的仪表接收到故障数据文本后,在屏幕上显示故障信息;
S4:所述的摄像头模块采集被检测的仪表界面图片发送给计算机软件模块,计算机软件模块用文字识别算法对界面图片进行文字识别;
S5:将识别结果与预设故障内容进行对比,将预设故障内容、识别对比结果保存到本地,生成检测报告。
优选的,步骤S1中,预设故障内容可手动设置发送故障信息之间的时间间隔,使发送周期达到毫秒级别,提供多故障/单故障检测、单地址/多地址模式、固定/随机/顺序/单循环多种检测模式;
所述多故障/单故障检测模式:能够有效的模拟出元器件发生多个或单个故障时所发送的故障数据;
所述单地址/多地址模式检测:能够进行固定地址的故障信息发送也能进行多地址故障信息的发送。
所述固定/随机/顺序/单循环多种检测模式:固定模式指的是固定发送某个或某些故障信息,随机模式指的是软件随机抽取几条故障信息进行模拟发送,顺序模式指的是循环遍历所有的故障信息进行发送,单循环模式指的是周期发送单一的故障信息。
优选的,步骤S4中采用的文字识别算法为改进的文字识别算法,包括以下步骤:
A1:采用基于二值图的和值及灰度图均值与方差的文字识别算法对摄像头模块采集到的仪表界面图片进行识别文字图片预处理;
A11:获取文字区域范围,随机取三分之一文字区域,分割成单个字体图片,进行灰度化处理后进行均值u与标准方差值(stddev)计算,利用求得的均值u对文字图片进行二值化处理,对二值化后图片求和得到二值图和值Sd。
A2:采用Tesseract文字识别引擎对故障内容文档进行识别文字库预处理;
A21:对故障内容文档提取文字种类及出现次数m,生成字数较少的字库,采用四维向量[u,(stddev),Sd,m]表示识别文字库中单个文字图片的特征向量;
A3:基于二值图的和值及灰度图均值与方差的文字识别算法与Tesseract文字识别引擎相结合,根据识别文字库的四维特征向量[u,(stddev),Sd,m]对识别的所有文字进行排序,排序的优先级是Sd>u>(stddev)>m,意味着首先根据二值图和值Sd对文字库进行排序,如果这时出现Sd相同的情况则需要对相同Sd值的文字进行均值u排序,依此类推直到出现次数m;
A4:提取采集到的单个文字四维特征向量[u,(stddev),Sd,m]与排序好的文字字库经过四次比较筛选获得与被识别图片最大相似的一个或几个文字,将最大相似的字库与被识别图片传入Tesseract文字识别引擎进行置信度计算,取置信度最大值且置信度大于0.9时则判断基于该算法的识别结果为该文字;否利用Tesseract文字识别引擎与训练好的整体字库识别模型进行二次识别。
优选的,所述的步骤A11中进行灰度化处理后进行均值与方差计算,其公式如下:
其中n代表灰度图片的像素点数,u代表均值,xk代表第k个像素点的灰度值,(stddev)代表标准方差值。
利用求得的均值对文字图片进行二值化处理,其公式如下:
其中xks代表二值化后第k个像素点的二值化值。
优选的,对二值化后图片求和,其公式如下:
其中Sd代表二值化求和结果。
本发明的有益效果:(1)通过计算机软件将特定格式的仪表显示故障内容文档转换为可通过PCAN-USB模块发送的数据文本,利用软件计算发送数值达到减低错误率避免重复手动输入发送数值的效果。
(2)采用计算机软件模拟发出故障代码,解决了实际工作当中无法用实物发送所有故障代码的问题。
(3)采用USB摄像头模块采集界面图片,配合改进的文字识别算法,解决了测试结果需要人为观察的问题。
(4)检测原始、过程、结果数据保存本地,自动生成检测报告,解决了手动出具检测报告文本量大导致的工作量巨大的问题。
(5)本发明对文字识别算法进行了改进,提出一种基于二值图的和值及灰度图均值与方差的文字识别算法与Tesseract文字识别引擎相结合的文字识别方法,通过识别文字预处理减少文字识别库数量、从识别文字图片预处理提取四维特征向量[u,(stddev),Sd,m]与按顺序排列的字库进行四次比较筛选提取最大相似度字组达到快速缩小识别范围提高搜索速度、利用1/3文字区域进行文字识别减少文本识别的次数达到利用局部判断整体的功能。
附图说明
图1是本发明硬件连接示意图;
图2是本发明USB接口摄像头安装位置示意图;
图3为本发明系统工作过程示意图;
图4为本发明改进文字识别方法工作过程示意图。
具体实施方式
为了进一步说明本发明的技术方案细节,现结合附图进行说明,
如图1所示,本发明包括故障模拟发送模块、摄像头模块、计算机软件模块和通讯模块;所述的计算机软件模块通过通讯模块与故障模拟发送模块和摄像头模块进行数据通讯,所述的故障模拟发送模块通过通讯模块与被检测的仪表相连。
如图2所示,本发明使用过程中为了提高仪表界面文字的识别率,设计了摄像头安装支架,包括检测平台1,所述的检测平台1的一侧安装有支架2,所述的支架2上部安装有摄像头安装架3,所述的摄像头安装架3可沿着支架2上下调节,所述的摄像头模块安装在摄像头安装架3上用于采集仪表界面图片,图中A表示摄像头,B表示被测仪表。
