CN113516123B - 一种针对轮胎压印字符的检测识别方法 - Google Patents
一种针对轮胎压印字符的检测识别方法 Download PDFInfo
- Publication number
- CN113516123B CN113516123B CN202110533603.8A CN202110533603A CN113516123B CN 113516123 B CN113516123 B CN 113516123B CN 202110533603 A CN202110533603 A CN 202110533603A CN 113516123 B CN113516123 B CN 113516123B
- Authority
- CN
- China
- Prior art keywords
- tire
- interest
- region
- character
- character string
- 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 46
- 238000001514 detection method Methods 0.000 title abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing 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
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning 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
- 238000005192 partition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种针对轮胎压印字符的检测识别方法,包括:提取出轮胎图像中轮胎的同心圆环状感兴趣区域,将提取出的同心圆环状感兴趣区域展开为矩形感兴趣区域;将矩形感兴趣区域输入改进的Faster R‑CNN模型,输出检测到的轮胎中的压印字符串,并在检测到的印压字符串中找出DOT标识;采用投影法对检测定位出的DOT标识进行分割,得到单个的压印字符;采用卷积神经网络对分割出来的压印字符逐个进行字符识别。本发明采用矩形重建,不需要计算压印字符的倾斜角度,减小了计算复杂度;在Faster R‑CNN模型中采用双线性插值法和阈值法,提高了图像边缘信息的精确度及可靠性、压印字符检测的正确率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种针对轮胎压印字符的检测识别方法。
背景技术
随着计算机及其相关技术的迅速发展,机器视觉技术在工业自动化生产等领域的应用越来越为广泛。在工业等领域使用该技术极大提高了工业产品生产过程中的效率和质量,给社会带来了巨大的经济效益和社会效益。
如图1所示,轮胎上的字符都是通过模具直接压印产生的立体字符,与印刷字符、手写字符和车牌字符等常见的光学字符相比,其字符本身与背景之间没有色差,导致前后背景的对比度低,从而使得压印字符会受到光照强度、预处理、检测识别技术等因素的影响,存在无法正确识别出轮胎图像中的目标字符的可能性。由于传统机器学习算法的局限性,当在复杂的环境下,这些算法对目标区域的定位精确度低。所以选取适应的预处理算法、定位检测算法以及字符分割识别算法,可以提高轮胎压印字符识别的精确度,其中:通过预处理来提取轮胎的感兴趣区域,消除图像中的无用信息,从而提高后续字符识别的效率;通过定位检测算法来寻找出轮胎图像中目标区域DOT标识所在的具体位置;通过分割识别算法将目标区域中的字符分割为单个字符,逐步送入到识别系统中进行识别。
发明内容
发明目的:为了克服现有技术中存在的问题,本发明公开了一种针对轮胎压印字符的检测识别方法,提高压印字符中DOT标识的识别的精确度。
技术方案:为实现上述目的,本发明采用如下技术方案:一种针对轮胎压印字符的检测识别方法,其特征在于,包括如下步骤:
S1:对轮胎图像进行预处理:提取出轮胎图像中轮胎的同心圆环状感兴趣区域,将提取出的同心圆环状感兴趣区域展开为矩形感兴趣区域;
S2:将矩形感兴趣区域输入改进的Faster R-CNN模型,输出检测到的轮胎中的压印字符串,并在检测到的印压字符串中找出DOT标识;
