CN115841669A - 一种基于深度学习技术的指针式仪表检测与示数识别方法 - Google Patents
一种基于深度学习技术的指针式仪表检测与示数识别方法 Download PDFInfo
- Publication number
- CN115841669A CN115841669A CN202211209233.3A CN202211209233A CN115841669A CN 115841669 A CN115841669 A CN 115841669A CN 202211209233 A CN202211209233 A CN 202211209233A CN 115841669 A CN115841669 A CN 115841669A
- Authority
- CN
- China
- Prior art keywords
- instrument
- pointer
- image
- edge
- detection
- 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
Abstract
本申请公开了一种基于深度学习技术的指针式仪表检测与示数识别方法，涉及计算机视觉处理的技术领域，包括：以使用轻量级的MobileNetV3网络作为特征提取网络的YOLOv5算法构建卷积神经网络模型，采集多场景多种类的指针式仪表图像用于训练集卷积神经网络模型，图像输出后经过均值偏移滤波后使用基于非线性双边滤波的Canny边缘检测算法二值化图像，再应用Hough圆检测定位表盘，获得仪表圆心；使用CTPN+CRNN网络文字检测识别模型处理定位到仪表的图像，获得仪表开始刻度和最大量程的数值与位置；使用基于区域选择的Hough直线检测算法提取仪表中的指针，最后根据刻度、量程和指针用角度法计算仪表读数。
Description
技术领域
本申请涉及计算机视觉处理的技术领域，具体而言，涉及一种基于深度学习技术的指针式仪表检测与示数识别方法。
背景技术
指针式仪表在有强磁干扰的变电站等环境中发挥着重要作用，但由于指针式仪表人工读数复杂，容易出现误差，并且通常工作在强电压，强辐射的危险场景中，所以并不适合人工读取示数。因此，研究指针式仪表的智能检测与识别具有重要意义。目前，指针式仪表示数识别算法多是基于传统图像处理技术对仪表指针进行定位，如模板匹配法或减影法，而后再进行角度与示数的换算，这些方法存在识别过程复杂，智能读取普适性低、实时性差等问题。
随着深度学习技术在计算机视觉任务中取得显著的性能提升，促使人工智能技术在指针式仪表智能检测与示数识别领域成为了可能，但现有的仪表智能检测算法推理速度较慢，不能及时获取指针式仪表检测与示数读取结果，因此改进现有算法模型使其更加具有实用性非常重要。
发明内容
本申请的目的在于：改进现有指针式仪表检测和示数识别算法模型，提高识别精度和推理速度提高实用性。
本申请的技术方案是：提供了一种基于深度学习技术的指针式仪表检测与示数识别方法，该方法包括：
S1、以使用轻量级的MobileNetV3网络作为特征提取网络的YOLOv5算法构建卷积神经网络模型；
S2、采集多场景多种类的指针式仪表图像构建训练集，并使用训练集对步骤S1中的卷积神经网络模型进行深度训练；
S3、对卷积神经网络模型输出的图像经过均值偏移滤波后使用基于非线性双边滤波的Canny边缘检测算法二值化，再应用Hough圆检测定位表盘，获得仪表的圆心位置和半径；
S4、使用CTPN+CRNN网络文字检测识别模型处理定位到仪表的图像，获得仪表开始刻度和最大量程的数值与位置；
S5、使用基于区域选择的Hough直线检测算法提取仪表中的指针，最后根据刻度、量程和指针用角度法计算仪表读数。
上述任一项技术方案中，进一步地，步骤S3中Canny边缘检测算法具体包括：
同时考虑值域和空间域对图像进行非线性双边滤波，很好的保留边缘信息，滤波后的图像经过Sober算子方向模板在3×3邻域内计算梯度幅值，再对边缘信息进行非极大值抑制达到边缘细化效果；
根据图像的灰度分布分割出前景部分和背景部分，将灰度类间方差最大化，找到使方差最大的的阈值并定义为高阈值，将k倍的高阈值定义为低阈值，根据高低阈值进行边缘连接，其中k∈[0.5,0.8]。
上述任一项技术方案中，进一步地，边缘连接具体是：
当图像某一像素点幅值大于高阈值时，则该像素点是边缘点；
当图像某一像素点幅值低于低阈值时，则该像素点不是边缘点；
当图像某一像素点幅值处于高阈值与低阈值之间时，如果该像素点与大于高阈值的像素点相连，则该像素点为边缘点，否则不是边缘点。
上述任一项技术方案中，进一步地，YOLOv5算法中MobileNetV3网络包括五个卷积层，输入的图像经过MobileNetV3网络卷积后输出相应的特征图，再经过FPN网络和PAN网络进行学习，最终送入Prediction Head模块预测出预测类别的置信度、预测边界框的坐标，然后通过非极大值抑制算法去除重复检测框，设定好阈值后最终显示出仪表的类别、类别置信度以及边界框。
上述任一项技术方案中，进一步地，Hough直线检测算法步骤包括：根据检测到仪表的圆心、起始刻度与最大量程的位置获得提取范围，在提取范围内遍历所有边缘点，不断重复随机提取边缘点映射为极坐标空间直线，当每个边缘点的累加器超过预设值后提取线段，最后计算所有提取线段的长度，将长度最长的提取线段作为仪表的指针。