如图3所示,一种用于工程机械故障显示仪表的自动检测方法,包括以下步骤:
S1:预设故障内容;
S2:计算机软件模块将仪表故障内容转换为故障数据文本;
S3:故障模拟发送模块将故障数据文本发送至被检测的仪表,所述的被检测的仪表接收到故障数据文本后,在屏幕上显示故障信息;
S4:所述的摄像头模块采集被检测的仪表界面图片发送给计算机软件模块,计算机软件模块用文字识别算法对界面图片进行文字识别;
S5:将识别结果与预设故障内容进行对比,将预设故障内容、识别对比结果保存到本地,生成检测报告。
本实施例中,步骤S2中将故障内容转换为故障数据文本涉及的转换公式为:
d5=[SPN-d3*2048-d4*8]*32+FMI
Data=Hex(d1)+Hex(d2)+Hex(d3)+Hex(d4)+Hex(d5)+Hex(d6)+Hex(d7)+Hex(d8)
式中d1-d8代表发送的8个字节,其中[x]符号代表取不大于x的最大整数,SPN和FMI为故障内容文档中给定的该条故障信息属性值,由此值推导出发送d1至d8(范围0-255)的8个字节数据,Data代表转换后的CAN通讯文本数据包,Hex(d1)代表将d1转换成16进制的字符串,公式中d1、d2、d7、d8数值只要设置在范围内就可以,d6数值大小转换为二进制最高位必须为1。
如图4所示,本发明中采用的改进文字识别算法:
采集USB摄像头拍摄的仪表显示图片信息并提供预览界面,利用改进的文字识别算法对拍摄的仪表显示图片进行文字识别,将识别的结果、软件发送的原始数据、对比识别与原始数据结果保存到本地。
所述改进的文字识别算法,包括识别文字图片预处理、识别所用文字库预处理、基于二值图的和值及灰度图均值与方差的文字识别算法与Tesseract文字识别引擎相结合。
其中识别文字图片预处理包括:
根据USB摄像头采集到的文字区域图片进行灰度化处理后进行均值与方差计算,其公式如下:
其中n代表灰度图片的像素点数,u代表均值,xk代表第k个像素点的灰度值,(stddev)代表标准方差值。
利用求得的均值对文字图片进行二值化处理,其公式如下:
其中xks代表二值化后第k个像素点的二值化值。
对二值化后图片求和,其公式如下:
其中Sd代表二值化求和结果。
为了提高识别的准确度实际处理图片过程中本实施例中还需要进行边缘去除、模糊去噪、二值图的开闭操作来去除小的噪声点。
其中识别所用文字库预处理的步骤包括:
代码遍历特定格式的仪表显示故障内容文档所出现的具体文字种类及出现的次数m,目前经过遍历得到文字的种类为500个左右,这与传统的一级文字识别的3000多个字具有很大的差距。种类用于缩小Tesseract训练文字样本的数量从而达到提高识别速度与准确度,因为更少的文字种类意味着更少的特征搜索与比较。
经过以上预处理可以用四维向量[u,(stddev),Sd,m]表示识别文字库中单个文字图片的特征向量。
基于二值图的和值及灰度图均值与方差的文字识别算法与Tesseract文字识别引擎相结合其特征在于:
首先,根据识别文字库的四维特征向量[u,(stddev),Sd,m]对识别的所有文字进行排序,排序的优先级是Sd>u>(stddev)>m,意味着首先根据二值图和值Sd对文字库进行排序,如果这时出现Sd相同的情况则需要对相同Sd值的文字进行均值u排序,依此类推只到出现次数m。
其次,基于二值图的和值及灰度图均值与方差的文字识别算法实现原理是提取采集到的单个文字四维特征向量[u,(stddev),Sd,m]与排序好的文字字库经过四次比较筛选就能获得与被识别图片最大相似的一个或几个文字(多个时取2-3个),将最大相似的字库与被识别图片传入Tesseract文字识别引擎进行置信度计算,取置信度最大值且置信度大于0.9时则判断基于该算法的识别结果为该文字。如果没有识别则利用Tesseract文字识别引擎与训练好的整体字库识别模型进行二次识别。
在实际运用中需要进行一片区域的文字识别,由于检测显示内容的差异较大,本发明采用利用局部判断整体的方法,根据有文字区域大小,随机取1/3整体大小区域的文字进行识别,只要该1/3大小区域的每个文字识别的置性度都大于0.9才认为识别成功,否则利用Tesseract文字识别引擎与训练好的字库识别模型进行二次识别。
最后,记录识别的文字识别结果及该发送故障数据的原始信息(包括故障代码、故障描述、SPN、FMI)。比较识别内容与原信息是否相同并记录比较结果,相同表示该检测故障仪表显示正常,不同则表示仪表显示不正常。
Claims (8)
1.一种用于工程机械故障显示仪表的自动检测系统,其特征在于,包括故障模拟发送模块、摄像头模块、计算机软件模块和通讯模块;所述的计算机软件模块通过通讯模块与故障模拟发送模块和摄像头模块进行数据通讯,所述的故障模拟发送模块通过通讯模块与被检测的仪表相连。
2.根据权利要求1所述的用于工程机械故障显示仪表的自动检测系统,其特征在于:所述的通讯模块采用PCAN-USB通讯模块,摄像头模块采用USB摄像头模块。
