CN116311262B - 一种仪器仪表信息的识别方法、系统、设备和存储介质 - Google Patents
一种仪器仪表信息的识别方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN116311262B CN116311262B CN202310579471.1A CN202310579471A CN116311262B CN 116311262 B CN116311262 B CN 116311262B CN 202310579471 A CN202310579471 A CN 202310579471A CN 116311262 B CN116311262 B CN 116311262B
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- pixel point
- target
- image
- blurring
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000006185 dispersion Substances 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production 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
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V30/16—Image preprocessing
- G06V30/164—Noise filtering
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19107—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种仪器仪表信息的识别方法、系统、设备和存储介质。识别方法包括:对获取的仪器仪表的图像进行预处理;筛选出预处理后的仪器仪表的图像中的目标模糊像素点;根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;根据评价结果对处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;对去模糊后的仪器仪表的图像进行信息识别。本发明对图像中各个像素点进行不同程度的去模糊,对去模糊后的图像进行工业仪器仪表的信息识别,使识别结果更为准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种仪器仪表信息的识别方法、系统、设备和存储介质。
背景技术
传统的工业仪器仪表在工业生产过程中对工艺参数进行检测、显示、记录或控制发挥着重要作用,为了提高识别效率、降低识别成本、加快对工厂的现代化改造,可采用机器视觉进行工业仪器仪表的自动识别。但是在工业环境中,环境干扰一般比较严重,所以采集到的工业仪器仪表信息图像经常会出现大量噪声和模糊,而现有对图像进行预处理的方法一般为简单的去噪,对图像模糊的处理往往处理精度不足,图像中仍会存在部分模糊的信息未被处理,在对模糊的工业仪器仪表图像进行信息识别后采集到的信息往往会出现偏差,为仪表信息的使用带来影响,所以需要一种对采集到的工业仪器仪表图像进行增强,消除模糊影响在对信息进行识别的方法。
发明内容
本发明的目的在于提供一种仪器仪表信息的识别方法、识别系统、识别设备和计算机可读存储介质,以缓解了现有技术中存在的技术问题。
第一方面,本发明实施例提供一种仪器仪表信息的识别方法,所述方法包括:对获取的仪器仪表的图像进行预处理;
筛选出预处理后的仪器仪表的图像中的目标模糊像素点;
根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;
根据所述评价结果对所述处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;
对所述去模糊后的仪器仪表的图像进行信息识别。
在可选的实施方式中,所述对获取的仪器仪表的图像进行预处理的步骤包括:
对获取的仪器仪表的图像使用高斯滤波进行去噪,将仪器仪表的图像由RGB图像转化为灰度图像,获得仪表信息灰度图像。
在可选的实施方式中,所述筛选出预处理后的仪器仪表的图像中的目标模糊像素点的步骤包括:
对所述仪表信息灰度图像进行引导滤波,获得基础层图像;
由所述仪表信息灰度图像减去所述基础层图像,获得细节层图像;
将所述细节层图像中灰度值为0的像素点标记为所述目标模糊像素点。
在可选的实施方式中,所述根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果的步骤包括:
对所述各个目标模糊像素点进行分析,获得所述各个目标模糊像素点位于模糊位置显著性的初步评价;
根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得所述任一目标模糊像素点的模糊信息的密度;
根据所述任一目标模糊像素点的模糊信息的密度获得每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度;
根据所述每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度获得所述评价结果。