S3:采用投影法对步骤S2中检测定位出的DOT标识进行分割,得到单个的压印字符;
S4:采用卷积神经网络对分割出来的压印字符逐个进行字符识别。
优选地,步骤S1中提取出轮胎图像中轮胎的同心圆环状感兴趣区域,包括如下步骤:
S11:缩放轮胎图像,应用canny边缘检测算法在缩放后的图像中检测边缘;
S12:采用基于梯度法的霍夫圆变换在检测到的边缘中提取出轮胎的内圆轮廓边缘,并得到该内圆轮廓边缘的圆心位置以及半径;
S13:以内圆轮廓边缘的圆周为边界,分区域随机选取像素点,其中区域的划分如下:
其中,(a,b)表示内圆轮廓边缘的圆心的坐标,r表示内圆轮廓边缘的半径,δ表示允许误差;
在每个区域分别选取像素点,其中选取的像素点位于除内圆轮廓边缘外的、canny边缘检测算法检测到的边缘上,分别计算内圆轮廓边缘的圆心与随机选取的像素点之间的距离,并选取出现最多的距离作为轮胎的外圆轮廓边缘的半径;
S14、轮胎的内圆轮廓边缘与外圆轮廓边缘之间的区域即为提取的同心圆环状感兴趣区域。
优选地,步骤S1中将同心圆环状感兴趣区域展开为矩形感兴趣区域,包括如下步骤:
S15:在同心圆环状感兴趣区域中选取一个点,该点与其周围点的像素相差最小,以该点所在半径为分界线将同心圆环状感兴趣区域展开为矩形感兴趣区域,其中以外圆轮廓边缘的周长为矩形感兴趣区域的长,以外圆轮廓边缘与内圆轮廓边缘的半径差r2-r1为矩形感兴趣区域的宽;
S16:在同心圆环状感兴趣区域中,点坐标(x,y)可以表示如下:
x=a+rho*cos(theta)
y=b+rho*sin(theta)
其中,(a,b)表示内圆轮廓边缘的圆心坐标,rho表示同心圆环状感兴趣区域中的点所在圆周的半径,rho∈[r1,r2],theta表示同心圆环状感兴趣区域中的点与圆心形成的角度,theta∈[0,2π),且当点位于分界线上时,theta=0;
S17:令rho从外圆轮廓边缘半径r2至内圆轮廓边缘半径r1变化,令theta从0至2π变化,依次读取同心圆环状感兴趣区域中从外至内每个圆周上的像素点,将其作为矩形感兴趣区域中对应行的像素点。
优选地,步骤S2中,改进的Faster R-CNN模型中,在候选框坐标信息以及池化操作时采用双线性插值法;在softmax分类器后加上阈值法检测DOT标识,阈值法步骤如下:
在softmax分类器输出的字符串中,选取最符合“DOT”字符串的三个候选字符串;
计算候选字符串前后的字符间距以及候选字符串内部的字符间距,若字符串内部存在两个字符间距且候选字符串前后的字符间距大于候选字符串内部的字符间距,则该候选字符串为“DOT”字符串;
得到“DOT”字符串后,根据DOT标识的形式要求得到整个DOT标识。
优选地,通过最大类间方差法找出最适合轮胎的矩形感兴趣区域的分割阈值,并对其进行二值化处理,则压印字符与压印字符之间的间隙部分的像素值为0,压印字符部分的像素值为1;在此基础上统计矩形感兴趣区域中像素和连续为0的列数,从而得到压印字符与压印字符之间的间距大小。
优选地,在二值化处理的矩形感兴趣区域中,采用投影法对步骤S2中检测到压印字符串进行分割得到单个压印字符,若分割出来的字符宽度小于设定的阈值,则需要将字符串重新分割为单个字符。
优选地,步骤S4中,卷积神经网络采用VGG19网络模型,使用softmax函数,采用的损失函数为交叉熵损失函数,网络训练阶段的学习率初始值为0.01,动量设置值为0.9,权重衰减的系数为0.0005,Optimzer为SGD,batch_size为32。
有益效果:本发明具有如下显著的有益效果:
本发明提高了压印字符中DOT标识检测识别的精确度:将轮胎的同心圆环状感兴趣区域展开为矩形感兴趣区域,不需要计算压印字符的倾斜角度,减小了计算复杂度和后续压印字符检测定位的难度;在Faster R-CNN模型中采用双线性插值法和阈值法,提高了图像边缘信息的精确度及可靠性、压印字符检测的正确率。
附图说明
图1为轮胎的原图像;
图2为本发明所述方法的流程图;
图3为分区式随机取点图;
图4为同心圆环状感兴趣区域的示意图;
图5为矩形感兴趣区域的示意图;
图6为轮胎经过预处理之后的图像;
图7为经过原始Faster R-CNN算法之后的检测图像;
图8为将经过改进的Faster R-CNN算法之后的检测图像。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明作进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