3.根据权利要求1所述的用于工程机械故障显示仪表的自动检测系统,其特征在于:所述的摄像头模块还包括摄像头安装支架,所述的摄像头安装支架包括检测平台(1),所述的检测平台(1)的一侧安装有支架(2),所述的支架(2)上部安装有摄像头安装架(3),所述的摄像头安装架(3)可沿着支架(2)上下调节,所述的摄像头模块安装在摄像头安装架(3)上用于采集仪表界面图片。
4.一种用于工程机械故障显示仪表的自动检测方法,其特征在于:包括以下步骤:
S1:预设故障内容;
S2:计算机软件模块将仪表故障内容转换为故障数据文本;
S3:故障模拟发送模块将故障数据文本发送至被检测的仪表,所述的被检测的仪表接收到故障数据文本后,在屏幕上显示故障信息;
S4:所述的摄像头模块采集被检测的仪表界面图片发送给计算机软件模块,计算机软件模块用文字识别算法对界面图片进行文字识别;
S5:将识别结果与预设故障内容进行对比,将预设故障内容、识别对比结果保存到本地,生成检测报告。
5.根据权利要求4所述的用于工程机械故障显示仪表的自动检测方法,其特征在于:步骤S1中,预设故障内容可手动设置发送故障信息之间的时间间隔,使发送周期达到毫秒级别,提供多故障/单故障检测、单地址/多地址模式、固定/随机/顺序/单循环多种检测模式;
所述多故障/单故障检测模式:能够有效的模拟出元器件发生多个或单个故障时所发送的故障数据;
所述单地址/多地址模式检测:能够进行固定地址的故障信息发送也能进行多地址故障信息的发送。
所述固定/随机/顺序/单循环多种检测模式:固定模式指的是固定发送某个或某些故障信息,随机模式指的是软件随机抽取几条故障信息进行模拟发送,顺序模式指的是循环遍历所有的故障信息进行发送,单循环模式指的是周期发送单一的故障信息。
6.根据权利要求4所述的用于工程机械故障显示仪表的自动检测方法,其特征在于:步骤S4中采用的文字识别算法为改进的文字识别算法,包括以下步骤:
A1:采用基于二值图的和值及灰度图均值与方差的文字识别算法对摄像头模块采集到的仪表界面图片进行识别文字图片预处理;
A11:获取文字区域范围,随机取三分之一文字区域,分割成单个字体图片,进行灰度化处理后进行均值u与标准方差值(stddev)计算,利用求得的均值u对文字图片进行二值化处理,对二值化后图片求和得到二值图和值Sd。
A2:采用Tesseract文字识别引擎对故障内容文档进行识别文字库预处理;
A21:对故障内容文档提取文字种类及出现次数m,生成字数较少的字库,采用四维向量[u,(stddev),Sd,m]表示识别文字库中单个文字图片的特征向量;
A3:基于二值图的和值及灰度图均值与方差的文字识别算法与Tesseract文字识别引擎相结合,根据识别文字库的四维特征向量[u,(stddev),Sd,m]对识别的所有文字进行排序,排序的优先级是Sd>u>(stddev)>m,意味着首先根据二值图和值Sd对文字库进行排序,如果这时出现Sd相同的情况则需要对相同Sd值的文字进行均值u排序,依此类推直到出现次数m;
A4:提取采集到的单个文字四维特征向量[u,(stddev),Sd,m]与排序好的文字字库经过四次比较筛选获得与被识别图片最大相似的一个或几个文字,将最大相似的字库与被识别图片传入Tesseract文字识别引擎进行置信度计算,取置信度最大值且置信度大于0.9时则判断基于该算法的识别结果为该文字;否利用Tesseract文字识别引擎与训练好的整体字库识别模型进行二次识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438891.9A CN113138074B (zh) | 2021-04-22 | 2021-04-22 | 用于工程机械故障显示仪表的自动检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438891.9A CN113138074B (zh) | 2021-04-22 | 2021-04-22 | 用于工程机械故障显示仪表的自动检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113138074A true CN113138074A (zh) | 2021-07-20 |
CN113138074B CN113138074B (zh) | 2024-05-28 |
Family
ID=76813360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110438891.9A Active CN113138074B (zh) | 2021-04-22 | 2021-04-22 | 用于工程机械故障显示仪表的自动检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138074B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106855421A (zh) * | 2017-01-17 | 2017-06-16 | 中国第汽车股份有限公司 | 一种基于机器视觉的汽车仪表自动化测试系统及测试方法 |
