CN116824591B - 一种用于轮胎胎侧字符的识别方法 - Google Patents
一种用于轮胎胎侧字符的识别方法 Download PDFInfo
- Publication number
- CN116824591B CN116824591B CN202310423239.9A CN202310423239A CN116824591B CN 116824591 B CN116824591 B CN 116824591B CN 202310423239 A CN202310423239 A CN 202310423239A CN 116824591 B CN116824591 B CN 116824591B
- Authority
- CN
- China
- Prior art keywords
- character
- tire
- image
- word
- characters
- 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 65
- 230000009466 transformation Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000005520 cutting process Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G06V30/16—Image preprocessing
- G06V30/168—Smoothing or thinning of the pattern; Skeletonisation
-
- 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
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
Abstract
本发明提供了一种用于轮胎胎侧字符的识别方法,包括:对新规格轮胎进行图像采集,并对图像进行标注,确定单词与区块归属信息样本;基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,并结合灰度定位方式以及形状匹配方式,生成第一预设策略;基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵;基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果;其中,第二预设策略由文字检测器、预训练模型和自训练模型构成。通过使用双模型整体识别和局部错误重判的方式,极大的提高了识别的运行效率和识别的准确率。
Description
技术领域
本发明涉及自动识别技术领域,特别涉及一种用于轮胎胎侧字符的识别方法。
背景技术
目前,伴随着汽车行业自动化、智能化发展,机器视觉检测作为验证生产与装配正确性的可靠技术,成为了汽车生产线自动检测系统的首选。轮胎作为汽车的重要组成部件,与汽车运行性能和安全性能息息相关。汽车轮胎侧面印有轮胎规格、轮胎类型代号、厂商信息、生产编号、负荷指数等信息,在汽车出厂前需要对装配好的轮胎字符进行识别,防止错装或4轮不一致。
传统检测方法采用人工目检,耗时长,且人工无法长时间连续高准确性的工作,难以保证高可靠性的质量控制,机器视觉技术可以简化传统人工检测流程,能有效地提高轮胎表面字符识别的效率与准确率,防止由于人工检测轮胎出现的人为差错,节省人力和物力。
发明内容
发明提供一种用于轮胎胎侧字符的识别方法,用以为保证字符识别的方法能够适应各样的轮胎且准确率能稳定的达到一个较高的水平,提出了一种字符识别结合传统图像处理算法和深度学习识别的方法,能够在不需要轮胎字符列表的情况下,只需要轮胎的实物,通过对新规格轮胎进行标注建模,使用传统的方法对轮胎进行字符的定位,定位之后使用深度学习来进行识别,由于轮胎的字符变化较多,在定位和识别过程中使用了多种策略来对定位和识别的准确性进行改进,从而实现对轮胎字符的准确识别。
本发明提供一种用于轮胎胎侧字符的识别方法,包括:
步骤1:对新规格轮胎进行图像采集,并对图像进行标注,确定单词与区块归属信息样本;
步骤2:基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,并结合灰度定位方式以及形状匹配方式,生成第一预设策略;
步骤3:基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵;
步骤4:基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果;
其中,第二预设策略由文字检测器、预训练模型和自训练模型构成。
在一种可能实现的方式中,新规格轮胎进行图像采集,并对图像进行标注,包括:
对新规格轮胎进行图像采集,并判断采集图像的数量;
若所述数量不大于N,持续采集所述新规格轮胎的图像,直到所述数量大于N;
基于数量大于N的采集图像生成轮胎一周图,并对所述轮胎一周图设置图片拼接位置,得到拼接起点图;
对所述拼接起点图进行手工标注和半自动识别标注,得到标注图片。
在一种可能实现的方式中,新规格轮胎进行图像采集,确定单词与区块归属信息样本,包括:
基于所述标注图片通过手动框选方式创建单词识别区域;
对所述单词识别区域内的单词通过内置的预训练模型自动进行单词真值设置,得到识别结果;
基于所述单词区域及所述识别结果绘制第一框进行归属,得到所述单词与区块归属关系;
其中,所述识别结果及所述单词与区块归属关系即为所述信息样本。
在一种可能实现的方式中,基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,包括:
确定每个信息样本标注文字区域的映射非线性关系;
基于所述映射非线性关系,获取对应标注文字区域的原始概率图像;
对所述概率图像进行平滑处理,得到平滑后的概率图像;
根据所述原始概率图像与平滑后的概率图像,得到差图像,并按照动态阈值分割方式,对所述差图像进行分割,其中:
;
;
