CN116245883A - 一种针对票据的图像质量检测以及图像矫正方法 - Google Patents

一种针对票据的图像质量检测以及图像矫正方法 Download PDF

Info

Publication number
CN116245883A
CN116245883A CN202310528993.9A CN202310528993A CN116245883A CN 116245883 A CN116245883 A CN 116245883A CN 202310528993 A CN202310528993 A CN 202310528993A CN 116245883 A CN116245883 A CN 116245883A
Authority
CN
China
Prior art keywords
image
detection
bill
quality
angle
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
Application number
CN202310528993.9A
Other languages
English (en)
Other versions
CN116245883B (zh
Inventor
孙召敏
马杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Smart Medical Investment Operation Service Co ltd
Original Assignee
Nanjing Smart Medical Investment Operation Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Smart Medical Investment Operation Service Co ltd filed Critical Nanjing Smart Medical Investment Operation Service Co ltd
Priority to CN202310528993.9A priority Critical patent/CN116245883B/zh
Publication of CN116245883A publication Critical patent/CN116245883A/zh
Application granted granted Critical
Publication of CN116245883B publication Critical patent/CN116245883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1463—Orientation detection or correction, e.g. rotation of multiples of 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种针对票据的图像质量检测以及图像矫正方法，涉及图像质量检测技术领域，包括如下步骤：通过HTTP协议，获取前端的图像，并存储在算法服务器内；通过算法服务器对图像进行预处理；对预处理后的图像依次进行目标有无、面积占比、亮度、模糊度和文本角度五个环节的质量检测；结合五个环节的质量检测结果，综合判断图像质量是否合格；截取质量检测合格图像的目标区域图片，并进行角度旋转，得到水平矫正后的图片。本发明可综合判断票据图像的质量，并在此基础上，对图像进行水平矫正，有效提升了票据图像的质量，进一步提高了票据ocr识别的效率。