本发明公开了一种针对轮胎压印字符的检测识别方法,基于轮胎图像的预处理得到的矩形形状的感兴趣区域,基于改进的Faster R-CNN算法对压印字符进行检测定位,找出DOT标识的具体位置后,再进行后续的压印字符分割和识别算法操作,从而提高压印字符检测的精确度。如图2所示,本发明所述方法具体包括如下步骤:
步骤S1、对轮胎图像进行预处理,包括:提取出轮胎图像中轮胎的同心圆环状感兴趣区域、将提取出的同心圆环状感兴趣区域展开为矩形感兴趣区域,为后续的压印字符定位减少计算量,能够提高压印字符的检测速率,并为后续操作奠定可靠的基础。具体的:
本发明中的轮胎图像为在自然环境下采集的轮胎图像。
本发明首先对图像进行降采样,缩放图像尺寸,若原图像素过大,通过降采样也可以大大的减少计算量,提高后续的处理速度;之后在缩放后的图像中应用canny边缘检测算法检测图像中的边缘。
本发明通过霍夫变换和分区式随机取点方法提取出轮胎的同心圆环状感兴趣区域:
采用基于梯度法的霍夫圆变换在canny边缘检测算法检测到的边缘中提取出轮胎的内圆轮廓边缘,并得到该内圆轮廓边缘的圆心位置以及半径。
如图3所示,以内圆轮廓边缘的圆周为边界,分区式随机选取八个像素点,其中在轮胎图像中分区选取像素点的每个区域的划分如下:
其中,(a,b)表示内圆轮廓边缘的圆心的坐标,r表示内圆轮廓边缘的半径,δ表示允许误差。
在每个区域分别选取2个像素点,其中选取的像素点位于除内圆轮廓边缘外的、canny边缘检测算法检测到的边缘上,分别计算内圆轮廓边缘的圆心与随机选取的八个像素点之间的距离,并根据出现的次数对距离大小进行排序,选取出现最多的距离大小作为轮胎的外圆轮廓边缘的半径。因为轮胎中DOT标识并不是紧贴在轮胎内圆轮廓边缘,而是距离内圆轮廓边缘20像素左右,所以一定范围的误差,对最终的压印字符检测影响不明显;同时使用本发明所述方法提取外圆轮廓边缘的平均运行时间为0.675s。
将轮胎的检测区域缩小到内圆轮廓边缘与外圆轮廓边缘之间,从而完成同心圆环状感兴趣区域提取。
综上所述,得到轮胎的内圆轮廓边缘的圆心位置和半径,以及外圆轮廓边缘的半径,就完成了轮胎的同心圆环状感兴趣区域提取,将印压字符的检测区域缩小到该感兴趣区域中。
由于轮胎上的压印字符都是以环状围绕轮胎的边缘压印形成,若直接以同心圆环状感兴趣区域来检测识别,则需要计算出压印字符的倾斜角度等,增加其复杂度。因此,本发明基于矩形进行重建,将同心圆环状感兴趣区域展开为矩形感兴趣区域,从而减少后续定位的难度:
在轮胎的同心圆环状感兴趣区域中选取一个点,该点与其周围点的像素相差最小,使得以该点所在半径为分界线将同心圆环状感兴趣区域展开为矩形感兴趣区域时不会将压印字符切分,其中以轮胎的外圆轮廓边缘的周长为矩形感兴趣区域的长,以轮胎的外圆轮廓边缘与内圆轮廓边缘的半径差r2-r1为矩形感兴趣区域的宽,展开前后的同心圆环状感兴趣区域和矩形感兴趣区域分别如图4和图5所示。
在轮胎的同心圆环状感兴趣区域中,通过极坐标系变换得到轮胎的同心圆环状感兴趣区域中的点坐标(x,y)可以表示如下:
x=a+rho*cos(theta)
y=b+rho*sin(theta)
其中,(a,b)表示轮胎的内圆轮廓边缘的圆心坐标,rho表示同心圆环状感兴趣区域中的点所在圆周的半径,rho∈[r1,r2],theta表示极坐标中轮胎的同心圆环状感兴趣区域中的点与圆心形成的角度,theta∈[0,2π),且以分界线上的点与圆心形成的角度为0,即:当点位于分界线上时,theta=0。
从轮胎的外圆轮廓边缘开始每行每列读取,令rho为同心圆环状感兴趣区域的外圆轮廓边缘半径r2,令theta从0至2π变化,依次读取同心圆环状感兴趣区域中最外层像素点,并将其作为矩形感兴趣区域中第一行像素点;逐次减小rho,直至令rho为同心圆环状感兴趣区域的内圆轮廓边缘半径r1,令theta从0至2π变化,依次读取同心圆环状感兴趣区域中最里层像素点,并将其作为矩形感兴趣区域中最后一行像素点。
实际中得到的轮胎的矩形感兴趣区域如图6所示。
步骤S2、通过Faster R-CNN算法在轮胎的矩形感兴趣区域中进行压印字符的检测定位,并通过过滤法在定位到的字符串中检测出DOT标识的具体位置。