在可选的实施方式中,所述对所述各个目标模糊像素点进行分析,获得所述各个目标模糊像素点位于模糊位置显著性的初步评价的步骤包括:
在所述仪表信息灰度图像中,将每个所述目标模糊像素点作为种子点按照预设生长准则进行八邻域区域生长,以获得每个所述目标模糊像素点的相关生长区域;
获得每个所述目标模糊像素点的相关生长区域内包含的像素点个数以及所述相关生长区域内包含的像素点对应的梯度方向;
根据所述相关生长区域内包含的像素点个数以及所述相关生长区域内包含的像素点对应的梯度方向获得每个所述目标模糊像素点对应的模糊弥漫度;
根据每个所述目标模糊像素点对应的模糊弥漫度获得每个所述目标模糊像素点对应的模糊弥散显著度;
以所述目标模糊像素点对应的模糊弥散显著度表征所述目标模糊像素点位于模糊位置显著性的初步评价。
在可选的实施方式中,所述根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得所述任一目标模糊像素点的模糊信息的密度的步骤包括:
获取每个所述任一目标模糊像素点与其他目标模糊像素点之间的欧氏距离以及欧式距离的中值;
对各个所述欧氏距离使用聚类算法进行聚类,获得聚类簇;
将无法聚类的欧氏距离中小于等于所述欧式距离的中值的欧式距离进行标记,作为第一标记聚类簇;
获取各个所述聚类簇中欧式距离的均值,获取欧式距离的均值小于所述欧式距离的中值的各个簇,作为第二标记聚类簇;
获得所述第二标记聚类簇包含的欧氏距离的个数;
根据所述欧式距离的中值、所述聚类簇、所述第一标记聚类簇、所述第二标记聚类簇、所述第二标记聚类簇包含的欧氏距离的个数获得所述任一目标模糊像素点的模糊信息的密度;
根据所述任一目标模糊像素点的模糊信息的密度获得所述目标模糊像素点对应的宏观模糊密集度。
在可选的实施方式中,所述根据所述每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度获得所述评价结果的步骤包括:
应用所述宏观模糊密集度对所述模糊弥散显著度进行修正,得到目标模糊像素点对应的模糊度;
以每个所述目标模糊像素点对应的模糊度作为所述目标模糊像素点对应的像素值,非目标模糊像素点对应的像素值为0,建立模糊度图像;
根据所述模糊度图像中各个像素点出现模糊的可能性以及模糊的显著程度作为所述评价结果。
第二方面,本发明实施例还提供了一种仪器仪表信息的识别系统。所述识别系统包括:获取模块,用于对获取的仪器仪表的图像进行预处理;
筛选模块,用于筛选出预处理后的仪器仪表的图像中的目标模糊像素点;
评价模块,用于根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;
处理模块,用于根据所述评价结果对所述处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;
识别模块,用于对所述去模糊后的仪器仪表的图像进行信息识别。
第三方面,本发明实施例还提供了仪器仪表信息的识别设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请第一方面所提供的任一项所述识别方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行本申请第一方面所提供的任一项所述识别方法的步骤。
本发明对获取的仪器仪表的图像进行预处理,筛选出预处理后的仪器仪表的图像中的目标模糊像素点,基于筛选出的目标像素点,根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得不同模糊维度的评价结果;根据评价结果对处理后的仪器仪表的图像中的各个像素点的不同模糊度的详细信息,对不同像素点进行不同程度的去模糊,对去模糊后的图像进行工业仪器仪表的信息识别,消除模糊影响后再对信息进行识别,使得识别结果更为准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图;
图1为本发明实施例提供的一种仪器仪表信息的识别方法流程示意图;
图2为本发明实施例提供的一种仪器仪表信息的识别系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
如图1所示,本申请实施例提供了一种仪器仪表信息的识别方法,包括以下步骤:
步骤102,对获取的仪器仪表的图像进行预处理;
步骤104,筛选出预处理后的仪器仪表的图像中的目标模糊像素点;
步骤106,根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;
步骤108,根据评价结果对处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;
步骤110,对去模糊后的仪器仪表的图像进行信息识别。
本发明的实施例中,对获取的仪器仪表的图像进行预处理,筛选出预处理后的仪器仪表的图像中的目标模糊像素点,基于筛选出的目标像素点,根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得不同模糊维度的评价结果;根据评价结果对处理后的仪器仪表的图像中的各个像素点的不同模糊度的详细信息,对不同像素点进行不同程度的去模糊,对去模糊后的图像进行工业仪器仪表的信息识别,消除模糊影响后再对信息进行识别,使得识别结果更为准确。