其中,f(x,y)为对应的原始概率图像,g(x,y)为对应平滑后的概率图像,B(x,y)为分割后的差图像,T为对f(x,y)与g(x,y)的差图像进行分割时设定的阈值;
若分割后的差图像大于或等于阈值T,则将所述差图像视为图像前景;
否则,将所述差图像则为图像背景;
对所述前景图像进行形态学操作,去除噪声点造成的影响,得到去噪后的前景图像;
对去噪后的前景图像进行连通域检测,获得连通域的轮廓及轮廓中心,对所述轮廓中心进行选择,将距离小于设定阈值的轮廓中心归为一类,且结合同类轮廓中心对应的连通域,得到文字区域;
基于所述信息样本获取所述概率图的文字区域的过程,训练得到文字检测器。
在一种可能实现的方式中,所述第一预设策略包括:第一定位方式以及第二定位方式,包括:
其中,文字检测器作为第一定位方式;
灰度定位方式与形状匹配方式作为第二定位方式;
且第一定位方式定位时间优于第二定位方式的定位时间。
在一种可能实现的方式中,基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵,包括:
对待检测轮胎进行图像采集,得到待检测轮胎的轮胎图像;
从模型数据库中读取预设网络模型,并基于所述预设网络模型对所述轮胎图像进行标注信息的读取,生成轮胎一周图;
在所述轮胎一周图上查找拼接定位,生成拼接起点图;
在所述拼接起点图上采用第一定位方式进行主定位查找;
若查找成功,则基于所述拼接起点图生成仿射变换矩阵;
否则,采用第二定位方式重新进行增强定位查找;
若查找成功,基于所述拼接起点图生成仿射变换矩阵;
否则,生成单位矩阵,对所述单位矩阵进行单词仿射变换,生成仿射变换矩阵。
在一种可能实现的方式中,基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果,包括:
基于所述仿射变换矩阵对待检测轮胎进行裁切,得到所需识别的单词区域,将所需识别的单词区域进行打包处理,并利用第二预设策略进行识别;
识别正确后,保存识别结果以及识别结果对应的区域信息,输出所述识别结果及对应区域信息。
在一种可能实现的方式中,将所需识别的单词区域进行打包处理,并利用第二预设策略进行识别,包括:
对所需识别的单词区域进行打包后,使用第一模型与第二模型并行的方式进行第一字符识别,得到第一模型识别结果与第二模型识别结果;
将第一模型识别结果和第二模型识别结果分别与所述信息样本进行比较;
若第一模型识别结果与第二模型识别结果都与所述信息样本不同,则判定第一字符识别错误并采用文字检测器重新进行第二字符识别,得到识别结果;
将所述识别结果与信息样本重新进行比较;
若判定第二字符识别错误,则进行相似字符判断;
若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别,直至识别成功。
在一种可能实现的方式中,若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别的过程中,包括:
锁定仍识别错误的相似字符基于所述单词区域的第一位置;
根据所述单词区域的单词分布,构建基于所述单词区域的点标定图;
建立所述第一位置与所述点标定图的位置关系,并根据所述位置关系,判断所述第一位置是否为边缘位置,若是,获取所述相似字符的第一字符轮廓,并与字符数据库进行判断,确定所述第一字符轮廓是否为唯一轮廓,若是,则判定对应第一字符不作为位置扩展的参考;
若所述第一字符轮廓不是唯一轮廓,则从所述字符数据库中获取与所述字符轮廓完全匹配的字符集合,并从所述字符集合中分别获取每个第二字符轮廓基于第一字符轮廓的多余轮廓以及所述多余轮廓的轮廓占用矩形;
从所有轮廓占用矩形中获取最大占用矩形,作为对应第一字符的第一位置扩展单位;
若所述第一位置不是边缘位置,则获取所述第一位置的左侧位置的第三字符以及右侧位置的第四字符,并锁定第一字符、第三字符以及第四字符基于所述点标定图的位置序列以及获取第一字符、第三字符以及第四字符的字符轮廓序列;
根据轮胎的历史符号设计规律,分析所述位置序列与字符轮廓序列的序列偏移函数,其中,/>表示对应的位置序列;/>表示对应的字符轮廓序列;S表示历史符号设计规律;
;其中,sim表示相似函数符号;表示基于历史符号设计规律S所确定对应的字符轮廓序列/>的历史设计轮廓序列;/>表示基于历史符号设计规律S所确定对应的位置序列/>的历史设计位置序列;
基于偏移-位置扩展映射表,获取得到针对相应第一字符的第二位置扩展单位;
从所有第二位置扩展单位中获取向左扩展单位,并得到向左扩展的第一最大单位,同时,从所有第二位置扩展单位中获取向右扩展单位,并得到向右扩展的第二最大单位;
当仍识别错误的相似字符的第一位置只为边缘位置时,则按照所有第一位置扩展单位中的最大扩展单位对拼接起点图进行扩展;
当仍识别错误的相似字符的第一位置不存在边缘位置时,则按照所述第一最大单位以及第二最大单位对拼接起点图进行扩展;
当仍识别错误的相似字符的第一位置既包括边缘位置又包括非边缘位置时,则基于所述最大扩展单位分别对第一最大单位以及第二最大单元进行边缘侧调整,并按照调整后的单位对拼接起点图进行扩展。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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为本发明实施例中一种用于轮胎胎侧字符的识别方法的流程图;
图2为本发明实施例中一种用于轮胎胎侧字符的识别方法的具体流程图;
图3为本发明实施例中实物标注图;
图4为本发明实施例中实物标注框选图;
图5为本发明实施例中文字区域原始图及该图经映射非线性关系后获得的概率图;
图6为本发明实施例中点标定图。
具体实施方式
下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,如图1所示,包括:
步骤1:对新规格轮胎进行图像采集,并对图像进行标注,确定单词与区块归属信息样本;
步骤2:基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,并结合灰度定位方式以及形状匹配方式,生成第一预设策略;
步骤3:基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵;
步骤4:基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果;
其中,第二预设策略由文字检测器、预训练模型和自训练模型构成。
该实施例中,轮胎的规格种类多样,根据不同的使用场合轮胎的花纹和字符数量也不尽相同,因此对于字符识别的适应性和稳定性要求较高,需要保证的字符识别的方法能够适应各样的轮胎且准确率能稳定的达到一个较高的水平,提出了一种字符识别结合传统图像处理算法和深度学习识别的方法,能够在不需要轮胎字符列表的情况下,只需要轮胎的实物,通过对新规格轮胎进行标注建模,使用传统的方法对轮胎进行字符的定位,定位之后使用深度学习来进行识别,由于轮胎的字符变化较多,在定位和识别过程中使用了多种策略来对定位和识别的准确性进行改进,从而实现对轮胎字符的准确识别,具体如图2所示。
该实施例中,图像标注阶段的目的是为字符识别提供对比的标准信息,标准信息包括字符的预定位置和字符的真实内容,标注工具提供了手工标注和半自动识别功能,通过手动绘制旋转矩形来框选字符区域,并通过内置的预训练识别模型,框选后会自动做字符识别得到识别结果,具体如图3所示。
该实施例中,单词与区块归属信息样本是指在标注完成后对标注得到的同一属性单词区域及识别结果进行框选归属,得到单词与区块归属信息样本,具体如图4所示。
该实施例中,第一预设策略包括:第一定位方式以及第二定位方式,其中,文字检测器作为第一定位方式;灰度定位方式与形状匹配方式作为第二定位方式;且第一定位方式定位时间优于第二定位方式的定位时间。
该实施例中,定位查找是指在待检测轮胎图像上找到字符所在区域的过程。
该实施例中,仿射变换是一种二维坐标到二维坐标之间的线性变换;它保持了二维图形的“平直性”和“平行性”;包括平移、旋转、放缩、剪切、反射等基础变换以及这些变换任意次序的组合。对于二维坐标系的一个坐标点(x,y),可以使用一个2x2矩阵来调整x,y的值,而通过调整x,y可以实现二维形状的线性变换(旋转,缩放),所以整个转换过程就是对(x,y)调整的过程,仿射变换矩阵即反映(x,y)调整过程的矩阵。
该实施例中,单个字符裁切是指通过仿射变换矩阵对待检测轮胎图像进行裁切,得到裁切后的单个字符。
该实施例中,第二预设策略是指对所需识别的单词区域进行打包后,使用第一模型与第二模型并行的方式进行第一字符识别,得到第一模型识别结果与第二模型识别结果;将第一模型识别结果和第二模型识别结果分别与所述信息样本进行比较;若第一模型识别结果与第二模型识别结果都与所述信息样本不同,则判定第一字符识别错误并采用文字检测器重新进行第二字符识别,得到识别结果;将所述识别结果与信息样本重新进行比较;若判定第二字符识别错误,则进行相似字符判断;若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别,直至识别成功。
该实施例中,识别结果是指待检测轮胎图像上的所有字符以及字符所对应的区域位置。
该实施例中,基于所述信息样本获取所述概率图的文字区域的过程,进行训练可以得到文字检测器。
上述方案的有益效果是:为保证字符识别的方法能够适应各样的轮胎且准确率能稳定的达到一个较高的水平,提出了一种字符识别结合传统图像处理算法和深度学习识别的方法,能够在不需要轮胎字符列表的情况下,只需要轮胎的实物,通过对新规格轮胎进行标注建模,使用传统的方法对轮胎进行字符的定位,定位之后使用深度学习来进行识别,由于轮胎的字符变化较多,在定位和识别过程中使用了多种策略来对定位和识别的准确性进行改进,从而实现对轮胎字符的准确识别。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,对新规格轮胎进行图像采集,并对图像进行标注,包括:
对新规格轮胎进行图像采集,并判断采集图像的数量;
若所述数量不大于N,持续采集所述新规格轮胎的图像,直到所述数量大于N;
基于数量大于N的采集图像生成轮胎一周图,并对所述轮胎一周图设置图片拼接位置,得到拼接起点图;
对所述拼接起点图进行手工标注和半自动识别标注,得到标注图片。
该实施例中,拼接起点图是指在轮胎一周图上设置拼接位置并将轮胎一周图在拼接处进行展开后所得到的图案。
该实施例中,半自动识别标注是指通过预训练模型对数据集进行检测的半自动图像标注工具,能够帮助个人标注图像。
上述方案的有益效果是:采用了对实物进行标注的方法,在新规格轮胎实物上次采集图像进行标注,通过人工检测标注具体信息,在无法提供轮胎字符列表的情况下仍能够适应新规格轮胎的字符识别。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,确定单词与区块归属信息样本,包括:
基于所述标注图片通过手动框选方式创建单词识别区域;
对所述单词识别区域内的单词通过内置的预训练模型自动进行单词真值设置,得到识别结果;
基于所述单词区域及所述识别结果绘制第一框进行归属,得到所述单词与区块归属关系;
其中,所述识别结果及所述单词与区块归属关系即为所述信息样本。
该实施例中,单词真值设置即单词识别区域内的单词通过预训练模型后得到正确赋值的过程。
该实施例中,轮胎上的字符并不在同一个区域内,所述单词与区块归属关系即对轮胎上不在同一区域的单词进行区块归属。
上述方案的有益效果是:通过将新轮胎上的单词根据所属区域进行归属,为后续待检测轮胎字符区域的识别提供了便捷;对单词真值的设置,为后续待检测轮胎的识别结果形成了对照组。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,包括:
确定每个信息样本标注文字区域的映射非线性关系;
基于所述映射非线性关系,获取对应标注文字区域的原始概率图像;
对所述概率图像进行平滑处理,得到平滑后的概率图像;
根据所述原始概率图像与平滑后的概率图像,得到差图像,并按照动态阈值分割方式,对所述差图像进行分割,其中:
;
;
其中,f(x,y)为对应的原始概率图像,g(x,y)为对应平滑后的概率图像,B(x,y)为分割后的差图像,T为对f(x,y)与g(x,y)的差图像进行分割时设定的阈值;
若分割后的差图像大于或等于阈值T,则将所述差图像视为图像前景;
否则,将所述差图像则为图像背景;
对所述前景图像进行形态学操作,去除噪声点造成的影响,得到去噪后的前景图像;
对去噪后的前景图像进行连通域检测,获得连通域的轮廓及轮廓中心,对所述轮廓中心进行选择,将距离小于设定阈值的轮廓中心归为一类,且结合同类轮廓中心对应的连通域,得到文字区域;
基于所述信息样本获取所述概率图的文字区域的过程,训练得到文字检测器。
该实施例中,变量之间的数学关系,不是直线而是曲线、曲面、或不确定的属性,叫非线性,非线性是自然界复杂性的典型性质之一;与线性相比,非线性更接近客观事物性质本身,是量化研究认识复杂知识的重要方法之一;凡是能用非线性描述的关系,通称非线性关系。映射是指集合与集合之间的一种对应关系。映射非线性关系是指每个信息样本以及它所对应的标注文字区域之间的关系为非线性的。
该实施例中,基于所述映射非线性关系,可以获得文字区域的概率图像,具体如图5所示。
该实施例中,动态阈值分割方式是指在图像分割的过程中,不去人为的设置阈值,而是根据图像中存在的特征对图像进行分割。
该实施例中,形态学操作包括连通、膨胀、腐蚀、开操作、闭操作、顶帽变换、击中与不击中变换、交集、差异、骨架、边界等。
该实施例中,连通域检测是一种常见的图像处理操作,一般说针对二值图像,即将具有相同像素值且相邻的像素找出来并进行标记。
该实施例中,文字检测器是指获取所述信息样本的映射非线性关系,并通过映射非线性关系获得概率图,对所述概率图进行分析后得到文字区域的过程。
上述方案的有益效果是:确定每个信息样本的映射非线性关系,基于此获取文字区域的概率图像,并对概率图像进行分析获取文字区域在概率图上的具体范围,有效去除了轮胎花纹在字符识别过程中形成的干扰,提高了字符定位的准确性以及稳定性。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,所述第一策略包括:第一定位方式以及第二定位方式;
其中,文字检测器作为第一定位方式;
灰度定位方式与形状匹配方式作为第二定位方式;
且第一定位方式定位时间优于第二定位方式的定位时间。
该实施例中,灰度定位方式是指在图像指定区域中搜索跟模板图像相似的目标,使用灰度归一化互相关匹配方法,目标图像和模板图像允之间许存在亮度和对比度变化,可用于定位、计数和判断有无等。
该实施例中,形状匹配方式是指就是根据物体的形状来创建模板,然后通过按一定的度量准则来衡量形状间的相似性,最终在同一幅图像的其他位置或者在其它图像中找到匹配物体,常用于物体识别与定位、完整性检查和部件监视等。
上述方案的有益效果是:传统定位方式与深度学习方式组合的方法有效结合了三种定位方式的优点;其中,传统方式中的灰度定位方式鲁棒性高,形状匹配方式的准确率高,深度学习方式的文字检测器则有效排除了轮胎花纹在字符定位过程中产生的影响;三种定位方式结合使用极大的提高了定位方式的稳定性。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵,包括:
对待检测轮胎进行图像采集,得到待检测轮胎的轮胎图像;
从模型数据库中读取预设网络模型,并基于所述预设网络模型对所述轮胎图像进行标注信息的读取,生成轮胎一周图;
在所述轮胎一周图上查找拼接定位,生成拼接起点图;
在所述拼接起点图上采用第一定位方式进行主定位查找;
若查找成功,则基于所述拼接起点图生成仿射变换矩阵;
否则,采用第二定位方式重新进行增强定位查找;
若查找成功,基于所述拼接起点图生成仿射变换矩阵;
否则,生成单位矩阵,对所述单位矩阵进行单词仿射变换,生成仿射变换矩阵。
该实施例中,第一定位方式指的是基于深度学习的文字检测器定位方式,第二定位方式是指基于灰度的定位方式与基于形状的匹配方式相结合的传统定位方式。
该实施例中,单词仿射变换是指对每一个单词进行仿射变换最后生成仿射变换矩阵的过程。
上述方案的有益效果是:采用了主定位和子定位相继承的定位方式,若主定位的定位方式可成功定位,则不需要经过后续的传统定位,若主定位方式的定位结果出现了偏差,则可利用其余定位方式进行重定位,优化了定位时间,提高了定位效率,增加了字符识别区域查找的稳定性。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果,包括:
基于所述仿射变换矩阵对待检测轮胎图像进行裁切,得到所需识别的单词区域,将所需识别的单词区域进行打包处理,并利用第二预设策略进行识别;
识别正确后,保存识别结果以及识别结果对应的区域信息,输出所述识别结果及对应区域信息。
该实施例中,第二预设策略是由自训练模型、预训练模型以及文字检测器组成的识别策略,首先通过自训练模型与预训练模型并行的识别方式对单词区域进行识别,若识别结果判断有误则通过文字检测器再次对同一单词区域进行重新识别,直至识别成功。
该实施例中,根据仿射变换矩阵对待检测轮胎图像进行裁切后可得到所需识别的单词区域,对所述单词区域进行识别即可得到不同单词区域所对应的识别结果。
上述方案的有益效果是:利用仿射变换矩阵对待检测轮胎图像进行裁切获得单词区域后再进行识别节约了识别时间,提高了识别效率和识别的准确率,便于将识别结果与识别区域相对应,提高了轮胎字符识别的准确性。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果,包括:
对所需识别的单词区域进行打包后,使用第一模型与第二模型并行的方式进行第一字符识别,得到第一模型识别结果与第二模型识别结果;
将第一模型识别结果和第二模型识别结果分别与所述信息样本进行比较;
若第一模型识别结果与第二模型识别结果都与所述信息样本不同,则判定第一字符识别错误并采用文字检测器重新进行第二字符识别,得到识别结果;
将所述识别结果与信息样本重新进行比较;
若判定第二字符识别错误,则进行相似字符判断;