在原始的Faster R-CNN算法中,通过最近邻插值法来获取候选框坐标信息,会将最后的特征图大小直接取整,以及在池化操作(pooling)中进一步划分区域大小时直接取整,从而导致边缘信息丢失,检测结果如图7所示。为了提高边缘信息的精确度及可靠性,本发明中对原始的Faster R-CNN算法进行改进,将最近邻插值法改为双线性插值法,因此无需在特征图中取整,而是保持特征图大小不变的情况下分割单元格,然后求取该区域的中间值,从而减少两次取整造成的边缘丢失问题。
本发明还在Faster R-CNN算法中最后的softmax分类器后加上阈值法,主要利用“DOT”字符串在轮胎中的分布特点进行过滤,从而提高压印字符检测的精确度:在softmax分类器输出的字符串中,选取符合“DOT”字符串的分类排名前三的候选字符串,并且根据“DOT”字符串在轮胎中的分布状况,即“DOT”字符串前后间距比正常单个压印字符之间的间距大以及“DOT”字符串由三个单个压印字符组成,从而可以筛选出最终最具可能性的“DOT”字符串的位置。其中,统计压印字符间距的具体操作为:先通过最大类间方差法找出最适合轮胎的矩形感兴趣区域的分割阈值,并对其进行二值化处理,则压印字符与压印字符之间的间隙部分的像素值为0,压印字符部分的像素值为1;在此基础上统计连续0的个数,从而得到压印字符与压印字符之间的间距大小。当出现有候选字符串区域两边的字符间距大于候选字符串区域内部的字符间距,并且该候选字符串区域内部有两个字符间距,则该候选字符串为最终的“DOT”字符串,否则过滤,结果如图8所示。得到“DOT”字符串后,可以根据DOT标识的形式要求得到整个DOT标识。
通过该方法来提高压印字符检测的正确率,为压印字符分割识别提供可靠的基础;使用本发明所述方法对DOT标识的识别的准确率为98.16%。
步骤S3、对步骤S2中检测定位出的DOT标识进行分割,具体是在步骤S3中得到的矩形感兴趣区域的二值化图像上进行投影法分割,同样是计算0或1之间的字符间距大小。需要注意出现过度分割的情况:
当分割出来的字符宽度过窄,即为过渡分割,则需要将字符串重新分割为单个字符,其中,若分割出来的字符宽度小于20像素,则判断其宽度过窄。
步骤S4、采用卷积神经网络对分割出来的压印字符逐个进行字符识别,其中,卷积神经网络采用VGG19网络模型,在进行字符分类时使用softmax函数代替支持向量机(SVM),采用的损失函数为交叉熵损失函数,该公式如下所示:
本发明的VGG19网络模型在网络结构训练阶段,采用的训练数据集为在自然环境下采集,学习率初始值为0.01,动量设置值为0.9,权重衰减的系数为0.0005,Optimzer为SGD,batch_size为32。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种针对轮胎压印字符的检测识别方法,其特征在于,包括如下步骤:
S1:对轮胎图像进行预处理:提取出轮胎图像中轮胎的同心圆环状感兴趣区域,将提取出的同心圆环状感兴趣区域展开为矩形感兴趣区域;
S2:将矩形感兴趣区域输入改进的Faster R-CNN模型,输出检测到的轮胎中的压印字符串,并在检测到的印压字符串中找出DOT标识;
S3:采用投影法对步骤S2中检测定位出的DOT标识进行分割,得到单个的压印字符;
S4:采用卷积神经网络对分割出来的压印字符逐个进行字符识别;
步骤S1中提取出轮胎图像中轮胎的同心圆环状感兴趣区域,包括如下步骤:
S11:缩放轮胎图像,应用canny边缘检测算法在缩放后的图像中检测边缘;
S12:采用基于梯度法的霍夫圆变换在检测到的边缘中提取出轮胎的内圆轮廓边缘,并得到该内圆轮廓边缘的圆心位置以及半径;
S13:以内圆轮廓边缘的圆周为边界,分区域随机选取像素点,其中区域的划分如下:
其中,(a,b)表示内圆轮廓边缘的圆心的坐标,r表示内圆轮廓边缘的半径,δ表示允许误差;
在每个区域分别选取像素点,其中选取的像素点位于除内圆轮廓边缘外的、canny边缘检测算法检测到的边缘上,分别计算内圆轮廓边缘的圆心与随机选取的像素点之间的距离,并选取出现最多的距离作为轮胎的外圆轮廓边缘的半径;
S14、轮胎的内圆轮廓边缘与外圆轮廓边缘之间的区域即为提取的同心圆环状感兴趣区域。
2.根据权利要求1所述的一种针对轮胎压印字符的检测识别方法,其特征在于,步骤S1中将同心圆环状感兴趣区域展开为矩形感兴趣区域,包括如下步骤:
S15:在同心圆环状感兴趣区域中选取一个点,该点与其周围点的像素相差最小,以该点所在半径为分界线将同心圆环状感兴趣区域展开为矩形感兴趣区域,其中以外圆轮廓边缘的周长为矩形感兴趣区域的长,以外圆轮廓边缘与内圆轮廓边缘的半径差r2-r1为矩形感兴趣区域的宽;
S16:在同心圆环状感兴趣区域中,点坐标(x,y)可以表示如下:
x=a+rho*cos(theta)
y=b+rho*sin(theta)
其中,(a,b)表示内圆轮廓边缘的圆心坐标,rho表示同心圆环状感兴趣区域中的点所在圆周的半径,rho∈[r1,r2],theta表示同心圆环状感兴趣区域中的点与圆心形成的角度,theta∈[0,2π),且当点位于分界线上时,theta=0;
S17:令rho从外圆轮廓边缘半径r2至内圆轮廓边缘半径r1变化,令theta从0至2π变化,依次读取同心圆环状感兴趣区域中从外至内每个圆周上的像素点,将其作为矩形感兴趣区域中对应行的像素点。
3.根据权利要求1所述的一种针对轮胎压印字符的检测识别方法,其特征在于,步骤S2中,改进的Faster R-CNN模型中,在候选框坐标信息以及池化操作时采用双线性插值法;在softmax分类器后加上阈值法检测DOT标识,阈值法步骤如下:
在softmax分类器输出的字符串中,选取最符合“DOT”字符串的三个候选字符串;
计算候选字符串前后的字符间距以及候选字符串内部的字符间距,若字符串内部存在两个字符间距且候选字符串前后的字符间距大于候选字符串内部的字符间距,则该候选字符串为“DOT”字符串;
得到“DOT”字符串后,根据DOT标识的形式要求得到整个DOT标识。
4.根据权利要求3所述的一种针对轮胎压印字符的检测识别方法,其特征在于,通过最大类间方差法找出最适合轮胎的矩形感兴趣区域的分割阈值,并对其进行二值化处理,则压印字符与压印字符之间的间隙部分的像素值为0,压印字符部分的像素值为1;在此基础上统计矩形感兴趣区域中像素和连续为0的列数,从而得到压印字符与压印字符之间的间距大小。
5.根据权利要求4所述的一种针对轮胎压印字符的检测识别方法,其特征在于,在二值化处理的矩形感兴趣区域中,采用投影法对步骤S2中检测到压印字符串进行分割得到单个压印字符,若分割出来的字符宽度小于设定的阈值,则需要将字符串重新分割为单个字符。
6.根据权利要求1所述的一种针对轮胎压印字符的检测识别方法,其特征在于,步骤S4中,卷积神经网络采用VGG19网络模型,使用softmax函数,采用的损失函数为交叉熵损失函数,网络训练阶段的学习率初始值为0.01,动量设置值为0.9,权重衰减的系数为0.0005,Optimzer为SGD,batch_size为32。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533603.8A CN113516123B (zh) | 2021-05-14 | 2021-05-14 | 一种针对轮胎压印字符的检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533603.8A CN113516123B (zh) | 2021-05-14 | 2021-05-14 | 一种针对轮胎压印字符的检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516123A CN113516123A (zh) | 2021-10-19 |
CN113516123B true CN113516123B (zh) | 2023-11-24 |
Family
ID=78064355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110533603.8A Active CN113516123B (zh) | 2021-05-14 | 2021-05-14 | 一种针对轮胎压印字符的检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516123B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457561B (zh) * | 2022-08-30 | 2023-09-22 | 东南大学 | 基于集成式深度学习的轮胎压印字符识别通用方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473517B1 (en) * | 1999-09-15 | 2002-10-29 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