在本申请一个可选的实施例中,对获取的仪器仪表的图像进行预处理的步骤包括:对获取的仪器仪表的图像使用高斯滤波进行去噪,将仪器仪表的图像由RGB图像转化为灰度图像,获得仪表信息灰度图像。
在本实施例中,图形预处理的步骤中,对需要进行识别的工业仪器仪表信息对应的工业仪器仪表处设置CCD相机,使用相机获取工业仪器仪表的图像。将获取的图像记为仪表信息图像,仪表信息图像为RGB图像。对仪表信息图像使用高斯滤波进行去噪,将仪表信息图像转为灰度图像,记为仪表信息灰度图像。由此,将RGB图像转化为灰度图像,便于后续图形去模糊处理操作。
在本申请一个可选的实施例中,筛选出预处理后的仪器仪表的图像中的目标模糊像素点的步骤包括:对仪表信息灰度图像进行引导滤波,获得基础层图像;由仪表信息灰度图像减去基础层图像,获得细节层图像;将细节层图像中灰度值为0的像素点标记为目标模糊像素点。
在本实施例中,引导滤波有对图像进行平滑的作用,可以保留图像中的低频信息,对仪表信息灰度图像使用引导滤波获得基础层图像。图像中的仪表信息与仪表盘交界的位置为边缘位置,边缘位置一般为高频信息,当图像出现模糊时,边缘位置会明显变得不清晰,即由原先的高频信息转为低频信息,所以基础层图像包含了仪表信息灰度图像中的绝大部分的低频信息。由仪表信息灰度图像减去基础层图像得到细节层图像,细节层图像中包含的信息即为仪表信息灰度图像中的高频信息。选取细节层图像中灰度值为0的各像素点,这些像素点即为图像中出现模糊可能性较大的像素点,将这些像素点标记为目标像素点,后续对这些像素点进行分析,得到每个像素点为出现模糊的位置的置信度,为最终图像去模糊提供关键基础。
在本申请一个可选的实施例中,根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果的步骤包括:对各个目标模糊像素点进行分析,获得各个目标模糊像素点位于模糊位置显著性的初步评价;根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得任一目标模糊像素点的模糊信息的密度;根据任一目标模糊像素点的模糊信息的密度获得每个目标模糊像素点出现模糊位置的可能性以及模糊程度;根据每个目标模糊像素点出现模糊位置的可能性以及模糊程度获得评价结果。
在本实施例中,从图像中筛选出可能出现模糊信息的各个像素点,对这些像素点为出现模糊位置的可能性以及模糊的程度进行初步评价,仅对这些像素点进行分析可避免无模糊信息的各像素点在去模糊过程中被处理而使图像中细节信息改变,使工业仪表信息的识别更为准确。在评价的过程中,根据模糊程度越大,出现模糊的位置处的均一性越高、纹理特征越为模糊的特征对各筛选出的像素点进行分析,得到可能位于模糊位置的各像素点位于模糊位置显著性的初步评价,结合图像中出现模糊的各个区域成片分布、范围较大的特征,利用每个筛选出的像素点相对于图中所有其他被筛选出的像素点的相对位置关系得到像素点对应的模糊信息的密度,进而获得每个像素点出现模糊位置的可能性以及模糊的程度,即获得评价结果,以便后续根据不同像素点的模糊度进行去模糊,为最终高精度识别的关键步骤。
在本申请一个可选的实施例中,对各个目标模糊像素点进行分析,获得各个目标模糊像素点位于模糊位置显著性的初步评价的步骤包括:在仪表信息灰度图像中,将每个目标模糊像素点作为种子点按照预设生长准则进行八邻域区域生长,以获得每个目标模糊像素点的相关生长区域;获得每个目标模糊像素点的相关生长区域内包含的像素点个数以及相关生长区域内包含的像素点对应的梯度方向;根据相关生长区域内包含的像素点个数以及相关生长区域内包含的像素点对应的梯度方向获得每个目标模糊像素点对应的模糊弥漫度;根据每个目标模糊像素点对应的模糊弥漫度获得每个目标模糊像素点对应的模糊弥散显著度;以目标模糊像素点对应的模糊弥散显著度表征目标模糊像素点位于模糊位置显著性的初步评价。
在本实施例中,当图像中的某些位置出现模糊时,一般为一个区域内部整体纹理细节信息丢失,同一纹理的均一方向性变得不明显,各像素点对应的灰度值一致性增大,出现模糊的相邻像素点之间具有高度的一致性的特征。在仪表信息灰度图像中,根据像素点位置找到各目标像素点,将每个目标像素点作为种子点进行八邻域区域生长,生长准则为八邻域内的像素点灰度值差值的绝对值不超过阈值,停止条件为不存在满足阈值的相邻生长像素点为止,阈值的大小根据经验确定,大小不做限定。将每个目标像素点经区域生长之后获得的区域记为该目标像素点的相关区域,获取每个目标像素点的相关区域内包含的像素点个数,同时,获取相关区域内各像素点对应的梯度方向。当该目标像素点处于模糊的区域时,则该目标像素点对应的相关区域内包含的像素点数量越多,当模糊程度越大时,相关区域内原物体同一方向的纹理特征逐渐减弱,这些像素点对应的梯度方向的一致性特征也逐渐减弱,而变得越来越杂乱无序。当每个目标像素点对应的相关区域越大、相关区域内纹理越为模糊、纹理的方向一致性越差时,该目标像素点对应的模糊弥散显著度越大,即该像素点越可能处于图像中出现模糊的位置。当每个目标像素点与其相关区域内各目标像素点之间的模糊弥散度越为接近、该目标像素点对应的模糊弥散度越大时,则该目标像素点对应的模糊弥散显著度越大,即该像素点越可能处于图像中出现模糊的位置。如此,根据模糊程度越大,出现模糊的位置处的均一性越高、纹理特征越为模糊的特征对各目标像素点进行分析后,可以得到可能位于模糊位置的各像素点位于模糊位置显著性的初步评价。