Description

一种针对票据的图像质量检测以及图像矫正方法
技术领域
本发明属于图像质量检测技术领域，具体涉及一种针对票据的图像质量检测以及图像矫正方法。
背景技术
目前，票据对各个行业的重要性不言而喻，随着人工智能技术的日渐成熟，我们对票据内容的自动识别有了更加高效智能的手段。票据的图像往往通过摄像装置或扫描装置进行采集，形成电子格式票据，然而受采集设备限制或人工采集技巧不高等原因，往往会导致采集的图像质量不高，主要表现在：图像中不存在票据、图像亮度无法满足需求、票据在图像中面积占比不合适、票据内容模糊、票据在图像中有倾斜等方面。一旦出现上述情况，会导致后期算法无法有效识别出票据内容，工作人员在核验阶段就需要对票据进行二次采集重新进行算法识别，不仅增大了工作量、效率低下，同时也需要耗费较多的人力和物力资源。为了能够利用现有图像采集系统获取到可以有效进行算法识别的票据图像，我们提出一种针对票据的图像质量检测以及图像矫正方法。
发明内容
本发明的目的是为了解决现有技术中存在采集的图像无票据、票据面积占比不合适、亮度不合适、模糊、倾斜的缺点，而提出的一种针对票据的图像质量检测以及图像矫正方法。可综合判断票据图像的质量，并在此基础上，对图像进行水平矫正，有效提升了票据图像的质量，进一步提高了票据ocr识别的效率。
为了实现上述目的，本发明采用了如下技术方案：
设计一种针对票据的图像质量检测以及图像矫正方法，包括如下步骤：
步骤1、通过HTTP协议，获取前端的图像，并存储在算法服务器内；
步骤2、通过算法服务器对图像进行预处理；
步骤3、对预处理后的图像依次进行目标有无、面积占比、亮度、模糊度和文本角度五个环节的质量检测；
步骤4、结合五个环节的质量检测结果，综合判断图像质量是否合格；
步骤5、截取质量检测合格图像的目标区域图片，并进行角度旋转，得到水平矫正后的图片。
进一步的，在步骤2中，对图像的预处理包括图像增强和调整分辨率；其中，所述调整分辨率是将输入图像统一大小，按图像最大长度缩放到1920的比例，对图像进行缩放；所述图像增强是使用低通滤波，对图像进行全局对比度增强：
res=round((orig-mean)*Factor)+orig
其中，Factor为增加对比度的比例因子；orig为图像的原始灰度值；mean为图像的平均灰度值；round()为四舍五入操作。
进一步的，在步骤3中，图像目标有无检测的具体步骤包括：
步骤311、标注数据，训练深度学习算法模型，检测图像中有无票据；
步骤312、如果没有检测到票据，则停止质量检测，反馈质量不合格的检测结果；
步骤313、如果检测到票据，并获取票据在图像中的位置信息，则进行下一项图像面积占比检测环节。
进一步的，在步骤3中，图像面积占比检测的具体步骤包括：
步骤321、根据目标检测中的票据位置信息，得到票据的像素面积A；
步骤322、根据图像预处理中经过图像缩放的面积B；
步骤323、计算票据在图像中的面积占比C=A/B；
步骤324、将计算结果C和预设的阈值进行比较，如果面积占比小于阈值，则停止质量检测，反馈质量不合格的检测结果；
步骤325、如果面积占比不小于阈值，则进行下一项图像亮度检测环节。
进一步的，在步骤3中，图像亮度检测的具体步骤包括：
步骤331、计算图像灰度值偏离均值128的程度；
步骤332、如果计算结果偏离程度大于预设的阈值，则判断亮度检测不合格，停止质量检测，反馈检测结果；
步骤334、如果结果偏离程度不大于预设的阈值，则进行下一项图像模糊度检测环节。
进一步的，在步骤3中，图像模糊度检测的具体步骤包括：
步骤341、使用拉普拉斯边缘检测算法，检测图像模糊度；
步骤342、将计算结果和预设的阈值进行对比；
步骤343、如果计算结果大于预设的阈值，则判断模糊度检测不合格，停止质量检测，反馈检测结果；
步骤344、如果计算结果不大于预设的阈值，则进行下一项图像文本角度检测环节。
进一步的，在步骤3中，图像文本角度检测的具体步骤包括：
步骤351、从图像目标有无、面积占比、亮度、模糊度四个环节合格后的原始图像中截取目标区域；
步骤352、对截取的目标区域，使用深度学习ocr检测算法，检测目标区域中的文本位置和角度angle：
angle=sum(Angle[n*0.2:n*0.8])/n*0.6
其中，Angle为目标区域中检测到的所有文本倾斜角度进行大小排序后的集合，Angle[n*0.2:n*0.8]为选取中间60%的角度；
步骤353、对选取的60%的角度求和后计算平均值，得到文本区域的倾斜角度angle。
进一步的，在步骤5中，角度旋转值为倾斜角度angle值。
为了解决上述问题，本发明还提供了一种针对票据的图像质量检测以及图像矫正的系统，用于所述的针对票据的图像质量检测以及图像矫正方法，包括：
图像获取模块，用于通过HTTP协议，获取前端的票据图像；
算法服务器，用于存储获取的票据图像；
图像预处理模块，用于票据图像的图像增强和调整分辨率的预处理；
质量检测模块，用于对预处理后的图像进行目标有无、面积占比、亮度、模糊度和文本角度五个环节的质量检测；
质量确认模块，用于结合质量检测结果，综合判断票据质量检测是否合格；
图像矫正模块，用于质量检测合格后，对截取的目标区域图片进行角度为angle的旋转，得到水平矫正后的图片。
本发明提出的一种针对票据的图像质量检测以及图像矫正方法，有益效果在于：可以在使用算法对票据进行ocr识别之前，快速的从多个角度综合判断票据图像的质量，并在此基础上，对图像目标区域进行水平矫正，有效提升了送给后期算法服务的票据图像的质量，进一步提高了票据ocr识别的效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的流程框图；
图2是本发明的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现结合说明书附图，详细说明本发明的结构特点。
参见图1，一种针对票据的图像质量检测以及图像矫正方法，
包括如下步骤：
①、通过HTTP协议，获取前端的图像，并存储在算法服务器内。
②、在算法服务器，对图片进行预处理包括图像增强和调整分辨率。其中，调整分辨率是将输入图像统一大小，按图像最大长度缩放到1920的比例，对图像进行缩放；图像增强是使用低通滤波，对图像进行全局对比度增强：
res=round((orig-mean)*Factor)+orig
其中，Factor为增加对比度的比例因子；orig为图像的原始灰度值；mean为图像的平均灰度值；round()为四舍五入操作。
③、对预处理后的图像进行质量检测，质量检测包含5个环节，5个检测指标包括目标有无检测、面积占比检测、亮度检测、模糊度检测和文本角度检测。
其中，图像目标有无检测的具体步骤包括：
一、标注数据，训练深度学习算法模型，检测图像中有无票据。
二、如果没有检测到票据，则停止质量检测，反馈质量不合格的检测结果。
三、如果检测到票据，并获取票据在图像中的位置信息，则进行下一项图像面积占比检测环节。
图像面积占比检测的具体步骤包括：
一、根据目标检测中的票据位置信息，得到票据的像素面积A。
二、根据图像预处理中经过图像缩放的面积B。
三、计算票据在图像中的面积占比C=A/B。
四、将计算结果C和预设的阈值进行比较，如果面积占比小于阈值，则停止质量检测，反馈质量不合格的检测结果。
五、如果面积占比不小于阈值，则进行下一项图像亮度检测环节。
图像亮度检测的具体步骤包括：
一、计算图像灰度值偏离均值128的程度。
二、如果计算结果偏离程度大于预设的阈值，则判断亮度检测不合格，停止质量检测，反馈检测结果。
三、如果结果偏离程度不大于预设的阈值，则进行下一项图像模糊度检测环节。
图像模糊度检测的具体步骤包括：
一、使用拉普拉斯边缘检测算法，检测图像模糊度。
二、将计算结果和预设的阈值进行对比。
三、如果计算结果大于预设的阈值，则判断模糊度检测不合格，停止质量检测，反馈检测结果。
四、如果计算结果不大于预设的阈值，则进行下一项图像文本角度检测环节。
图像文本角度检测的具体步骤包括：
一、从图像目标有无、面积占比、亮度、模糊度四个环节合格后的原始图像中截取目标区域。
二、对截取的目标区域，使用深度学习ocr检测算法，检测目标区域中的文本位置和角度angle：
angle=sum(Angle[n*0.2:n*0.8])/n*0.6
其中，Angle为目标区域中检测到的所有文本倾斜角度进行大小排序后的集合，考虑到票据区域可能存在干扰文字，Angle[n*0.2:n*0.8]为选取中间百分之60的角度，排除过大或者过小的角度。对选取的百分之60的角度求和后计算平均值，得到文本区域的倾斜角度angle。
三、对选取的60%的角度求和后计算平均值，得到文本区域的倾斜角度angle。
④、结合质量检测5个环节的结果，综合判断图像质量是否合格。
⑤、质量检测通过的图像，进行水平矫正。
本发明的针对票据的图像质量检测以及图像矫正方法，用于对票据图像进行质量检测，包括5个检测指标：目标有无检测、面积占比检测、亮度检测、模糊度检测、文本角度检测。结合5个检测指标，综合判断票据图像的质量，并在此基础上，对图像进行水平矫正。有效提升了票据图像的质量，进一步提高了票据ocr识别的效率。
参见图2，为了进一步说明，本发明还提出了一种针对票据的图像质量检测以及图像矫正的系统，用于针对票据的图像质量检测以及图像矫正方法，包括：
图像获取模块，用于通过HTTP协议，获取前端的票据图像。
算法服务器，用于存储获取的票据图像。
图像预处理模块，用于票据图像的图像增强和调整分辨率的预处理。
质量检测模块，用于对预处理后的图像进行目标有无、面积占比、亮度、模糊度和文本角度五个环节的质量检测。
质量确认模块，用于结合质量检测结果，综合判断票据质量检测是否合格。
图像矫正模块，用于质量检测合格后，对截取的目标区域图片进行角度为angle的旋转，得到水平矫正后的图片。
以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (8)