上述任一项技术方案中，进一步地，Hough直线检测算法的提取范围中首先去除仪表开始刻度与最大量程刻度夹角区域，其次缩减检测半径避免将刻度线误认为指针。
上述任一项技术方案中，进一步地，步骤S3中应用Hough圆检测定位表盘的步骤包括：读取Canny边缘检测算法输出的二值化图像，遍历图像所有边缘，沿边缘梯度方向和反方向线段的交点在二维累加器中累加，将二维累加器中的计数从大到小排序，保留计数最多的位置作为仪表的圆心，再计算圆心到图像边缘点的距离得到半径。
本申请的有益效果是：
本申请中的技术方案中Canny边缘检测算法用非线性双边滤波替换常规高斯滤波，更好保留了图像的边缘细节；在YOLOv5算法中使用MobileNetV3网络替换常规的Darknet网络，减少数据量加快速度；加入CTPN+CRNN网络文字检测识别模型读取不同类型仪表的刻度、量程信息，具有较强的泛化能力和通用性；使用Hough直线检测算法定位指针，降低了计算读数的难度。
附图说明
本申请的上述和附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请的一个实施例的基于深度学习技术的指针式仪表检测与示数识别方法的步骤流程图；
图2是根据本申请的一个实施例的基于深度学习技术的指针式仪表检测与示数识别方法的YOLOv5算法流程图；
图3是根据本申请的一个实施例的基于深度学习技术的指针式仪表检测与示数识别方法的Canny边缘检测算法流程图；
图4是根据本申请的一个实施例的基于深度学习技术的指针式仪表检测与示数识别方法的Sober算子方向模板；
图5是根据本申请的一个实施例的基于深度学习技术的指针式仪表检测与示数识别方法的Hough直线检测算法流程图；
图6是根据本申请的一个实施例的基于深度学习技术的指针式仪表检测与示数识别方法的角度法仪表示数计算示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本实施例提供了一种基于深度学习技术的指针式仪表检测与示数识别方法，该方法包括：
S1、以使用轻量级的MobileNetV3网络作为特征提取网络的YOLOv5算法构建卷积神经网络模型。
S2、采集多场景多种类的指针式仪表图像构建训练集，并使用训练集对步骤S1中的卷积神经网络模型进行深度训练。
具体地，YOLOv5算法常采用Darknet作为特征提取网络，虽然Darknet利用残差网络结构使得模型的训练难度得到降低，但是由于网络太深导致网络计算量和参数量庞大，最终使得训练复杂，难以满足实时性，为了达到目标检测的实时性，本实施例采用了轻量级的MobileNetV3网络作为特征提取网络。
如图2所示，MobileNetV3网络包括C1至C5层五个卷积层，输入的图像经过MobileNetV3网络卷积后输出相应的特征图，并定义特征图使其分别对应C1至C5层，再将特征图发送至FPN网络的F3至F5层进行学习，在发送过程中C5层经过一个卷积层得到F5层，然后对F5层进行上采样，将上采样后的值与经过卷积的C4层相加得到F4层，然后对F4层进行一次上采样，将上采样后的值与经过卷积的C3层相加得到F3层。
将上述得到的F3至F5层发送到PAN网络的P3至P5层进行学习，在发送过程中F3层经过一个卷积层得到P3层，然后对P3层进行下采样，将下采样后的值与经过卷积的F4层相加得到P4层，然后对P4层进行一次下采样，将下采样后的值与经过卷积的F5层相加得到P5层，得到的P3至P5层最终送入Prediction Head模块预测出预测类别的置信度、预测边界框的坐标，然后通过非极大值抑制算法去除重复检测框，设定好阈值后最终显示出仪表的类别、类别置信度以及边界框。
在本实施例中，拍摄采集了1500张涵盖了多场景多种类的指针式仪表图像，并在LabelImg中进行目标的初步标注后作为训练集输入上述卷积神经网络模型进行训练。
S3、对卷积神经网络模型输出的图像经过均值偏移滤波后使用基于非线性双边滤波的Canny边缘检测算法二值化，再应用Hough圆检测定位表盘，获得仪表的圆心位置和半径。
具体地，根据卷积神经网络模型输出的仪表类别、类别置信度以及边界框等信息，对输出图像进行裁切，之后进行均值偏移滤波：借助Mean Shift算法的分割特性将色彩分布相近的元素进行聚类，平滑色彩细节，减少了后续的计算量。
如图3所示，由于后续步骤需要指针式仪表的二值化边缘图像，本实施例中对Canny边缘检测算法进行了改进和优化，使用同时考虑值域与空间域的非线性双边滤波代替了常用的高斯滤波，在图像去噪的同时较完整的保留了图像边缘信息。
得到经过双边滤波的图像后，对图像在3×3邻域内计算梯度幅值；如图4所示，在各方向的梯度计算使用了Sober算子方向模板，图像某一像素的8邻域即x方向，y方向，45°方向和135°方向的一阶偏导数的有限差分来确定像素的梯度幅值及方向。
得到八领域内像素点的梯度幅值及方向后，再对边缘信息进行非极大值抑制，达到边缘细化的效果。
根据图像自身灰度特征，通过统计图像中像素点的灰度分布，分割出图像的前景部分和背景部分，将区域内灰度的类间方差最大化，找到使方差最大的的阈值，将此阈值定义为高阈值，将低阈值定义为k倍的高阈值k∈[0.5,0.8]。
得到图像的高低阈值后进行边缘连接：
当某一像素点幅值大于高阈值时，则该像素点是边缘点。
当某一像素点幅值低于低阈值时，则该像素点不是边缘点；