CN111239158A (zh) * | 2020-03-13 | 2020-06-05 | 苏州鑫睿益荣信息技术有限公司 | 一种基于机器视觉的汽车仪表盘检测系统和检测方法 |
CN111563509A (zh) * | 2020-04-30 | 2020-08-21 | 贵州电网有限责任公司 | 一种基于tesseract的变电站端子排识别方法及系统 |
CN212320766U (zh) * | 2020-07-15 | 2021-01-08 | 山东派蒙机电技术有限公司 | 一种数字仪表开发测试设备 |
-
2021
- 2021-04-22 CN CN202110438891.9A patent/CN113138074B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106855421A (zh) * | 2017-01-17 | 2017-06-16 | 中国第汽车股份有限公司 | 一种基于机器视觉的汽车仪表自动化测试系统及测试方法 |
CN111239158A (zh) * | 2020-03-13 | 2020-06-05 | 苏州鑫睿益荣信息技术有限公司 | 一种基于机器视觉的汽车仪表盘检测系统和检测方法 |
CN111563509A (zh) * | 2020-04-30 | 2020-08-21 | 贵州电网有限责任公司 | 一种基于tesseract的变电站端子排识别方法及系统 |
CN212320766U (zh) * | 2020-07-15 | 2021-01-08 | 山东派蒙机电技术有限公司 | 一种数字仪表开发测试设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113138074B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390691B (zh) | 一种基于深度学习的矿石尺度测量方法及应用系统 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
CN111650204A (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及系统 | |
JP3264932B2 (ja) | テキストを含む画像における背景から前景を分離する方法及び装置 | |
CN110781839A (zh) | 一种基于滑窗的大尺寸图像中小目标识别方法 | |
CN111126115B (zh) | 暴力分拣行为识别方法和装置 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN109766891B (zh) | 获取设备设施信息的方法及计算机可读存储介质 | |
CN112001878A (zh) | 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统 | |
CN111161292A (zh) | 一种矿石尺度测量方法及应用系统 | |
CN102982305A (zh) | 信息处理设备和处理信息的方法、存储介质以及程序 | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN117764970A (zh) | 一种基于图像特征的印刷品质量检测方法及系统 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN114140793A (zh) | 一种用于端子排和端子排接线的匹配方法及装置 | |
CN113138074B (zh) | 用于工程机械故障显示仪表的自动检测系统及方法 | |
CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
Liu et al. | Container-code recognition system based on computer vision and deep neural networks | |
CN111414889A (zh) | 基于文字识别的财务报表识别方法及装置 | |
CN115205747A (zh) | 一种基于图像识别的道路自动化检测系统 | |
CN114898181A (zh) | 用于涉爆视频的隐患违章识别方法及装置 | |
CN115273122A (zh) | 一种基于深度学习的身份证识别方法及装置 | |
CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 |
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 |