CN115546799A - 照明条件不良情况下无背光水表液晶屏示数识别方法 - Google Patents
照明条件不良情况下无背光水表液晶屏示数识别方法 Download PDFInfo
- Publication number
- CN115546799A CN115546799A CN202211266566.XA CN202211266566A CN115546799A CN 115546799 A CN115546799 A CN 115546799A CN 202211266566 A CN202211266566 A CN 202211266566A CN 115546799 A CN115546799 A CN 115546799A
- Authority
- CN
- China
- Prior art keywords
- image
- liquid crystal
- contrast
- area
- identified
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Liquid Crystal Display Device Control (AREA)
Abstract
本发明提供了一种照明条件不良情况下无背光水表液晶屏示数识别方法,获取液晶屏的图像;对获取的液晶屏图像进行图像增强;将增强后的图像进行放缩为固定尺寸;将指示文字所在区域与下方相同尺寸区域对比,得到参考对比度;将待识别显示状态在液晶屏位置作为感兴趣区,计算其与对比区域的对比度;如果计算得到的对比度与参考对比度的比值大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像;如果该图像为待识别显示状态图像,则采用预训练的神经网络模型,得到液晶屏数字识别结果;本发明极大的增强了识别算法的鲁棒性,提高了水表液晶屏示数的识别精度。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种照明条件不良情况下无背光水表液晶屏示数识别方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术,并不必然构成现有技术。
目前市面上存在大量带有液晶屏显示的水表,但液晶屏显示存在下面两个难点:其一,水表上的液晶屏普遍没有背光;其二,水表上的液晶屏是带有状态的,周期性的显示不同内容,对识别带来了干扰。
发明人发现,因为照明状况不佳、指示文字较小、图像分辨率不足等问题,使用常规的图像识别或者文字识别方法往往无法进行水表状态以及水表字符的准确识别。
发明内容
为了解决现有技术的不足,本发明提供了一种照明条件不良情况下无背光水表液晶屏示数识别方法,极大的增强了识别算法的鲁棒性,提高了水表液晶屏示数的识别精度。
为了实现上述目的,本发明采用如下技术方案:
本发明第一方面提供了一种照明条件不良情况下无背光水表液晶屏示数识别方法。
一种照明条件不良情况下无背光水表液晶屏示数识别方法,包括以下过程:
获取液晶屏的图像;
对获取的液晶屏图像进行图像增强;
将增强后的图像进行放缩为固定尺寸;
将指示文字所在区域与下方相同尺寸区域对比,得到参考对比度;
将待识别显示状态在液晶屏位置作为感兴趣区,计算其与对比区域的对比度;
如果计算得到的对比度与参考对比度的比值大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像;
如果该图像为待识别显示状态图像,则采用预训练的神经网络模型,得到液晶屏数字识别结果。
作为可选的一种实现方式,获取液晶屏的图像,包括:
对水表图像,采用YoloV5模型进行液晶屏定位,对液晶屏的定位结果进行截取,得到液晶屏图像。
作为可选的一种实现方式,对获取的液晶屏图像进行图像增强,包括:
对图像中所有像素进行从小到大的排序,随后去除排序数组中最大的10%的数据,获取排序数组中的最大值m,根据如下公式进行像素映射:
作为可选的一种实现方式,待识别显示状态为剩余量或者累计流量。
作为可选的一种实现方式,将指示文字所在行以固定宽度的矩形区域r1与其相邻的下方的等大小矩形区域r2进行对比,并使用滑动窗口的方法向右滑动,得到多个对比度值,对所有对比度值进行了排序,以排序后的中位数作为参考对比度d。
作为进一步的限定,假设待识别显示状态的字符串所在区域为(xs,ys,ws,hs),其中,xs为待识别显示状态的字符串的左上角横坐标,ys待识别显示状态的字符串的左上角纵坐标,ws为待识别显示状态的字符串的宽度,hs为待识别显示状态的字符串的高度;
计算待识别显示状态的字符串所在区域与区域(xs,ys+hs,ws,hs)的对比度r,如果r/d大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像。
作为进一步的限定,计算待识别显示状态的字符串所在区域r1(xs,ys,ws,hs)与区域r2(xs,ys+hs,ws,hs)的对比度r,包括:
其中,r1和r2为两个要比较的区域,p为像素,ε为设定值。
本发明第二方面提供了一种照明条件不良情况下无背光水表液晶屏示数识别系统。
一种照明条件不良情况下无背光水表液晶屏示数识别系统,包括:
图像获取模块,被配置为:获取液晶屏的图像;
图像增强模块,被配置为:对获取的液晶屏图像进行图像增强;
图像缩放模块,被配置为:将增强后的图像进行放缩为固定尺寸;
参考对比度获取模块,被配置为:将指示文字所在区域与下方相同尺寸区域对比,得到参考对比度;
对比度计算模块,被配置为:将待识别显示状态在液晶屏位置作为感兴趣区,计算其与对比区域的对比度;
状态判断模块,被配置为:如果计算得到的对比度与参考对比度的比值大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像;
数字识别模块,被配置为:如果该图像为待识别显示状态图像,则采用预训练的神经网络模型,得到液晶屏数字识别结果。
本发明第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的照明条件不良情况下无背光水表液晶屏示数识别方法中的步骤。
本发明第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的照明条件不良情况下无背光水表液晶屏示数识别方法中的步骤。
与现有技术相比,本发明的有益效果是:
1、本发明所述的照明条件不良情况下无背光水表液晶屏示数识别方法,极大的增强了识别算法的鲁棒性,提高了水表液晶屏示数的识别精度。
2、本发明所述的照明条件不良情况下无背光水表液晶屏示数识别方法,创新性的提出了一种图像增强方法,采用特定的映射方法,在照明条件差的环境下实现了更好的图像增强,效果优于直方图均衡强化方法。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的照明条件不良情况下无背光水表液晶屏示数识别方法的原理图。
图2为本发明实施例1提供的图像增强原理图。
图3为本发明实施例1提供的原液晶屏幕示意图。
图4为本发明实施例1提供的直方图均衡化后的液晶屏幕。
图5为本发明实施例1提供的使用本发明增强方法后的液晶屏幕。
图6为本发明实施例1提供的液晶屏状态识别方法的流程示意图。
图7为本发明实施例1提供的单个数字截取示意图。
图8为本发明实施例1提供的单个数字图像(左)和二值化后图像(右)。
图9为本发明实施例1提供的用于液晶数字识别的深度卷积神经网络示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本发明实施例1提供了一种照明条件不良情况下无背光水表液晶屏示数识别方法的流程示意图,本实施例以“剩余量”为待识别显示状态为例,包括以下过程:
首先对水表中的液晶屏进行定位和图像截取,随后将截取到的图像进行图像增强,随后识别液晶屏状态,当状态为“剩余量”时对液晶屏的示数进行识别。具体的,对在摄像装置获取的图像,找到液晶屏的精确位置并进行子图截取,其中,使用YoloV5算法模型进行液晶屏定位。
S1:液晶屏图像增强
如图2所示,对液晶屏图像中所有像素进行从小到大的排序,随后去除排序数组中右侧的10%的数据,以免离群点或噪声点对算法的影响,随后获取排序数组的最后一个元素即其最大值m,使用式(1)进行映射:
本实施上述增强方法,在照明条件差的环境下,效果优于直方图均衡化,图3为原液晶屏幕,可以看到内容难以辨认,图4为直方图均衡化得到的增强图像,可见其因为液晶屏各个部分光照不均,导致增强后图像对比图太大,增强了很多光照不均带来的污迹,影响了正常内容的展示,图5为本实施例给出算法得到的增强图像,可见整幅图像显示均匀,对光照强度低、光照不均有更好的适应性。
S2:液晶屏状态识别
如图6所示,液晶屏的状态有剩余量、累计流量等多种状态,这些状态使用液晶屏上面部分的指示文本进行区分,本实施例识别的目标为剩余量,对增强后的液晶图像,按照如下方法进行识别:
首先将图像放缩至固定大小,因为液晶屏的生产工艺,图像中剩余量字符串的显示位置以及其他指示字符串的位置均为固定值,将指示文字所在行以固定宽度的矩形区域r1与其相邻的下方的等大小矩形区域r2进行对比,并使用滑动窗口的方法向右滑动,得到一组对比度值。
对比度计算公式为:
其中,r1和r2为两个要比较的区域,p为像素,ε为10-5,公式分别计算两个区域内的像素的和,并计算其最大值与最小值的比值。
具体的,使用如下算法根据滑动窗口得到多个预期的对比度,并对这些对比度进行排序,以其中位数作为参考对比度d。
设剩余量字符串所在区域为r1(xs,ys,ws,hs),因图像大小被放缩成固定大小,对于同一种类液晶屏,该区域已知,为固定值,使用式(2)计算该区域与区域r2(xs,ys+hs,ws,hs)的对比度记作r。
计算r/d与固定阈值Θ的大小关系,如果大于,则认为当前液晶屏显示的图像为剩余量,否则认为不是。
S3:液晶屏数字识别