当图像某一像素点幅值处于高阈值与低阈值之间时，如果该像素点与大于高阈值的像素点相连，则该像素点为边缘点，否则不是边缘点。
经过上述Canny边缘检测算法，得到输出的指针式仪表二值化图像，接着应用基于Hough梯度法的Hough圆检测定位仪表盘圆心：读取上述二值化图像后遍历图像所有边缘，沿边缘梯度方向和反方向线段的交点在二维累加器中累加，将二维累加器中的计数从大到小排序，保留计数最多的位置作为仪表盘的圆心，再计算圆心到图像边缘点的距离得到半径，从而定位图像中仪表盘的位置与范围。
S4、使用CTPN+CRNN网络文字检测识别模型处理定位到仪表的图像，获得仪表开始刻度和最大量程的数值与位置。
具体地，CTPN+CRNN网络文字检测识别模型包括CTPN网络文本检测模型和CRNN网络文本识别模型，其中CTPN网络文本检测模型的运行步骤包括：
定位图像中指针式仪表位置与范围后，首先利用VGG16网络对指针式仪表图像进行特征提取，生成特征图，其中由于文字区域相对较小，VGG16使用的是3×3的小卷积核，相较其他使用大卷积核的神经网络提取效果更好。
接着利用RNN网络在特征图上进行文本提取，将特征图上的每一个特征点作为一个锚点，每一个锚点都可以选取产生10个宽度为16，高度不同的文本提议框；RNN网络对生成的文本提议框进行粗略的分类，选出可能包含文本的提议框，输入到全连接层进行精确的分类预测，并对位置坐标进行调整。
CTPN网络文本检测模型的最终输出预测候选区域的起始坐标和高度、前景和背景的分类评分以及文本提议框的水平偏移量，将指针式仪表图像的文字区域进行分割，再将分割的文字区域输入到CRNN网络文本识别模型。
CRNN网络文本识别模型的运行步骤包括：
将CTPN网络文本检测模型分割的各文字区域进行缩放输入至CNN网络得到Feature map，在本实施例中统一缩放为高度height＝32，宽度width＝160的灰度图像，输入至CNN网络后得到height＝l，width＝40，channel＝512的Feature map。
得到的Feature map通过Map-to-Sequence将特征图提取成为RNN网络需要的特征序列，每个特征向量对应于原始图像的感受野，输出Feature Sequence至两层各256单元的双向LSTM网络中，得到每个特征向量对应的字符标签，由LSTM网络输出概率分布向量，并组成概率矩阵W，概率矩阵W中的每个元素代表特征向量可能包含字符w的概率，将概率矩阵W中每一列的最大值对应的字符作为该列的文字标签作为实际字符输出至CTC层进行合并去冗，得到读取指针式仪表的文本信息，设置只保留数字进行排序后，最小值对应开始刻度的数值与位置，最大值对应最大量程的数值与位置。
S5、使用基于区域选择的Hough直线检测算法提取仪表盘中的指针，最后根据刻度、量程和指针用角度法计算仪表读数。
具体地，得到读取指针式仪表开始刻度和最大量程信息之后，需要对指针式仪表中的指针进行提取。由于仪表盘指针出现的角度范围有限，Hough直线检测算法的提取范围中去除了仪表盘开始刻度与最大量程刻度夹角区域。
提取到指针检测范围后根据所检测到起始刻度和最大量程的位置，缩减提取范围的半径，避免误检长度较长的刻度为指针，并且减少了Hough直线检测的区域面积，将指针检测的目标区域内的像素点代入Hough变换，如图5所示，根据检测到仪表的圆心、起始刻度与最大量程的位置获得提取范围，在提取范围内遍历所有边缘点，不断重复随机提取边缘点映射为极坐标空间直线，当每个边缘点的累加器超过预设值后提取线段，这样就得到了提取范围内的所有线段，计算所有线段的长度后根据线段长度从小到大排序，将长度最长的线段作为仪表的指针。
如图6所示，最后使用角度法计算仪表读数，其中开始刻度为点A，坐标(xA，yA)，指针末端端点为点B，坐标(xB，yB)，最大量程刻度为点C，坐标(xC，yC)，仪表盘圆心为点O，坐标(xO，yO)，开始刻度与圆心的连线为向量
指针为向量/>
最大量程刻度与圆心的连线为向量/>
指针与开始刻度所成角度/>
开始刻度A与圆心O的连线的斜率/>
开始刻度A与圆心O连线的截距bA＝yo-kA×xo，将点B坐标(xB，yB)代入向量/>
所在直线的直线方程中得到位置信息position＝yb-kA×xb-bA，若position大于等于0，则指针与开始刻度所成角度为θ，否则指针与开始刻度所成角度为2π-θ；同理，也计算出开始刻度和最大量程刻度之间的角度/>
之前CTPN+CRNN网络文字检测识别模型得到了仪表的最大量程MaxRange，求出最终示数
输出，完成示数识别。
综上所述，本申请提出了一种基于深度学习技术的指针式仪表检测与示数识别方法，包括：
S1、以使用轻量级的MobileNetV3网络作为特征提取网络的YOLOv5算法构建卷积神经网络模型；
S2、采集多场景多种类的指针式仪表图像构建训练集，并使用训练集对步骤S1中的卷积神经网络模型进行深度训练；
S3、对卷积神经网络模型输出的图像经过均值偏移滤波后使用基于非线性双边滤波的Canny边缘检测算法二值化，再应用Hough圆检测定位表盘，获得仪表的圆心位置和半径；
S4、使用CTPN+CRNN网络文字检测识别模型处理定位到仪表的图像，获得仪表开始刻度和最大量程的数值与位置；
S5、使用基于区域选择的Hough直线检测算法提取仪表中的指针，最后根据刻度、量程和指针用角度法计算仪表读数。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (7)