在本申请一个可选的实施例中,根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得任一目标模糊像素点的模糊信息的密度的步骤包括:获取每个任一目标模糊像素点与其他目标模糊像素点之间的欧氏距离以及欧式距离的中值;对各个欧氏距离使用聚类算法进行聚类,获得聚类簇;将无法聚类的欧氏距离中小于等于欧式距离的中值的欧式距离进行标记,作为第一标记聚类簇;获取各个聚类簇中欧式距离的均值,获取欧式距离的均值小于欧式距离的中值的各个簇,作为第二标记聚类簇;获得第二标记聚类簇包含的欧氏距离的个数;根据欧式距离的中值、聚类簇、第一标记聚类簇、第二标记聚类簇、第二标记聚类簇包含的欧氏距离的个数获得任一目标模糊像素点的模糊信息的密度;根据任一目标模糊像素点的模糊信息的密度获得目标模糊像素点对应的宏观模糊密集度。
在本实施例中,获取每个目标像素点与其他各目标像素点之间的欧氏距离,取这
些欧氏距离的中值。对这些欧氏距离使用DBSCAN算法进行聚类,得到个簇。当存在某些
欧氏距离无法被聚类到某个簇内时,当这些无法被聚类到某个簇内的欧氏距离小于等于这
些欧氏距离的中值时,则将这些欧氏距离进行标记为第一标记聚类簇。取各簇内各个欧氏
距离的均值,取欧氏距离的均值小于中值的各个簇,标记为第二标记聚类簇,获取这些簇内
包含的欧氏距离的个数。当该目标像素点所在位置的模糊程度越大时,则与其欧氏距离较
小的其余各目标像素点的数量越多。当该目标像素点距离较近处有更多的目标像素点时,
则该目标像素点对应的宏观模糊密集度较大。对于图像中出现模糊的各个区域,这些区域
成片分布,范围较大,但是同一模糊的范围在图像中可能对应不同的物体位置,所以这些不
同的物体位置会将一个完整的模糊范围划分为多个小块,在初步评价中,每个目标像素点
的相关区域即对应该像素点所处的物体位置的某个较小范围的区域内,所以,本实施例的
方法针对初步评价中对于模糊弥散显著度的分析只针对同一物体位置的较小区域,无法完
全反映出各目标像素点的密度分布情况,继续对各目标像素点所处位置的模糊程度密度继
续进行分析,进一步提高了模糊的精确分析。
在本申请一个可选的实施例中,根据每个目标模糊像素点出现模糊位置的可能性以及模糊程度获得评价结果的步骤包括:应用宏观模糊密集度对模糊弥散显著度进行修正,得到目标模糊像素点对应的模糊度;以每个目标模糊像素点对应的模糊度作为目标模糊像素点对应的像素值,非目标模糊像素点对应的像素值为0,建立模糊度图像;根据模糊度图像中各个像素点出现模糊的可能性以及模糊的显著程度作为评价结果。
在本实施例中,使用宏观模糊密集度对模糊弥散显著度进行修正,得到像素点对应的模糊度。
当目标像素点对应的模糊弥散显著度和宏观模糊密集度越大时,则该目标像素点对应的模糊度越大,为图像中出现模糊的位置的可能性越大、模糊度程度越大。以每个目标像素点对应的模糊度作为该像素点对应的像素值,非目标像素点对应的像素值为0,建立模糊度图像。模糊度图像反映了仪表信息灰度图像中各像素点出现模糊的可能性以及出现模糊的显著程度,将其作为最终的模糊评价结果,使得不同的位置的每个像素点都有精确的度量,进一步提高去模糊的精确度。
本发明又一实施例提供了一种仪器仪表信息的识别方法,包括以下步骤:
步骤一:采集工业仪器仪表的图像并进行预处理:
对需要进行识别的工业仪器仪表信息对应的工业仪器仪表处设置CCD相机,使用相机获取工业仪器仪表的图像,在获取图像时,使用环形光源补光以提升图像的质量。将获取的图像记为仪表信息图像,仪表信息图像为RGB图像,大小为512*512。对仪表信息图像使用高斯滤波进行去噪,将仪表信息图像转为灰度图像,记为仪表信息灰度图像。
步骤二:筛选图像中可能出现模糊的像素点并对这些像素点可能出现模糊的程度进行评价:
引导滤波有对图像进行平滑的作用,可以保留图像中的低频信息,对仪表信息灰度图像使用引导滤波获得基础层图像。图像中的仪表信息与仪表盘交界的位置为边缘位置,边缘位置一般为高频信息,当图像出现模糊时,边缘位置会明显变得不清晰,即由原先的高频信息转为低频信息,所以基础层图像包含了仪表信息灰度图像中的绝大部分的低频信息。由仪表信息灰度图像减去基础层图像得到细节层图像,细节层图像中包含的信息即为仪表信息灰度图像中的高频信息。选取细节层图像中灰度值为0的各像素点,这些像素点即为图像中出现模糊可能性较大的像素点,为方便描述,将这些像素点记为一类像素点,对这些一类像素点进行分析,得到每个像素点为出现模糊的位置的置信度。
当图像中的某些位置出现模糊时,一般为一个区域内部整体纹理细节信息丢失,同一纹理的均一方向性变得不明显,各像素点对应的灰度值一致性增大,出现模糊的相邻像素点之间具有高度的一致性的特征。在仪表信息灰度图像中,根据像素点位置找到各一类像素点,将每个一类像素点作为种子点进行八邻域区域生长,生长准则为八邻域内的像素点灰度值差值的绝对值不超过阈值,停止条件为不存在满足阈值的相邻生长像素点为止,阈值的大小取经验值5。将每个一类像素点经区域生长之后获得的区域记为该一类像素点的相关区域,获取每个一类像素点的相关区域内包含的像素点个数,同时,获取相关区域内各像素点对应的梯度方向。当该一类像素点处于模糊的区域时,则该一类像素点对应的相关区域内包含的像素点数量越多,当模糊程度越大时,相关区域内原物体同一方向的纹理特征逐渐减弱,这些像素点对应的梯度方向的一致性特征也逐渐减弱,而变得越来越杂乱无序。