根据S2的液晶屏状态识别方法判断出当前是否为剩余量图像,如果是,则进行液晶屏数字识别,因为液晶屏图像被放缩为固定大小,所以数字显示的位置固定,使用预先测量得到的数字的区域可以提取出单个数字,所以仅需要识别单个数字,将识别结果进行综合即可得到最终识别结果。
如图7所示,为单个数字截取示意图,图8为单个数字图像(左)和其二值化后图像(右)。如图9所示,使用三层卷积深度神经网络对二值化后的图像进行识别,将二值化后单个数字图像放缩为32*32;网络输入为1*32*32的单颜色通道图像,经过一个5*5步长为1的32个卷积核后,进行2*2步长为1的最大池化,得到32个通道的12*12的图像,随后使用64个5*5步长为1的卷积核进行卷积,再进行一次最大池化操作,将得到的图像进行扁平化后使用全连接层映射为维度为500的向量,随后使用ReLU激活函数,再使用一个带有SoftMax激活函数的全连接层最终得到一个10维的分类结果,即长度为10的向量,求其最大值,将最大值所在的下标作为识别结果。
在液晶屏中,一般存在多个数字位,每个位在液晶屏中位置固定,且都可以采用上述方法进行单个位的数字识别,设最低位识别结果为n0(最右侧位),其他位依次为n1,n2···nm,则液晶屏识别得到的最终示数n的值可以表示为:
实施例2:
本发明实施例2提供了一种照明条件不良情况下无背光水表液晶屏示数识别系统,包括:
图像获取模块,被配置为:获取液晶屏的图像;
图像增强模块,被配置为:对获取的液晶屏图像进行图像增强;
图像缩放模块,被配置为:将增强后的图像进行放缩为固定尺寸;
参考对比度获取模块,被配置为:将指示文字所在区域与下方相同尺寸区域对比,得到参考对比度;
对比度计算模块,被配置为:将待识别显示状态在液晶屏位置作为感兴趣区,计算其与对比区域的对比度;
状态判断模块,被配置为:如果计算得到的对比度与参考对比度的比值大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像;
数字识别模块,被配置为:如果该图像为待识别显示状态图像,则采用预训练的神经网络模型,得到液晶屏数字识别结果。
所述系统的工作方法与实施例1提供的照明条件不良情况下无背光水表液晶屏示数识别方法相同,这里不再赘述。
实施例3:
本发明实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明实施例1所述的照明条件不良情况下无背光水表液晶屏示数识别方法中的步骤。
实施例4:
本发明实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明实施例1所述的照明条件不良情况下无背光水表液晶屏示数识别方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种照明条件不良情况下无背光水表液晶屏示数识别方法,其特征在于:
包括以下过程:
获取液晶屏的图像;
对获取的液晶屏图像进行图像增强;
将增强后的图像进行放缩为固定尺寸;
将指示文字所在区域与下方相同尺寸区域对比,得到参考对比度;
将待识别显示状态在液晶屏位置作为感兴趣区,计算其与对比区域的对比度;
如果计算得到的对比度与参考对比度的比值大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像;
如果该图像为待识别显示状态图像,则采用预训练的神经网络模型,得到液晶屏数字识别结果。
2.如权利要求1所述的照明条件不良情况下无背光水表液晶屏示数识别方法,其特征在于:
获取液晶屏的图像,包括:
对水表图像,采用YoloV5模型进行液晶屏定位,对液晶屏的定位结果进行截取,得到液晶屏图像。
4.如权利要求1所述的照明条件不良情况下无背光水表液晶屏示数识别方法,其特征在于:
待识别显示状态为剩余量或者累计流量。
5.如权利要求1所述的照明条件不良情况下无背光水表液晶屏示数识别方法,其特征在于:
将指示文字所在行以固定宽度的矩形区域r1与其相邻的下方的等大小矩形区域r2进行对比,并使用滑动窗口的方法向右滑动,得到多个对比度值,对所有对比度值进行了排序,以排序后的中位数作为参考对比度d。
6.如权利要求5所述的照明条件不良情况下无背光水表液晶屏示数识别方法,其特征在于:
假设待识别显示状态的字符串所在区域为(xs,ys,ws,hs),其中,xs为待识别显示状态的字符串的左上角横坐标,ys待识别显示状态的字符串的左上角纵坐标,ws为待识别显示状态的字符串的宽度,hs为待识别显示状态的字符串的高度;
计算待识别显示状态的字符串所在区域与区域(xs,ys+hs,ws,hs)的对比度r,如果r/d大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像。
8.一种照明条件不良情况下无背光水表液晶屏示数识别系统,其特征在于:
包括:
图像获取模块,被配置为:获取液晶屏的图像;
图像增强模块,被配置为:对获取的液晶屏图像进行图像增强;
图像缩放模块,被配置为:将增强后的图像进行放缩为固定尺寸;