1.一种基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，所述方法包括：
S1、以使用轻量级的MobileNetV3网络作为特征提取网络的YOLOv5算法构建卷积神经网络模型；
S2、采集多场景多种类的指针式仪表图像构建训练集，并使用训练集对步骤S1中的卷积神经网络模型进行深度训练；
S3、对卷积神经网络模型输出的图像经过均值偏移滤波后使用基于非线性双边滤波的Canny边缘检测算法二值化，再应用Hough圆检测定位表盘，获得仪表的圆心位置和半径；
S4、使用CTPN+CRNN网络文字检测识别模型处理定位到仪表的图像，获得仪表开始刻度和最大量程的数值与位置；
S5、使用基于区域选择的Hough直线检测算法提取仪表中的指针，最后根据刻度、量程和指针用角度法计算仪表读数。
2.如权利要求1所述的基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，步骤S3中所述Canny边缘检测算法具体包括：
同时考虑值域和空间域对图像进行非线性双边滤波，很好的保留边缘信息，滤波后的图像经过Sober算子方向模板在3×3邻域内计算梯度幅值，再对边缘信息进行非极大值抑制达到边缘细化效果；
根据图像的灰度分布分割出前景部分和背景部分，将灰度类间方差最大化，找到使方差最大的的阈值并定义为高阈值，将k倍的高阈值定义为低阈值，根据高低阈值进行边缘连接，其中k∈[0.5,0.8]。
3.如权利要求2所述的基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，边缘连接具体是：
当图像某一像素点幅值大于高阈值时，则该像素点是边缘点；
当图像某一像素点幅值低于低阈值时，则该像素点不是边缘点；
当图像某一像素点幅值处于高阈值与低阈值之间时，如果该像素点与大于高阈值的像素点相连，则该像素点为边缘点，否则不是边缘点。
4.如权利要求1所述的基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，所述YOLOv5算法中MobileNetV3网络包括五个卷积层，输入的图像经过MobileNetV3网络卷积后输出相应的特征图，再经过FPN网络和PAN网络进行学习，最终送入PredictionHead模块预测出预测类别的置信度、预测边界框的坐标，然后通过非极大值抑制算法去除重复检测框，设定好阈值后最终显示出仪表的类别、类别置信度以及边界框。
5.如权利要求1所述的基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，所述Hough直线检测算法步骤包括：根据检测到仪表的圆心、起始刻度与最大量程的位置获得提取范围，在提取范围内遍历所有边缘点，不断重复随机提取边缘点映射为极坐标空间直线，当每个边缘点的累加器超过预设值后提取线段，最后计算所有提取线段的长度，将长度最长的提取线段作为仪表的指针。
6.如权利要求5所述的基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，所述Hough直线检测算法的提取范围中首先去除仪表开始刻度与最大量程刻度夹角区域，其次缩减检测半径避免将刻度线误认为指针。
7.如权利要求1所述的基于深度学习技术的指针式仪表检测与示数识别方法，其特征在于，步骤S3中应用Hough圆检测定位表盘的步骤包括：读取Canny边缘检测算法输出的二值化图像，遍历图像所有边缘，沿边缘梯度方向和反方向线段的交点在二维累加器中累加，将二维累加器中的计数从大到小排序，保留计数最多的位置作为仪表的圆心，再计算圆心到图像边缘点的距离得到半径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211209233.3A CN115841669A (zh) | 2022-09-30 | 2022-09-30 | 一种基于深度学习技术的指针式仪表检测与示数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211209233.3A CN115841669A (zh) | 2022-09-30 | 2022-09-30 | 一种基于深度学习技术的指针式仪表检测与示数识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115841669A true CN115841669A (zh) | 2023-03-24 |
Family
ID=85574116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211209233.3A Pending CN115841669A (zh) | 2022-09-30 | 2022-09-30 | 一种基于深度学习技术的指针式仪表检测与示数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115841669A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110036A (zh) * | 2023-04-10 | 2023-05-12 | 国网江西省电力有限公司电力科学研究院 | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 |
| CN116843909A (zh) * | 2023-05-12 | 2023-10-03 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
-
2022
- 2022-09-30 CN CN202211209233.3A patent/CN115841669A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110036A (zh) * | 2023-04-10 | 2023-05-12 | 国网江西省电力有限公司电力科学研究院 | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 |
| CN116843909A (zh) * | 2023-05-12 | 2023-10-03 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
| CN116843909B (zh) * | 2023-05-12 | 2024-03-08 | 国家电网有限公司华东分部 | 电力线提取方法及装置、存储介质、计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
| CN109670429B (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及系统 | |
| CN109635744B (zh) | 一种基于深度分割网络的车道线检测方法 | |
| CN106529537B (zh) | 一种数字仪表读数图像识别方法 | |
| CN115841669A (zh) | 一种基于深度学习技术的指针式仪表检测与示数识别方法 | |
| CN110866430B (zh) | 一种车牌识别方法及装置 | |
| CN108629286B (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
| CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
| CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN116188756A (zh) | 一种基于深度学习的仪表角度校正与示数识别方法 | |
| CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
| CN112270317A (zh) | 一种基于深度学习和帧差法的传统数字水表读数识别方法 | |
| 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 | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
| CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
| CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
| Sowah et al. | An intelligent instrument reader: using computer vision and machine learning to automate meter reading | |
| CN116188755A (zh) | 一种基于深度学习的仪表角度校正与示数识别装置 | |
| Zhang et al. | A YOLOv3-Based Industrial Instrument Classification and Reading Recognition Method | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN114898347A (zh) | 一种指针式仪表机器视觉识别方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Yunpeng Inventor after: Zhao Rui Inventor after: Shang Wen Inventor after: Xue Shengyi Inventor after: Ma Jianghai Inventor after: Zhang Hongwei Inventor after: Xia Yan Inventor after: Jing Chao Inventor before: Chen Yunpeng Inventor before: Zhao Rui Inventor before: Shang Wen Inventor before: Xue Shengyi Inventor before: Ma Jianghai Inventor before: Zhang Hongwei Inventor before: Xia Yan |