根据上述分析获得每个一类像素点对应的模糊弥散显著度。
式中为坐标为的一类像素点对应的模糊弥漫度,式中为坐
标为的一类像素点对应的模糊弥散显著度。式中为坐标为的一类像素点
的相关区域内包含的像素点个数;为坐标为的一类像素点的相关区域内第各像
素点对应的梯度方向的概率,其中,;为以2为底的对数;为坐标为的一类像素点的相关区域内包含的各像素点对应的
梯度方向的熵。式中为各一类像素点的相关区域内包含的其他各一类像素点对应的模
糊弥散度,为每个一类像素点与其相关区域内包含的其他各一类像素点之
间的差值绝对值的均值。
当每个一类像素点对应的相关区域越大、相关区域内纹理越为模糊、纹理的方向一致性越差时,该一类像素点对应的模糊弥散显著度越大,即该像素点越可能处于图像中出现模糊的位置。当每个一类像素点与其相关区域内各一类像素点之间的模糊弥散度约为接近、该一类像素点对应的模糊弥散度越大时,则该一类像素点对应的模糊弥散显著度越大,即该像素点越可能处于图像中出现模糊的位置。
在根据模糊程度越大,出现模糊的位置处的均一性越高、纹理特征越为模糊的特征对各一类像素点进行分析后,可以得到可能位于模糊位置的各像素点位于模糊位置显著性的初步评价。对于图像中出现模糊的各个区域,这些区域成片分布,范围较大,但是同一模糊的范围在图像中可能对应不同的物体位置,所以这些不同的物体位置会将一个完整的模糊范围划分为多个小块,在上述分析过程中,每个一类像素点的相关区域即对应该像素点所处的物体位置的某个较小范围的区域内,所以,上述对于模糊弥散显著度的分析只针对同一物体位置的较小区域,无法完全反映出各一类像素点的密度分布情况,需要继续对各一类像素点所处位置的模糊程度密度继续进行分析。
获取每个一类像素点与其他各一类像素点之间的欧氏距离,取这些欧氏距离的中
值。对这些欧氏距离使用DBSCAN算法以4为最小点数目,10为半径进行聚类,得到个簇。
当存在某些欧氏距离无法被聚类到某个簇内时,当这些无法被聚类到某个簇内的欧氏距离
小于等于这些欧氏距离的中值时,则将这些欧氏距离进行标记。取各簇内各个欧氏距离的
均值,取欧氏距离的均值小于中值的各个簇,获取这些簇内包含的欧氏距离的个数。
当该一类像素点所在位置的模糊程度越大时,则与其欧氏距离较小的其余各一类像素点的数量越多。
根据上述分析获得各一类像素点对应的宏观模糊密集度。
式中为坐标为的一类像素点对应的宏观模糊密集度;为欧氏
距离的均值最小的簇内包含的一类像素点的个数占图像中所有一类像素点的个数之比;为欧氏距离的均值小于中值的簇内包含的一类像素点的个数占图像中所有一类像素
点的个数之比;为坐标为的一类像素点与其他各一类像素点之间的欧氏距离的
中值;为欧氏距离的均值最小的簇内包含的各欧式距离的均值;为欧氏距离的均值
小于中值的簇内包含的各欧式距离的均值;为标记欧氏距离的个数。
当该一类像素点距离较近处有更多的一类像素点时,则该一类像素点对应的宏观模糊密集度较大。
使用宏观模糊密集度对模糊弥散显著度进行修正,得到像素点对应的模糊度。
式中为坐标为的一类像素点对应的模糊度;为取值
函数,作用为取括号内的四舍五入值,取四舍五入值的作用为对每个像素点对应的模糊度
进行限定,使后续训练和对图像进行去模糊的过程中更为便捷;为为坐标为
的一类像素点对应的模糊弥散显著度;为坐标为的一类像素点对应的宏观
模糊密集度。
当一类像素点对应的模糊弥散显著度和宏观模糊密集度越大时,则该一类像素点对应的模糊度越大,为图像中出现模糊的位置的可能性越大、模糊度程度越大。
以每个一类像素点对应的模糊度作为该像素点对应的像素值,非一类像素点对应的像素值为0,建立模糊度图像。模糊度图像反映了仪表信息灰度图像中各像素点出现模糊的可能性以及出现模糊的显著程度,不同的位置的每个像素点都有精确的度量。
步骤三:根据评价结果对图像中不同像素点进行不同程度的去模糊,对去模糊后的图像进行信息识别:
将仪表信息灰度图像和模糊度图像送入GAN(Generative adversarial network,生成式对抗网络),生成器的参数更新来自于判别器的反向传播,数据集采用GoPro评估数据集,具体可参考GoPro评估数据集(用于去模糊任务的数据集)的标签设置方式,输出为去模糊后的清晰图像,完成对图像的去模糊,其中,GAN可采用DeblurGANv2神经网络(DeblurGANv2是一种基于GAN方法进行盲运动模糊移除的方法)。去模糊的过程中以模糊度图像作为对仪表信息灰度图像去模糊时的依据,对出现不同程度的模糊的各个像素点进行不同程度的去模糊处理,对不包含模糊信息的像素点保留细节信息,使获得的去模糊图像在保留原始图像的细节的基础上更好地完成去模糊操作。对去模糊后的仪表信息灰度图像使用openCV(一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库)进行指针仪表数值读取,完成对工业仪器仪表信息的识别。
本实施例中,获取工业仪器仪表的图像,从图像中筛选出可能出现模糊信息的各个像素点,对这些像素点为出现模糊位置的可能性以及模糊的程度进行评价,仅对这些像素点进行分析可避免无模糊信息的各像素点在去模糊过程中被处理而使图像中细节信息改变,使工业仪表信息的识别更为准确。在评价的过程中,根据模糊程度越大,出现模糊的位置处的均一性越高、纹理特征越为模糊的特征对各筛选出的像素点进行分析,得到可能位于模糊位置的各像素点位于模糊位置显著性的初步评价,结合图像中出现模糊的各个区域成片分布、范围较大的特征,利用每个筛选出的像素点相对于图中所有其他被筛选出的像素点的相对位置关系得到像素点对应的模糊信息的密度,进而获得每个像素点出现模糊位置的可能性以及模糊的程度,根据该评价获得模糊度图像,为去模糊过程提供每个像素点对应的模糊度的详细信息,对图像中各个像素点进行不同程度的去模糊,对去模糊后的图像进行工业仪器仪表的信息识别,使识别结果更为准确。
