CN113435437A - 开关分合指示牌状态的识别方法、识别装置及存储介质 - Google Patents
开关分合指示牌状态的识别方法、识别装置及存储介质 Download PDFInfo
- Publication number
- CN113435437A CN113435437A CN202110704357.8A CN202110704357A CN113435437A CN 113435437 A CN113435437 A CN 113435437A CN 202110704357 A CN202110704357 A CN 202110704357A CN 113435437 A CN113435437 A CN 113435437A
- Authority
- CN
- China
- Prior art keywords
- switch
- state
- deep learning
- learning model
- indicator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012015 optical character recognition Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种开关分合指示牌状态的识别方法、识别装置及存储介质,属于图像处理和机器视觉的领域。该方法包括:S1:建立和训练用于光学字符识别的深度学习模型;S2:利用步骤S1中训练完成的模型,对实际场景的分合指示牌的图像进行识别;S3:对于未能成功识别到目标的分合指示牌的图像,对图像进行预处理操作,然后再次用深度学习模型进行识别;S4:获取步骤S2和S3输出的结果,确定为最终的识别结果。本发明可以识别多种形态和拍摄条件下的开关分合指示牌状态,且不需要提前具体定位分合指示牌的具体位置,大大提高了识别的通用性和鲁棒性。
Description
技术领域
本发明属于图像处理和机器视觉的领域,具体涉及开关分合指示牌状态的识别方法、识别装置及存储介质。
背景技术
目前,在电力等系统中,设备的安全运行是最重要的安全保障之一,而各种继电器开关是确保系统安全运行的重要保障。继电器是一种电控制器件,是当输入量的变化达到规定要求时,在电气输出电路中使被控量发生预定的阶跃变化的一种电器。通常应用于自动化的控制电路中,是用小电流去控制大电流运作的一种“自动开关”,故在电路中起着自动调节、安全保护、转换电路等作用。
各种继电器开关的状态常常由分合指示牌来进行指示,其状态的判断和监控,在整体系统的状态控制中显得尤为重要。开关分合指示牌状态的智能识别系统,协助监视各种开关的状态,对保障设备系统安全运行,起到了重要的作用。现有某些智能监控系统中,加入了开关分合指示牌状态的检测,利用摄像机获取开关分合指示牌的实时图像或视频,用算法提取分合指示牌的关键信息,自动识别分合指示牌的状态。
现有开关分合指示牌状态的识别方法中,主要方法为通过图像预处理和图像特征的提取,之后通过特征区分来进行分类。该方法需要图像有较高的成像质量,且需要人工进行复杂的特征设计和提取过程,同时还需要在分类识别前定位提取出分合指示牌的具体位置,整理流程较为复杂,算法的适用范围和鲁棒性(在异常和危险情况下系统生存的能力)都有一定的限制。
有鉴于此,特提出本发明。
发明内容
本发明的目的是提供开关分合指示牌状态的识别方法、识别装置及存储介质,其可以识别多种形态和拍摄条件下的开关分合指示牌状态,且不需要提前具体定位分合指示牌的具体位置,大大提高了识别的通用性和鲁棒性。
为了实现上述目的,本发明提供的一种开关分合指示牌状态的识别方法,包括以下步骤:
包括以下步骤:
S1:建立和训练用于光学字符识别的深度学习模型;
S2:利用步骤S1中训练完成的模型,对实际场景的分合指示牌的图像进行识别;
S3:对于未能成功识别到目标的分合指示牌的图像,对图像进行预处理操作,然后再次用深度学习模型进行识别。
S4:获取步骤S2和S3输出的结果,确定为最终的识别结果。
进一步地,步骤S1包括以下步骤:
S101:根据要识别的分合指示牌,获取该分合指示牌的所有指示状态下的多个图像,作为样本数据;
S102:将步骤S101中获取的样本数据随机划分为训练集和测试集;
S103:读取步骤S102中获取的训练集,训练用于光学字符识别的深度学习模型;
S104:读取步骤S102中获取的测试集,测试步骤S103中训练完成的深度学习模型,获得识别准确率A;
S105:设定要求的识别准确率为Ath,判断步骤S104中的识别准确率A 是否满足如下公式:A≥Ath;若不满足该公式,则优化深度学习模型,并返回步骤S103,重新进行深度学习模型的训练;若满足上述公式,则进行步骤S2。
进一步地,所述用于光学字符识别的深度学习模型为公开通用类模型。
进一步地,所述识别准确率A为识别正确的分合指示牌数量与测试集中所有分合指示牌总数量的比值。
进一步地,所述步骤S102中,将步骤S101中获取的样本数据按照指示状态随机划分为不同状态下的训练集和测试集。
进一步地,所述步骤S105中,优化深度学习模型的步骤为:更换深度学习模型,或优化更新深度学习模型。
进一步地,所述步骤3中,预处理操作包括:对图像进行直方图均衡化,或按比例裁切图像边缘部分。
更进一步地,按比例裁切图像边缘部分包括以下步骤:裁切掉图像上、下、左、右边缘的10%。
本发明还提供一种识别装置,包括摄像、存储及输出模块和供电模块;
所述摄像机用于拍摄开关分合指示牌状态的图像;
所述存储及输出模块包括存储装置和微处理器;所述存储装置用于存储用于光学字符识别的深度学习模型;所述微处理器用于根据存储装置中存储的模型识别摄像机拍摄的图像,判断开关分合指示牌状态;其中,所述微处理器根据上述开关分合指示牌状态的识别方法来判断开关分合指示牌状态。
供电模块用于为所述摄像机和所述存储及输出模块供电。
本发明还提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述开关分合指示牌状态的识别方法的步骤。
本发明提供的一种开关分合指示牌状态的识别方法、识别装置及存储介质,具有如下有益效果:本发明采用样本数据对公开通用类模型进行训练,通过使用分合指示牌的各种状态下的大量图像来训练光学字符识别的深度学习模型,用该模型准确提取分合指示牌的特征并识别出其状态内容,具有良好的检测效果。
附图说明
图1为本发明的开关分合指示牌状态的识别方法的流程图。
图2为本发明的开关分合指示牌状态的识别方法的步骤S1的流程图。
图3是本发明的开关分合指示牌状态的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合具体实施方式对本发明作进一步的详细说明。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1-2所示,一种开关分合指示牌状态的识别方法,其能够解决现有开关分合指示牌状态智能识别方法的通用性和鲁棒性较差的问题,具体包括以下步骤:
S1:建立和训练用于光学字符识别的深度学习模型;其中,用于光学字符识别的深度学习模型采用公开通用类模型;
具体地,该方法包括以下步骤:
S101:根据要识别的分合指示牌,获取该分合指示牌的所有指示状态下的多个图像,作为样本数据。其中,每种状态下的图像数量基本一致。
具体地,某些分合指示牌的状态有“分”、“合”两种,某些分合指示牌的状态有“OPEN”、“CLOSE”两种,有的分合指示牌有三种或者更多种的其他状态。若要识别状态包含“分”“合”的指示牌,则获取显示为“分”的指示牌图像和显示为“合”的多个指示牌图像,这些图像为摄像机从各种角度、各种光线等条件下拍摄获取的图像。
对于上述样本数据,需要满足以下要求:
1、图像要求:统一成固定格式JPG格式即可。
2、样本数据:对于图像的分辨率没有特别要求,不同图像可以为不同分辨率;数量上要求每种状态的分合指示牌数量至少在1000张以上。
S102:将步骤S101中获取的样本数据按一定比例随机划分为训练集T和测试集V。其中,在划分时,按照指示状态将样本数据划分为不同状态下的训练集T和测试集V,例如对“分”、“合”两种状态的指示牌,划分为“分”状态下的训练集和测试集以及“合”状态下的训练集和测试集。
该比例可根据具体情况来设置。另外,划分时需要按状态等比例划分,例如对“分”、“合”两种状态的指示牌的划分,应保证“分”状态下的训练集和测试集的图像比例与“合”状态下的训练集和测试集的图像比例基本一致。
例如,当图像数量较少时,该比例可设置较大,当图像数量较多时,该比例可设置较小,以保证测试集中有足够的数量的图像来测试模型识别效果。具体来说,例如,当每种状态的分合指示牌数量为1000时,该比例可设置为7:3;当每种状态的分合指示牌数量为10000时,该比例可设置为9:1,可在此区间进行调整。
S103:读取步骤S102中获取的训练集T,训练用于光学字符识别的深度学习模型。
其中,本步骤中采用的用于光学字符识别的深度学习模型为公开通用类模型,其为当前一般应用于普通文本检测识别的模型,例如能够识别图像版的pdf 文档中的文字内容(即所谓光学字符)并将其转为word文档的模型。
本发明的一实施方式中,使用的公开通用类模型常用的具有较好效果的模型为EAST+CRNN模型,其中EAST(An Efficient and Accurate Scene Text Detector)模型用于文本检测,CRNN(Convolutional Recurrent Neural Network) 模型用于文本识别,两者串联结合共同完成端到端的文本检测识别功能。
由于分合指示牌状态内容与光学字符有相似特点,均为汉字或字母的字符形式,故在使用训练集对该深度学习模型进行训练后,训练完的模型即可准确识别出分合指示牌状态的内容。
S104:读取步骤S102中获取的测试集V,测试步骤S103中训练完成的深度学习模型,统计状态识别正确的分合指示牌数量,获得识别准确率A。识别准确率A即为识别正确的分合指示牌数量与测试集V中所有分合指示牌总数量的比值。
S105:设定要求的识别准确率为Ath,判断步骤S104中的识别准确率A是否满足如下公式:A≥Ath。
该识别准确率为Ath一般根据实际需要来设定,通常设定在80%-99%之间。
若不满足该公式,则优化深度学习模型,并返回步骤S103,重新进行深度学习模型的训练,并执行后续流程(S104-S105),直至满足上述公式;若满足上述公式,则进行步骤S2。
优化深度学习模型包括以下两种方式:
1、更换深度学习模型,比如将上述实施方式中用于文本检测的EAST模型更换为DB(Differentiable Binarization)模型,或者将用于文本识别的CRNN 模型更换为RARE(Robust text recognizer with Automatic Rectification)模型,或者改为其他具有更好效果的模型。
2、优化更新深度学习模型,具体包含但不限于以下列举措施:
(1)运用更好的学习率调整策略,比如周期学习率CLR(Circle Learning Rate)、余弦学习率衰减CLRD(Cosine Learning Rate Decay)等;
(2)数据增强,比如进行图像变换、图像裁剪、图像混叠等;
(3)图像分辨率调整,同一图像扩展为不同分辨率的多张图像;
(4)更换骨干网络,如将VGG(Visual Geometry Group)骨干网络改为 ResNet(Residual Network),提高骨干网络提取特征的能力;
(5)进行正则化调整。
S2:利用步骤S1中训练完成的模型,对实际场景的分合指示牌的图像进行识别。
S3:对于少量未能成功识别到目标的分合指示牌图像,对图像进行预处理操作,然后再次用深度学习模型进行识别。
经过实际处理发现,对于预处理后的图像,通常能正确识别出目标。
该预处理操作包含但不限于:对图像进行直方图均衡化,按比例裁切图像边缘部分(例如,裁切掉图像上、下、左、右边缘的10%)。
S4:获取步骤S2和S3输出的结果,确定为最终的识别结果。
本发明的步骤S101到步骤S105,通过使用分合指示牌的各种状态下的大量图像来训练光学字符识别的深度学习模型,用该模型准确提取分合指示牌的特征并识别出其状态内容。该方法具有良好的检测效果。
基于同样的发明构思,如图3所示,一实施方式中还提供了开关分合指示牌状态的识别装置,其包括:摄像机1、存储及输出模块2和供电模块3。
摄像机1用于拍摄开关分合指示牌状态的图像,并发送给微处理器2用于识别状态。
存储及输出模块2包括存储装置201和微处理器202。存储装置201用于存储用于光学字符识别的深度学习模型;其中,该模型采用上述开关分合指示牌状态的识别方法中的步骤S1来建立和训练。微处理器202用于根据存储装置 201中存储的模型识别摄像机1拍摄的图像,判断开关分合指示牌状态;其中,微处理器202采用上述开关分合指示牌状态的识别方法中的步骤S2-S4来判断开关分合指示牌状态。
供电模块3用于为摄像机1和存储及输出模块2供电。
基于同样的发明构思,一实施方式中还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述一实施方式所述的开关分合指示牌状态的识别方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本文中应用了具体个例对发明构思进行了详细阐述,以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离该发明构思的前提下,所做的任何显而易见的修改、等同替换或其他改进,均应包含在本发明的保护范围之内。
Claims (10)
1.一种开关分合指示牌状态的识别方法,其特征在于,包括以下步骤:
S1:建立和训练用于光学字符识别的深度学习模型;
S2:利用步骤S1中训练完成的模型,对实际场景的分合指示牌的图像进行识别;
S3:对于未能成功识别到目标的分合指示牌的图像,对图像进行预处理操作,然后再次用深度学习模型进行识别;
S4:获取步骤S2和S3输出的结果,确定为最终的识别结果。
2.根据权利要求1所述的开关分合指示牌状态的识别方法,其特征在于,步骤S1包括以下步骤:
S101:根据要识别的分合指示牌,获取该分合指示牌的所有指示状态下的多个图像,作为样本数据;
S102:将步骤S101中获取的样本数据随机划分为训练集和测试集;
S103:读取步骤S102中获取的训练集,训练用于光学字符识别的深度学习模型;
S104:读取步骤S102中获取的测试集,测试步骤S103中训练完成的深度学习模型,获得识别准确率A;
S105:设定要求的识别准确率为Ath,判断步骤S104中的识别准确率A是否满足如下公式:A≥Ath;若不满足该公式,则优化深度学习模型,并返回步骤S103,重新进行深度学习模型的训练;若满足上述公式,则进行步骤S2。
3.根据权利要求1所述的开关分合指示牌状态的识别方法,其特征在于,所述用于光学字符识别的深度学习模型为公开通用类模型。
4.根据权利要求2所述的开关分合指示牌状态的识别方法,其特征在于,所述识别准确率A为识别正确的分合指示牌数量与测试集中所有分合指示牌总数量的比值。
5.根据权利要求2所述的开关分合指示牌状态的识别方法,其特征在于,所述步骤S102中,将步骤S101中获取的样本数据按照指示状态随机划分为不同状态下的训练集和测试集。
6.根据权利要求2所述的开关分合指示牌状态的识别方法,其特征在于,所述步骤S105中,优化深度学习模型的步骤为:更换深度学习模型,或优化更新深度学习模型。
7.根据权利要求1所述的开关分合指示牌状态的识别方法,其特征在于,所述步骤3中,预处理操作包括:对图像进行直方图均衡化,或按比例裁切图像边缘部分。
8.根据权利要求7所述的开关分合指示牌状态的识别方法,其特征在于,按比例裁切图像边缘部分包括以下步骤:裁切掉图像上、下、左、右边缘的10%。
9.一种识别装置,其特征在于,包括摄像、存储及输出模块和供电模块;
所述摄像机用于拍摄开关分合指示牌状态的图像;
所述存储及输出模块包括存储装置和微处理器;所述存储装置用于存储用于光学字符识别的深度学习模型;所述微处理器用于根据存储装置中存储的模型识别摄像机拍摄的图像,判断开关分合指示牌状态;其中,所述微处理器根据权利要求1-8中任一项所述的开关分合指示牌状态的识别方法来判断开关分合指示牌状态。
供电模块用于为所述摄像机和所述存储及输出模块供电。
10.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现根据权利要求1-8中任一项所述的开关分合指示牌状态的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704357.8A CN113435437A (zh) | 2021-06-24 | 2021-06-24 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704357.8A CN113435437A (zh) | 2021-06-24 | 2021-06-24 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435437A true CN113435437A (zh) | 2021-09-24 |
Family
ID=77753947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110704357.8A Pending CN113435437A (zh) | 2021-06-24 | 2021-06-24 | 开关分合指示牌状态的识别方法、识别装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435437A (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555441A (zh) * | 2019-09-10 | 2019-12-10 | 杭州橙鹰数据技术有限公司 | 一种文字识别方法及装置 |
CN111062397A (zh) * | 2019-12-18 | 2020-04-24 | 厦门商集网络科技有限责任公司 | 一种智能票据处理系统 |
CN111105549A (zh) * | 2019-12-19 | 2020-05-05 | 紫光云(南京)数字技术有限公司 | 光学字符识别方法、装置及计算机存储介质 |
CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
CN111222572A (zh) * | 2020-01-06 | 2020-06-02 | 紫光云技术有限公司 | 一种面向办公场景的光学文字识别方法 |
CN111444908A (zh) * | 2020-03-25 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、终端和存储介质 |
CN111652232A (zh) * | 2020-05-29 | 2020-09-11 | 泰康保险集团股份有限公司 | 票据识别方法及装置、电子设备和计算机可读存储介质 |
CN111709414A (zh) * | 2020-06-29 | 2020-09-25 | 济南浪潮高新科技投资发展有限公司 | Ar设备及其文字识别方法、装置和计算机可读存储介质 |
CN112036406A (zh) * | 2020-11-05 | 2020-12-04 | 北京智源人工智能研究院 | 一种图像文档的文本抽取方法、装置及电子设备 |
CN112052855A (zh) * | 2020-09-14 | 2020-12-08 | 北京易华录信息技术股份有限公司 | 一种基于深度学习的车牌识别方法及装置 |
CN112085012A (zh) * | 2020-09-04 | 2020-12-15 | 泰康保险集团股份有限公司 | 项目名称和类别识别方法及装置 |
CN112115884A (zh) * | 2020-09-22 | 2020-12-22 | 北京一览群智数据科技有限责任公司 | 一种表格识别方法及其系统 |
CN112162930A (zh) * | 2020-10-21 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 一种控件识别的方法、相关装置、设备及存储介质 |
CN112257709A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
CN112381177A (zh) * | 2020-12-07 | 2021-02-19 | 江苏科技大学 | 一种基于深度学习的表盘数字字符识别方法及系统 |
CN112464845A (zh) * | 2020-12-04 | 2021-03-09 | 山东产研鲲云人工智能研究院有限公司 | 票据识别方法、设备及计算机存储介质 |
CN112560670A (zh) * | 2020-12-15 | 2021-03-26 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
CN112580643A (zh) * | 2020-12-09 | 2021-03-30 | 浙江智慧视频安防创新中心有限公司 | 一种基于深度学习的车牌识别方法、装置及存储介质 |
CN112749694A (zh) * | 2021-01-20 | 2021-05-04 | 中科云谷科技有限公司 | 用于识别图像方向、识别铭牌文字的方法及装置 |
CN112749691A (zh) * | 2020-06-16 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 图像处理方法及相关设备 |
CN112926565A (zh) * | 2021-02-25 | 2021-06-08 | 中国平安人寿保险股份有限公司 | 图片文本的识别方法、系统、设备和存储介质 |
-
2021
- 2021-06-24 CN CN202110704357.8A patent/CN113435437A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555441A (zh) * | 2019-09-10 | 2019-12-10 | 杭州橙鹰数据技术有限公司 | 一种文字识别方法及装置 |
CN111062397A (zh) * | 2019-12-18 | 2020-04-24 | 厦门商集网络科技有限责任公司 | 一种智能票据处理系统 |
CN111105549A (zh) * | 2019-12-19 | 2020-05-05 | 紫光云(南京)数字技术有限公司 | 光学字符识别方法、装置及计算机存储介质 |
CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
CN111222572A (zh) * | 2020-01-06 | 2020-06-02 | 紫光云技术有限公司 | 一种面向办公场景的光学文字识别方法 |
CN111444908A (zh) * | 2020-03-25 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、终端和存储介质 |
CN111652232A (zh) * | 2020-05-29 | 2020-09-11 | 泰康保险集团股份有限公司 | 票据识别方法及装置、电子设备和计算机可读存储介质 |
CN112749691A (zh) * | 2020-06-16 | 2021-05-04 | 腾讯科技(深圳)有限公司 | 图像处理方法及相关设备 |
CN111709414A (zh) * | 2020-06-29 | 2020-09-25 | 济南浪潮高新科技投资发展有限公司 | Ar设备及其文字识别方法、装置和计算机可读存储介质 |
CN112085012A (zh) * | 2020-09-04 | 2020-12-15 | 泰康保险集团股份有限公司 | 项目名称和类别识别方法及装置 |
CN112052855A (zh) * | 2020-09-14 | 2020-12-08 | 北京易华录信息技术股份有限公司 | 一种基于深度学习的车牌识别方法及装置 |
CN112115884A (zh) * | 2020-09-22 | 2020-12-22 | 北京一览群智数据科技有限责任公司 | 一种表格识别方法及其系统 |
CN112162930A (zh) * | 2020-10-21 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 一种控件识别的方法、相关装置、设备及存储介质 |
CN112257709A (zh) * | 2020-10-23 | 2021-01-22 | 北京云杉世界信息技术有限公司 | 一种招牌照片审核方法、装置、电子设备及可读存储介质 |
CN112036406A (zh) * | 2020-11-05 | 2020-12-04 | 北京智源人工智能研究院 | 一种图像文档的文本抽取方法、装置及电子设备 |
CN112464845A (zh) * | 2020-12-04 | 2021-03-09 | 山东产研鲲云人工智能研究院有限公司 | 票据识别方法、设备及计算机存储介质 |
CN112381177A (zh) * | 2020-12-07 | 2021-02-19 | 江苏科技大学 | 一种基于深度学习的表盘数字字符识别方法及系统 |
CN112580643A (zh) * | 2020-12-09 | 2021-03-30 | 浙江智慧视频安防创新中心有限公司 | 一种基于深度学习的车牌识别方法、装置及存储介质 |
CN112560670A (zh) * | 2020-12-15 | 2021-03-26 | 武汉大学 | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 |
CN112749694A (zh) * | 2021-01-20 | 2021-05-04 | 中科云谷科技有限公司 | 用于识别图像方向、识别铭牌文字的方法及装置 |
CN112926565A (zh) * | 2021-02-25 | 2021-06-08 | 中国平安人寿保险股份有限公司 | 图片文本的识别方法、系统、设备和存储介质 |
Non-Patent Citations (9)
Title |
---|
LIU XUEBO等: "FOTS: Fast Oriented Text Spotting with a Unified Network", 《IEEE》, pages 5676 - 5685 * |
付斌: "基于精细眼动追踪的场景文本识别系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 567 * |
付飞飞: "基于深度学习的场景汉字识别问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 1205 * |
刘泓呈: "基于机器视觉的元器件表面字符检测识别方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 138 - 687 * |
张文琪: "基于深度学习的残损碑文识别算法研究", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》, pages 097 - 7 * |
李玥: "自然场景图像中的文本检测与识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 476 * |
路云等: "基于深度学习的船舶舷号检测与识别", 《电脑知识与技术》, pages 178 - 180 * |
邱晓欢等: "一种基于改进EAST网络和改进CRNN网络的火车票站名识别系统", 《南方职业教育学刊》, pages 81 - 87 * |
魏倩文: "复杂环境下电线杆标识牌识别系统的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技||辑》, pages 042 - 1325 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710865B (zh) | 一种基于神经网络的司机异常行为检测方法 | |
CN104298982B (zh) | 一种文字识别方法及装置 | |
CN112149761B (zh) | 一种基于YOLOv4改进算法的电力智慧工地违规行为检测方法 | |
CN102314615B (zh) | 基于变电站巡检机器人的断路器状态模板匹配识别方法 | |
CN111191611B (zh) | 基于深度学习的交通标志标号识别方法 | |
CN105303153A (zh) | 一种车辆车牌识别方法及装置 | |
CN109344864B (zh) | 用于密集物体的图像处理方法及装置 | |
CN103679146A (zh) | 基于高通滤波器和Hough变换的安全带智能检测方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN104966348A (zh) | 一种票据图像要素完整性检测方法及系统 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN106960196A (zh) | 基于模板匹配和svm的工业视频小数字识别方法 | |
CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及系统 | |
CN1845607A (zh) | 基于视频监控与图像识别的电力变压器风机状态识别方法 | |
CN110659563A (zh) | 基于改进YOLOv3网络的电网调度图纸自动识别方法、系统及介质 | |
CN113111728A (zh) | 面向变电站内电力生产作业风险的智能识别方法及系统 | |
CN112561885B (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN105976001A (zh) | 防伪车牌制作用二维码及序列号标识符识别方法 | |
CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及系统 | |
CN113435437A (zh) | 开关分合指示牌状态的识别方法、识别装置及存储介质 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
Goel et al. | Vehicle registration plate recognition system using template matching | |
CN112507801A (zh) | 车道路面数字颜色识别方法、限速信息识别方法及系统 | |
CN105138984B (zh) | 基于多分辨率过冲效应度量的锐化图像识别方法 | |
CN112528740A (zh) | 一种压板状态识别方法 |
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 |