参考对比度获取模块,被配置为:将指示文字所在区域与下方相同尺寸区域对比,得到参考对比度;
对比度计算模块,被配置为:将待识别显示状态在液晶屏位置作为感兴趣区,计算其与对比区域的对比度;
状态判断模块,被配置为:如果计算得到的对比度与参考对比度的比值大于设定阈值,则该图像为待识别显示状态图像;否则,该图像不是待识别显示状态图像;
数字识别模块,被配置为:如果该图像为待识别显示状态图像,则采用预训练的神经网络模型,得到液晶屏数字识别结果。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的照明条件不良情况下无背光水表液晶屏示数识别方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的照明条件不良情况下无背光水表液晶屏示数识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266566.XA CN115546799A (zh) | 2022-10-17 | 2022-10-17 | 照明条件不良情况下无背光水表液晶屏示数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266566.XA CN115546799A (zh) | 2022-10-17 | 2022-10-17 | 照明条件不良情况下无背光水表液晶屏示数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546799A true CN115546799A (zh) | 2022-12-30 |
Family
ID=84735158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211266566.XA Pending CN115546799A (zh) | 2022-10-17 | 2022-10-17 | 照明条件不良情况下无背光水表液晶屏示数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116367012A (zh) * | 2023-01-16 | 2023-06-30 | 江苏信江数字科技有限公司 | 智慧水务信息处理方法及处理平台 |
-
2022
- 2022-10-17 CN CN202211266566.XA patent/CN115546799A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116367012A (zh) * | 2023-01-16 | 2023-06-30 | 江苏信江数字科技有限公司 | 智慧水务信息处理方法及处理平台 |
CN116367012B (zh) * | 2023-01-16 | 2023-09-22 | 江苏信江数字科技有限公司 | 智慧水务信息处理方法及处理平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN111598869B (zh) | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
CN113538603B (zh) | 一种基于阵列产品的光学检测方法、系统和可读存储介质 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111242026A (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
JP2013238449A (ja) | ひび割れ検出方法 | |
CN105093289A (zh) | 一种基于图像处理的地震层位识别方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN115546799A (zh) | 照明条件不良情况下无背光水表液晶屏示数识别方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN113012068A (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
CN110276759A (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN107832732B (zh) | 基于三叉树遍历的车道线检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN110956178B (zh) | 一种基于图像相似度计算的植物生长测量方法、系统及电子设备 | |
CN111161264A (zh) | 一种对含有缺陷的tft电路图像的分割方法 |
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 |