图2为本申请实施例提供的一种仪器仪表信息的识别系统20的结构示意图。如图2所示,识别系统20包括:
获取模块202,用于对获取的仪器仪表的图像进行预处理;
筛选模块204,用于筛选出预处理后的仪器仪表的图像中的目标模糊像素点;
评价模块206,用于根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;
处理模块208,用于根据评价结果对处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;
识别模块210,用于对去模糊后的仪器仪表的图像进行信息识别。
本申请实施例提供的仪器仪表信息的识别系统20,获取模块202对获取的仪器仪表的图像进行预处理,筛选模块204筛选出预处理后的仪器仪表的图像中的目标模糊像素点,评价模块206基于筛选出的目标像素点,根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得不同模糊维度的评价结果;处理模块208根据评价结果对处理后的仪器仪表的图像中的各个像素点的不同模糊度的详细信息,对不同像素点进行不同程度的去模糊,识别模块210对去模糊后的图像进行工业仪器仪表的信息识别,消除模糊影响后再对信息进行识别,使得识别结果更为准确。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例提供的仪器仪表信息的识别设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现方法实施例中的识别方法。具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的识别方法,具体实现可参见方法实施例,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种仪器仪表信息的识别方法,其特征在于,所述方法包括:
对获取的仪器仪表的图像进行预处理;
筛选出预处理后的仪器仪表的图像中的目标模糊像素点;
根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;
根据所述评价结果对所述处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;
对所述去模糊后的仪器仪表的图像进行信息识别;
所述根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果的步骤包括:
对所述各个目标模糊像素点进行分析,获得所述各个目标模糊像素点位于模糊位置显著性的初步评价;
根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得所述任一目标模糊像素点的模糊信息的密度;
根据所述任一目标模糊像素点的模糊信息的密度获得每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度;
根据所述每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度获得所述评价结果。
2.根据权利要求1所述的识别方法,其特征在于,所述对获取的仪器仪表的图像进行预处理的步骤包括:
对获取的仪器仪表的图像使用高斯滤波进行去噪,将仪器仪表的图像由RGB图像转化为灰度图像,获得仪表信息灰度图像。
3.根据权利要求2所述的识别方法,其特征在于,所述筛选出预处理后的仪器仪表的图像中的目标模糊像素点的步骤包括:
对所述仪表信息灰度图像进行引导滤波,获得基础层图像;
由所述仪表信息灰度图像减去所述基础层图像,获得细节层图像;
将所述细节层图像中灰度值为0的像素点标记为所述目标模糊像素点。
4.根据权利要求2所述的识别方法,其特征在于,所述对所述各个目标模糊像素点进行分析,获得所述各个目标模糊像素点位于模糊位置显著性的初步评价的步骤包括:
在所述仪表信息灰度图像中,将每个所述目标模糊像素点作为种子点按照预设生长准则进行八邻域区域生长,以获得每个所述目标模糊像素点的相关生长区域;
获得每个所述目标模糊像素点的相关生长区域内包含的像素点个数以及所述相关生长区域内包含的像素点对应的梯度方向;
根据所述相关生长区域内包含的像素点个数以及所述相关生长区域内包含的像素点对应的梯度方向获得每个所述目标模糊像素点对应的模糊弥漫度;
根据每个所述目标模糊像素点对应的模糊弥漫度获得每个所述目标模糊像素点对应的模糊弥散显著度;
以所述目标模糊像素点对应的模糊弥散显著度表征所述目标模糊像素点位于模糊位置显著性的初步评价。
5.根据权利要求4所述的识别方法,其特征在于,所述根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得所述任一目标模糊像素点的模糊信息的密度的步骤包括:
获取每个所述任一目标模糊像素点与其他目标模糊像素点之间的欧氏距离以及欧式距离的中值;