1.一种针对票据的图像质量检测以及图像矫正方法，其特征在于，包括如下步骤：
S1、通过HTTP协议，获取前端的图像，并存储在算法服务器内；
S2、通过算法服务器对图像进行预处理；
S3、对预处理后的图像依次进行目标有无、面积占比、亮度、模糊度和文本角度五个环节的质量检测；
S4、结合五个环节的质量检测结果，综合判断图像质量是否合格；
S5、截取质量检测合格图像的目标区域图片，并进行角度旋转，得到水平矫正后的图片。
2.根据权利要求1所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S2中，对图像的预处理包括图像增强和调整分辨率；
其中，所述调整分辨率是将输入图像统一大小，按图像最大长度缩放到1920的比例，对图像进行缩放；
所述图像增强是使用低通滤波，对图像进行全局对比度增强：
res=round((orig-mean)*Factor)+orig
其中，Factor为增加对比度的比例因子；orig为图像的原始灰度值；mean为图像的平均灰度值；round()为四舍五入操作。
3.根据权利要求2所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S3中，图像目标有无检测的具体步骤包括：
S311、标注数据，训练深度学习算法模型，检测图像中有无票据；
S312、如果没有检测到票据，则停止质量检测，反馈质量不合格的检测结果；
S313、如果检测到票据，并获取票据在图像中的位置信息，则进行下一项图像面积占比检测环节。
4.根据权利要求3所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S3中，图像面积占比检测的具体步骤包括：
S321、根据目标检测中的票据位置信息，得到票据的像素面积A；
S322、根据图像预处理中经过图像缩放的面积B；
S323、计算票据在图像中的面积占比C=A/B；
S324、将计算结果C和预设的阈值进行比较，如果面积占比小于阈值，则停止质量检测，反馈质量不合格的检测结果；
S325、如果面积占比不小于阈值，则进行下一项图像亮度检测环节。
5.根据权利要求4所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S3中，图像亮度检测的具体步骤包括：
S331、计算图像灰度值偏离均值128的程度；
S332、如果计算结果偏离程度大于预设的阈值，则判断亮度检测不合格，停止质量检测，反馈检测结果；
S334、如果结果偏离程度不大于预设的阈值，则进行下一项图像模糊度检测环节。
6.根据权利要求1所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S3中，图像模糊度检测的具体步骤包括：
S341、使用拉普拉斯边缘检测算法，检测图像模糊度；
S342、将计算结果和预设的阈值进行对比；
S343、如果计算结果大于预设的阈值，则判断模糊度检测不合格，停止质量检测，反馈检测结果；
S344、如果计算结果不大于预设的阈值，则进行下一项图像文本角度检测环节。
7.根据权利要求6所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S3中，图像文本角度检测的具体步骤包括：
S351、从图像目标有无、面积占比、亮度、模糊度四个环节合格后的原始图像中截取目标区域；
S352、对截取的目标区域，使用深度学习ocr检测算法，检测目标区域中的文本位置和角度angle：
angle=sum(Angle[n*0.2:n*0.8])/n*0.6
其中，Angle为目标区域中检测到的所有文本倾斜角度进行大小排序后的集合，Angle[n*0.2:n*0.8]为选取中间60%的角度；
S353、对选取的60%的角度求和后计算平均值，得到文本区域的倾斜角度angle。
8.根据权利要求7所述的一种针对票据的图像质量检测以及图像矫正方法，其特征在于，在步骤S5中，角度旋转值为倾斜角度angle值。
CN202310528993.9A 2023-05-11 2023-05-11 一种针对票据的图像质量检测以及图像矫正方法 Active CN116245883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310528993.9A CN116245883B (zh) 2023-05-11 2023-05-11 一种针对票据的图像质量检测以及图像矫正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310528993.9A CN116245883B (zh) 2023-05-11 2023-05-11 一种针对票据的图像质量检测以及图像矫正方法