若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别,直至识别成功。
该实施例中,第一模型为自训练模型,第二模型为预训练模型,自训练模型和预训练模型同时对单词区域进行第一字符识别,并将两个识别结果与单词真值进行比较,若其中一个识别结果正确,则判定识别成功,若两个识别结果都与所述信息样本不同,则重新利用文字检测器与相似字符判断等多种识别方式重新进行识别。
该实施例中,相似字符判断指的是将识别到的字符与信息样本进行相似性度量,若相似度高于阈值,则判定识别结果正确,否则,判定识别结果错误。
上述方案的有益效果是:使用双模型并行进行整体识别的识别方式极大的提高了识别的运行效率和识别的准确率,再适应性和准确性上相互配合达到更好的识别效果;使用局部错误重判断的方式对整体识别后存在的部分字符错误进行局部重新识别,节省了识别时间且提高了识别的准确性和稳定性。
本发明实施例提供一种用于轮胎胎侧字符的识别方法,若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别的过程中,包括:
锁定仍识别错误的相似字符基于所述单词区域的第一位置;
根据所述单词区域的单词分布,构建基于所述单词区域的点标定图;
建立所述第一位置与所述点标定图的位置关系,并根据所述位置关系,判断所述第一位置是否为边缘位置,若是,获取所述相似字符的第一字符轮廓,并与字符数据库进行判断,确定所述第一字符轮廓是否为唯一轮廓,若是,则判定对应第一字符不作为位置扩展的参考;
若所述第一字符轮廓不是唯一轮廓,则从所述字符数据库中获取与所述字符轮廓完全匹配的字符集合,并从所述字符集合中分别获取每个第二字符轮廓基于第一字符轮廓的多余轮廓以及所述多余轮廓的轮廓占用矩形;
从所有轮廓占用矩形中获取最大占用矩形,作为对应第一字符的第一位置扩展单位;
若所述第一位置不是边缘位置,则获取所述第一位置的左侧位置的第三字符以及右侧位置的第四字符,并锁定第一字符、第三字符以及第四字符基于所述点标定图的位置序列以及获取第一字符、第三字符以及第四字符的字符轮廓序列;
根据轮胎的历史符号设计规律,分析所述位置序列与字符轮廓序列的序列偏移函数,其中,/>表示对应的位置序列;/>表示对应的字符轮廓序列;S表示历史符号设计规律;
;其中,sim表示相似函数符号;表示基于历史符号设计规律S所确定对应的字符轮廓序列/>的历史设计轮廓序列;/>表示基于历史符号设计规律S所确定对应的位置序列/>的历史设计位置序列;
基于偏移-位置扩展映射表,获取得到针对相应第一字符的第二位置扩展单位;
从所有第二位置扩展单位中获取向左扩展单位,并得到向左扩展的第一最大单位,同时,从所有第二位置扩展单位中获取向右扩展单位,并得到向右扩展的第二最大单位;
当仍识别错误的相似字符的第一位置只为边缘位置时,则按照所有第一位置扩展单位中的最大扩展单位对拼接起点图进行扩展;
当仍识别错误的相似字符的第一位置不存在边缘位置时,则按照所述第一最大单位以及第二最大单位对拼接起点图进行扩展;
当仍识别错误的相似字符的第一位置既包括边缘位置又包括非边缘位置时,则基于所述最大扩展单位分别对第一最大单位以及第二最大单元进行边缘侧调整,并按照调整后的单位对拼接起点图进行扩展。
该实施例中,如图6所示,a1为第一位置,点标定图a2指的是每个单词作为一个点,且单词存在一定的分布排列方式,得到的点标定图,且分布排列方式时预先根据单词分布确定出来的,只不过将单词转换为点的方式,方便构建点标定图。
该实施例中,如果a1在a2的最外侧边缘位置,则位置关系为边缘位置关系,否则为非边缘位置关系。
该实施例中,因为是识别错误的相似字符,所以,字符可能是因为缺失或者显示不完整等的情况导致的识别错误,因此,来获取该字符的轮廓,与字符数据库进行对比判断,其中,字符数据库是包含不同的字符轮廓在内的,起到对比匹配的作用,当只存在一个唯一轮廓时,代表该字符可以通过轮廓的方式识别清楚,因此,不需要进行位置扩展。
该实施例中,比如,存在的字符为:y1 y2 y3 y4,其中,第一字符为y2,那么左侧位置的字符为y1,右侧位置的字符为y3,且轮廓序列是针对y1 y2 y3的轮廓形状,位置序列是针对y1 y2 y3的位置坐标。
该实施例中,由于存在很多相似字符,所以,当第一字符轮廓不完整时,从字符数据库中可以匹配得到很多个轮廓一致,但是又比第一字符轮廓存在多于轮廓的字符,所以,根据矩形框选方式,来框选最大占用矩形,作为后续扩展大小的参考。
该实施例中,轮胎上进行何种字符的设计都是存在一定的设计标准的,也就是单独字符的设计、相邻字符的设计以及不同字符的设计位置等,都是可以表示该轮胎的参数含义的,因为根据设计规律,且结合位置序列以及字符轮廓序列,来确定偏移情况。
该实施例中,偏移-位置扩展映射表包含不同的序列偏移函数以及与其所匹配的扩展情况在内的,可以是左侧扩展也可以是右侧扩展,且每个字符的偏移情况都是不一样的,因此,从所有的第二位置扩展单位中来获取向左扩展单位以及向右扩展单位。
比如,存在的偏移情况为:-1,-2,1,1,此时,-1,-2视为向左扩展单位,且对应的第一最大单位为2,1,1视为向右扩展单位,且对应的第二最大单位为1。
当第一位置既包括边缘位置又包括非边缘位置时,如果此时,针对矩形的最大扩展单位为0.5,此时,对第一最大单位的边缘侧调整为2+0.5=2.5,对第二最大单位的边缘侧调整为1+0.5=1.5,进而按照最后的左右两侧的调整单位对单位拼接图进行扩展。
上述技术方案的有益效果是:通过确定仍识别错误的相似字符基于点标定图的位置关系,来从边缘位置以及非边缘位置两方面来综合考虑对应的扩展情况,当为边缘位置时,通过进行轮廓对比分析,来匹配获取最大占用矩形作为扩展单位,当为非边缘位置,从位置序列以及轮廓序列,且基于偏移函数来确定对应的扩展单位,进而实现对拼接起点图的有效扩展,方便后续的定位识别的精准性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种用于轮胎胎侧字符的识别方法,其特征在于,包括:
步骤1:对新规格轮胎进行图像采集,并对图像进行标注,确定单词与区块归属信息样本;
步骤2:基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,并结合灰度定位方式以及形状匹配方式,生成第一预设策略;
步骤3:基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵;
步骤4:基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果;
其中,第二预设策略由文字检测器、预训练模型和自训练模型构成;
其中,所述形状匹配方式是指根据字符的形状创建模板,并通过预设度量准则衡量形状间的相似性,来在同一幅图像的其他位置或者在其他图像中找到匹配字符。
2.根据权利要求1所述的一种用于轮胎胎侧字符的识别方法,其特征在于,步骤1中,对新规格轮胎进行图像采集,并对图像进行标注,包括:
对新规格轮胎进行图像采集,并判断采集图像的数量;
若所述数量不大于N,持续采集所述新规格轮胎的图像,直到所述数量大于N;
基于数量大于N的采集图像生成轮胎一周图,并对所述轮胎一周图设置图片拼接位置,得到拼接起点图;
对所述拼接起点图进行手工标注和半自动识别标注,得到标注图片。
3.根据权利要求1所述的一种用于轮胎胎侧字符的识别方法,其特征在于,步骤1中,确定单词与区块归属信息样本,包括:
基于所述标注图片通过手动框选方式创建单词识别区域;
对所述单词识别区域内的单词通过内置的预训练模型自动进行单词真值设置,得到识别结果;
基于所述单词区域及所述识别结果绘制第一框进行归属,得到所述单词与区块归属关系;
其中,所述识别结果及所述单词与区块归属关系即为所述信息样本。
4.根据权利要求1所述的一种用于轮胎胎侧字符的识别方法,其特征在于,步骤2中,基于所述信息样本对神经网络模型进行训练,获取得到文字检测器,包括:
确定每个信息样本标注文字区域的映射非线性关系;
基于所述映射非线性关系,获取对应标注文字区域的原始概率图像;
对所述概率图像进行平滑处理,得到平滑后的概率图像;
根据所述原始概率图像与平滑后的概率图像,得到差图像,并按照动态阈值分割方式,对所述差图像进行分割,其中:
;
;
其中,f(x,y)为对应的原始概率图像,g(x,y)为对应平滑后的概率图像,B(x,y)为分割后的差图像,T为对f(x,y)与g(x,y)的差图像进行分割时设定的阈值;
若分割后的差图像大于或等于阈值T,则将所述差图像视为图像前景;
否则,将所述差图像则为图像背景;
对所述前景图像进行形态学操作,去除噪声点造成的影响,得到去噪后的前景图像;
对去噪后的前景图像进行连通域检测,获得连通域的轮廓及轮廓中心,对所述轮廓中心进行选择,将距离小于设定阈值的轮廓中心归为一类,且结合同类轮廓中心对应的连通域,得到文字区域;
基于所述信息样本获取所述概率图像的文字区域的过程,训练得到文字检测器。
5.根据权利要求1所述的一种用于轮胎胎侧字符的识别方法,其特征在于,所述第一预设策略包括:第一定位方式以及第二定位方式;
其中,文字检测器作为第一定位方式;
灰度定位方式与形状匹配方式作为第二定位方式;
且第一定位方式定位时间优于第二定位方式的定位时间。
6.根据权利要求1所述的一种用于轮胎胎侧字符的识别方法,其特征在于,步骤3中,基于第一预设策略对待检测轮胎的轮胎图像进行定位查找,生成仿射变换矩阵,包括:
对待检测轮胎进行图像采集,得到待检测轮胎的轮胎图像;
从模型数据库中读取预设网络模型,并基于所述预设网络模型对所述轮胎图像进行标注信息的读取,生成轮胎一周图;
在所述轮胎一周图上查找拼接定位,生成拼接起点图;
在所述拼接起点图上采用第一定位方式进行主定位查找;
若查找成功,则基于所述拼接起点图生成仿射变换矩阵;
否则,采用第二定位方式重新进行增强定位查找;
若查找成功,基于所述拼接起点图生成仿射变换矩阵;
否则,生成单位矩阵,对所述单位矩阵进行单词仿射变换,生成仿射变换矩阵。
7.根据权利要求1所述的一种用于轮胎胎侧字符的识别方法,其特征在于,步骤4中,基于生成的仿射变换矩阵,对所述轮胎图像进行单个字符裁切,采用第二预设策略对所有单个字符识别成功后,输出单词识别结果,包括:
基于所述仿射变换矩阵对待检测轮胎进行裁切,得到所需识别的单词区域,将所需识别的单词区域进行打包处理,并利用第二预设策略进行识别;
识别正确后,保存识别结果以及识别结果对应的区域信息,输出所述识别结果及对应区域信息。
8.根据权利要求7所述的一种用于轮胎胎侧字符的识别方法,其特征在于,将所需识别的单词区域进行打包处理,并利用第二预设策略进行识别,包括:
对所需识别的单词区域进行打包后,使用第一模型与第二模型并行的方式进行第一字符识别,得到第一模型识别结果与第二模型识别结果;
将第一模型识别结果和第二模型识别结果分别与所述信息样本进行比较;
若第一模型识别结果与第二模型识别结果都与所述信息样本不同,则判定第一字符识别错误并采用文字检测器重新进行第二字符识别,得到识别结果;
将所述识别结果与信息样本重新进行比较;
若判定第二字符识别错误,则进行相似字符判断;
若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别,直至识别成功。
9.根据权利要求8所述的一种用于轮胎胎侧字符的识别方法,其特征在于,若相似字符仍识别错误,则拓展拼接起点图的定位尺寸重新进行定位识别的过程中,包括:
锁定仍识别错误的相似字符基于所述单词区域的第一位置;
根据所述单词区域的单词分布,构建基于所述单词区域的点标定图;
建立所述第一位置与所述点标定图的位置关系,并根据所述位置关系,判断所述第一位置是否为边缘位置,若是,获取所述相似字符的第一字符轮廓,并与字符数据库进行判断,确定所述第一字符轮廓是否为唯一轮廓,若是,则判定对应第一字符不作为位置扩展的参考;
若所述第一字符轮廓不是唯一轮廓,则从所述字符数据库中获取与所述字符轮廓完全匹配的字符集合,并从所述字符集合中分别获取每个第二字符轮廓基于第一字符轮廓的多余轮廓以及所述多余轮廓的轮廓占用矩形;
从所有轮廓占用矩形中获取最大占用矩形,作为对应第一字符的第一位置扩展单位;
若所述第一位置不是边缘位置,则获取所述第一位置的左侧位置的第三字符以及右侧位置的第四字符,并锁定第一字符、第三字符以及第四字符基于所述点标定图的位置序列以及获取第一字符、第三字符以及第四字符的字符轮廓序列;
根据轮胎的历史符号设计规律,分析所述位置序列与字符轮廓序列的序列偏移函数,其中,/>表示对应的位置序列;/>表示对应的字符轮廓序列;S表示历史符号设计规律;
;其中,sim表示相似函数符号;表示基于历史符号设计规律S所确定对应的字符轮廓序列/>的历史设计轮廓序列;/>表示基于历史符号设计规律S所确定对应的位置序列/>的历史设计位置序列;
基于偏移-位置扩展映射表,获取得到针对相应第一字符的第二位置扩展单位;
从所有第二位置扩展单位中获取向左扩展单位,并得到向左扩展的第一最大单位,同时,从所有第二位置扩展单位中获取向右扩展单位,并得到向右扩展的第二最大单位;
当仍识别错误的相似字符的第一位置只为边缘位置时,则按照所有第一位置扩展单位中的最大扩展单位对拼接起点图进行扩展;
当仍识别错误的相似字符的第一位置不存在边缘位置时,则按照所述第一最大单位以及第二最大单位对拼接起点图进行扩展;
当仍识别错误的相似字符的第一位置既包括边缘位置又包括非边缘位置时,则基于所述最大扩展单位分别对第一最大单位以及第二最大单元进行边缘侧调整,并按照调整后的单位对拼接起点图进行扩展。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423239.9A CN116824591B (zh) | 2023-04-19 | 2023-04-19 | 一种用于轮胎胎侧字符的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423239.9A CN116824591B (zh) | 2023-04-19 | 2023-04-19 | 一种用于轮胎胎侧字符的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116824591A CN116824591A (zh) | 2023-09-29 |
CN116824591B true CN116824591B (zh) | 2023-12-05 |
Family
ID=88115598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310423239.9A Active CN116824591B (zh) | 2023-04-19 | 2023-04-19 | 一种用于轮胎胎侧字符的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824591B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009077539A2 (fr) * | 2007-12-19 | 2009-06-25 | Societe De Technologie Michelin | Methode de traitement d'une image tri dimensionnelle de la surface d'un pneumatique en vue de son utilisation pour l'inspection de ladite surface |
KR101580630B1 (ko) * | 2015-01-29 | 2016-01-04 | 주식회사 다인 | 타이어 인식 방법 및 장치 |
CN107067006A (zh) * | 2017-04-20 | 2017-08-18 | 金电联行(北京)信息技术有限公司 | 一种服务于数据采集的验证码识别方法及系统 |
US9805697B1 (en) * | 2012-06-01 | 2017-10-31 | Hunter Engineering Company | Method for tire tread depth modeling and image annotation |
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 |
CN113989604A (zh) * | 2021-11-18 | 2022-01-28 | 广东工业大学 | 基于端到端深度学习的轮胎dot信息识别方法 |
KR102367702B1 (ko) * | 2020-12-30 | 2022-02-25 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 규격 자동 인식 시스템 및 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6735337B2 (en) * | 2001-02-02 | 2004-05-11 | Shih-Jong J. Lee | Robust method for automatic reading of skewed, rotated or partially obscured characters |
US9110032B2 (en) * | 2013-03-14 | 2015-08-18 | Integro Technologies Corp. | System and methods for inspecting tire wheel assemblies |
-
2023
- 2023-04-19 CN CN202310423239.9A patent/CN116824591B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009077539A2 (fr) * | 2007-12-19 | 2009-06-25 | Societe De Technologie Michelin | Methode de traitement d'une image tri dimensionnelle de la surface d'un pneumatique en vue de son utilisation pour l'inspection de ladite surface |
US9805697B1 (en) * | 2012-06-01 | 2017-10-31 | Hunter Engineering Company | Method for tire tread depth modeling and image annotation |
KR101580630B1 (ko) * | 2015-01-29 | 2016-01-04 | 주식회사 다인 | 타이어 인식 방법 및 장치 |
CN107067006A (zh) * | 2017-04-20 | 2017-08-18 | 金电联行(北京)信息技术有限公司 | 一种服务于数据采集的验证码识别方法及系统 |
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 |
KR102367702B1 (ko) * | 2020-12-30 | 2022-02-25 | 주식회사 오토피디아 | 심층 인공신경망을 이용한 타이어 규격 자동 인식 시스템 및 방법 |
CN113989604A (zh) * | 2021-11-18 | 2022-01-28 | 广东工业大学 | 基于端到端深度学习的轮胎dot信息识别方法 |
Non-Patent Citations (5)
Title |
---|
Analysis of the Possibilities of Tire-Defect Inspection Based on Unsupervised Learning and Deep Learning;Ivan Kuric 等;《sensors》;1-24 * |
Recognition of characters on curved metal workpiece surfaces based on multi-exposure image fusion and deep neural networks;Zhong Xiang 等;《Neurocomputing》;117-129 * |
基于字符识别的轮胎型号识别系统;何明霞 等;《橡胶工业》(第4期);237-241 * |
基于机器视觉的离合器飞轮多行字符检测与识别;陈甦欣 等;《组合机床与自动化加工技术》(第7期);127-130 * |
轮胎平衡机动力学分析及轮胎标签定位识别方法研究;姜佳敏;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;C035-616 * |
Also Published As
Publication number | Publication date |
---|---|
CN116824591A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dibeklioglu et al. | 3D facial landmarking under expression, pose, and occlusion variations | |
CN106326887B (zh) | 一种光学字符识别结果的校验方法及装置 | |
CN109426814B (zh) | 一种发票图片特定板块的定位、识别方法、系统、设备 | |
CN104751187A (zh) | 抄表图像自动识别方法 | |
CN105913093A (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN105260733A (zh) | 用于处理图像信息的方法和装置 | |
CN105069452A (zh) | 基于局部结构分析的直线移除方法 | |
CN111783757A (zh) | 一种基于ocr技术的复杂场景下身份证识别方法 | |
CN112215216B (zh) | 一种图像识别结果的字符串模糊匹配系统及方法 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN110826551B (zh) | 一种机动车vin码拓印模图像的智能甄别方法 | |
CN113011426A (zh) | 一种识别证件的方法和装置 | |
CN113435219B (zh) | 防伪检测方法、装置、电子设备及存储介质 | |
CN114693917A (zh) | 一种应用于招牌照识别的数据增强方法 | |
CN112434632B (zh) | 一种图形识别方法、智能终端及存储介质 | |
CN116824591B (zh) | 一种用于轮胎胎侧字符的识别方法 | |
CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
CN109191489B (zh) | 一种飞行器着陆标志的检测跟踪方法与系统 | |
CN112200789A (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
Xavier et al. | Automatic detection and recognition of text in traffic sign boards based on word recognizer | |
CN106650719B (zh) | 识别图片文字的方法及装置 | |
Su et al. | Automatic seal imprint verification systems using edge difference | |
CN114677552A (zh) | 用于深度学习的指纹细节数据库标注方法和系统 | |
JP3956625B2 (ja) | 領域切り出しプログラムおよび装置 | |
CN111898402A (zh) | 一种智能排版系统 |
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 |