对各个所述欧氏距离使用聚类算法进行聚类,获得聚类簇;
将无法聚类的欧氏距离中小于等于所述欧式距离的中值的欧式距离进行标记,作为第一标记聚类簇;
获取各个所述聚类簇中欧式距离的均值,获取欧式距离的均值小于所述欧式距离的中值的各个簇,作为第二标记聚类簇;
获得所述第二标记聚类簇包含的欧氏距离的个数;
根据所述欧式距离的中值、所述聚类簇、所述第一标记聚类簇、所述第二标记聚类簇、所述第二标记聚类簇包含的欧氏距离的个数获得所述任一目标模糊像素点的模糊信息的密度;
根据所述任一目标模糊像素点的模糊信息的密度获得所述目标模糊像素点对应的宏观模糊密集度。
6.根据权利要求5所述的识别方法,其特征在于,所述根据所述每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度获得所述评价结果的步骤包括:
应用所述宏观模糊密集度对所述模糊弥散显著度进行修正,得到目标模糊像素点对应的模糊度;
以每个所述目标模糊像素点对应的模糊度作为所述目标模糊像素点对应的像素值,非目标模糊像素点对应的像素值为0,建立模糊度图像;
根据所述模糊度图像中各个像素点出现模糊的可能性以及模糊的显著程度作为所述评价结果。
7.一种仪器仪表信息的识别系统 ,其特征在于,所述识别系统包括:
获取模块,用于对获取的仪器仪表的图像进行预处理;
筛选模块,用于筛选出预处理后的仪器仪表的图像中的目标模糊像素点;
评价模块,用于根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果;
处理模块,用于根据所述评价结果对所述处理后的仪器仪表的图像进行去模糊处理,以获得去模糊后的仪器仪表的图像;
识别模块,用于对所述去模糊后的仪器仪表的图像进行信息识别;
所述根据预设模糊维度评价规则,对各个目标模糊像素点进行评价,获得评价结果的步骤包括:
对所述各个目标模糊像素点进行分析,获得所述各个目标模糊像素点位于模糊位置显著性的初步评价;
根据任一目标模糊像素点相对于所有其他目标模糊像素点的相对位置关系,获得所述任一目标模糊像素点的模糊信息的密度;
根据所述任一目标模糊像素点的模糊信息的密度获得每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度;
根据所述每个所述目标模糊像素点出现模糊位置的可能性以及模糊程度获得所述评价结果。
8.一种仪器仪表信息的识别设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的识别方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行如权利要求1至6中任一项所述的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579471.1A CN116311262B (zh) | 2023-05-23 | 2023-05-23 | 一种仪器仪表信息的识别方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310579471.1A CN116311262B (zh) | 2023-05-23 | 2023-05-23 | 一种仪器仪表信息的识别方法、系统、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311262A CN116311262A (zh) | 2023-06-23 |
CN116311262B true CN116311262B (zh) | 2023-08-01 |
Family
ID=86785362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310579471.1A Active CN116311262B (zh) | 2023-05-23 | 2023-05-23 | 一种仪器仪表信息的识别方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311262B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000076467A (ja) * | 1998-09-02 | 2000-03-14 | Nippon Telegr & Teleph Corp <Ntt> | 画像評価方法 |
CN115527166A (zh) * | 2022-09-27 | 2022-12-27 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及电子设备 |
CN116071657A (zh) * | 2023-03-07 | 2023-05-05 | 青岛旭华建设集团有限公司 | 一种建筑施工视频监控大数据的智能预警系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6693669B1 (en) * | 2000-06-16 | 2004-02-17 | Motorola, Inc. | Method for reducing image blurring |