CN102646193A (zh) * | 2012-03-23 | 2012-08-22 | 河海大学 | 一种环形排布字符图像分割方法 |
CN103150730A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种基于图像的圆形小目标精确检测方法 |
CN105787939A (zh) * | 2016-02-26 | 2016-07-20 | 南京理工大学 | 一种用于pcb板圆孔的快速定位检测方法 |
CN108960245A (zh) * | 2018-07-13 | 2018-12-07 | 广东工业大学 | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 |
CN109740607A (zh) * | 2018-12-26 | 2019-05-10 | 南京互连智能科技有限公司 | 字符图像的残缺区域检测和残缺字符图像恢复方法 |
CN111027530A (zh) * | 2019-12-09 | 2020-04-17 | 南京工程学院 | 基于轮胎压印字符识别的预处理方法 |
CN111986220A (zh) * | 2020-08-25 | 2020-11-24 | 浙江工业大学 | 一种基于图像变换的环形文本检测和识别方法 |
CN112132886A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨理工大学 | 一种航空零件圆孔圆心快速定位及圆度检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053389B2 (en) * | 2012-12-03 | 2015-06-09 | Analog Devices, Inc. | Hough transform for circles |
-
2021
- 2021-05-14 CN CN202110533603.8A patent/CN113516123B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6473517B1 (en) * | 1999-09-15 | 2002-10-29 | Siemens Corporate Research, Inc. | Character segmentation method for vehicle license plate recognition |
CN102646193A (zh) * | 2012-03-23 | 2012-08-22 | 河海大学 | 一种环形排布字符图像分割方法 |
CN103150730A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种基于图像的圆形小目标精确检测方法 |
CN105787939A (zh) * | 2016-02-26 | 2016-07-20 | 南京理工大学 | 一种用于pcb板圆孔的快速定位检测方法 |
CN108960245A (zh) * | 2018-07-13 | 2018-12-07 | 广东工业大学 | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 |
CN109740607A (zh) * | 2018-12-26 | 2019-05-10 | 南京互连智能科技有限公司 | 字符图像的残缺区域检测和残缺字符图像恢复方法 |
CN111027530A (zh) * | 2019-12-09 | 2020-04-17 | 南京工程学院 | 基于轮胎压印字符识别的预处理方法 |
CN111986220A (zh) * | 2020-08-25 | 2020-11-24 | 浙江工业大学 | 一种基于图像变换的环形文本检测和识别方法 |
CN112132886A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨理工大学 | 一种航空零件圆孔圆心快速定位及圆度检测方法 |
Non-Patent Citations (5)
Title |
---|
"Vehicle tire (tyre) detection and text recognition using deep learning";Kazmi, Wajahat, et al.;《 2019 IEEE 15TH INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING (CASE)》;1074-1079 * |
"一种基于R-CNN的轮胎压印字符识别方法";张晨梦,等;《南京工程学院学报》;第18卷(第2期);50-54 * |
"印刷电路板圆孔光电图像的同心圆检测方法";乔闹生,等;《光学学报》;第30卷(第1期);75-78 * |
"基于深度学习的轮胎压印字符识别研究";张晨梦;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》(第3期);B016-1037 * |
"改进随机Hough变换的中心检测";侯建成,等;《中国测试》;第46卷(第1期);124-128 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516123A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mu et al. | Discriminative local binary patterns for human detection in personal album | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及系统 | |
CN104751187A (zh) | 抄表图像自动识别方法 | |
CN111666938A (zh) | 一种基于深度学习的两地双车牌检测识别方法及系统 | |
CN102521911A (zh) | 钞票冠字号识别方法 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及系统 | |
CN107392141A (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
CN105046255A (zh) | 一种基于车尾文字识别的车型鉴定方法及系统 | |
CN111091124B (zh) | 一种书脊文字识别方法 | |
CN104881665A (zh) | 一种芯片字符识别与校验方法及装置 | |
CN114359190B (zh) | 一种基于图像处理的塑料制品成型控制方法 | |
CN107480585A (zh) | 基于dpm算法的目标检测方法 | |
He et al. | Automatic recognition of traffic signs based on visual inspection | |
CN106874942A (zh) | 一种基于正则表达式语义的目标模型快速构建方法 | |
CN109102538B (zh) | 利用等值线数据提取槽脊特征点与槽脊特征线的方法、天气图分析方法 | |
CN113516123B (zh) | 一种针对轮胎压印字符的检测识别方法 | |
CN110008920A (zh) | 一种人脸表情识别方法研究 | |
CN111027530B (zh) | 基于轮胎压印字符识别的预处理方法 | |
CN111950559A (zh) | 一种基于径向灰度的指针仪表自动读数方法 | |
CN108256518A (zh) | 文字区域检测方法及装置 | |
CN101567045B (zh) | 一种人脸特征点精确定位方法 | |
CN115311746A (zh) | 一种基于多特征融合的离线签名真伪检测方法 | |
CN116503848B (zh) | 车牌的智能识别方法、装置、设备及存储介质 | |
CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 | |
CN117152729A (zh) | 电力杆信息牌图像中字符检测识别的方法 |
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 |