Publications (2)

Publication Number Publication Date
CN116245883A true CN116245883A (zh) 2023-06-09
CN116245883B CN116245883B (zh) 2023-07-21

Family

ID=86629928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310528993.9A Active CN116245883B (zh) 2023-05-11 2023-05-11 一种针对票据的图像质量检测以及图像矫正方法

Country Status (1)

Country Link
CN (1) CN116245883B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1936563A1 (en) * 2006-12-19 2008-06-25 Thomson Licensing Method for rotating and scaling an image and corresponding apparatus
CN114648756A (zh) * 2022-05-24 2022-06-21 之江实验室 一种基于指向向量的书本文字识别指读方法和系统
CN115661894A (zh) * 2022-10-13 2023-01-31 福建捷宇电脑科技有限公司 一种人脸图像质量过滤方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1936563A1 (en) * 2006-12-19 2008-06-25 Thomson Licensing Method for rotating and scaling an image and corresponding apparatus
CN114648756A (zh) * 2022-05-24 2022-06-21 之江实验室 一种基于指向向量的书本文字识别指读方法和系统
CN115661894A (zh) * 2022-10-13 2023-01-31 福建捷宇电脑科技有限公司 一种人脸图像质量过滤方法

Also Published As

Publication number Publication date
CN116245883B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN109550712B (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
CN109284738B (zh) 不规则人脸矫正方法和系统
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN109100370A (zh) 一种基于投影法和连通域分析的pcb板缺陷检测方法
CN109977907B (zh) 基于票据识别的费用报销方法及其系统
CN107766801B (zh) 一种基于红外热点追踪的绝缘子识别方法及装置
CN106339657B (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN109413411B (zh) 一种监控线路的黑屏识别方法、装置及服务器
CN110473189A (zh) 一种文本图像清晰度判断方法及系统
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN112967255A (zh) 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法
CN107545251A (zh) 人脸质量判别及图片增强的方法及装置
CN115131346B (zh) 基于人工智能的发酵罐加工工序检测方法及系统
CN101315664A (zh) 用于文字识别的文本图像预处理方法
CN114820621B (zh) 一种螺栓丢失缺陷检测方法、系统及装置
CN111597904B (zh) 用于隧道电缆支架倾斜的识别方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN116245883B (zh) 一种针对票据的图像质量检测以及图像矫正方法
CN112489018B (zh) 一种电力线智能巡线方法及巡线
CN113065400A (zh) 基于无锚框两阶段网络检测发票印章的方法及装置
CN116426383A (zh) 一种用于微重力装置的状态监测系统
CN114511851B (zh) 一种基于显微镜图像的游丝藻类细胞统计方法
CN114519799A (zh) 一种多特征座位状态实时检测方法及系统
CN114630110A (zh) 一种视频图像在线率检测方法

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