KR101181161B1 (ko) * | 2011-05-19 | 2012-09-17 | 한국과학기술원 | 카메라 자체 움직임에 의한 이미지 블러를 제거하는 장치 및 방법, 그리고 그러한 방법이 컴퓨터상에서 실행하는 프로그램이 수록된 컴퓨터로 판독 가능한 기록매체 |
WO2017100971A1 (zh) * | 2015-12-14 | 2017-06-22 | 北京大学深圳研究生院 | 一种失焦模糊图像的去模糊方法和装置 |
CN113313655B (zh) * | 2021-06-28 | 2022-09-23 | 合肥工业大学 | 一种基于显著性映射和梯度倒频谱技术的盲图像去模糊方法 |
CN114331886A (zh) * | 2021-12-23 | 2022-04-12 | 西安工业大学 | 一种基于深度特征的图像去模糊方法 |
CN115578289A (zh) * | 2022-10-31 | 2023-01-06 | 江南大学 | 一种基于边界邻域梯度差值的散焦图像去模糊方法 |
-
2023
- 2023-05-23 CN CN202310579471.1A patent/CN116311262B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000076467A (ja) * | 1998-09-02 | 2000-03-14 | Nippon Telegr & Teleph Corp <Ntt> | 画像評価方法 |
CN115527166A (zh) * | 2022-09-27 | 2022-12-27 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及电子设备 |
CN116071657A (zh) * | 2023-03-07 | 2023-05-05 | 青岛旭华建设集团有限公司 | 一种建筑施工视频监控大数据的智能预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116311262A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN111339902B (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
CN114764189A (zh) | 用于评估图像处理结果的显微镜系统和方法 | |
Fernández et al. | Fast and robust multiple colorchecker detection using deep convolutional neural networks | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
JP2020155128A (ja) | シンボルを評価するためのシステムおよび方法 | |
CN112926695A (zh) | 基于模板匹配的图像识别方法和系统 | |
CN116311262B (zh) | 一种仪器仪表信息的识别方法、系统、设备和存储介质 | |
CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN113284158B (zh) | 一种基于结构约束聚类的图像边缘提取方法及系统 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN115294035A (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN115008255A (zh) | 一种用于机床的刀具磨损识别方法及装置 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN112052859A (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
CN117315378B (zh) | 一种尘肺病的分级判定方法及相关设备 | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 | |
CN112347899B (zh) | 一种运动目标图像提取方法、装置、设备及存储介质 | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
CN117541767A (zh) | 一种数据处理方法、电子设备及存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method, system, equipment, and storage medium for identifying instrument information Granted publication date: 20230801 Pledgee: Jinan Branch of Qingdao Bank Co.,Ltd. Pledgor: JINAN DALU MECHANISM & ELECTRON CO.,LTD. Registration number: Y2024370000002 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |