CN117911668A - 药品信息识别方法及装置 - Google Patents

药品信息识别方法及装置 Download PDF

Info

Publication number
CN117911668A
CN117911668A CN202410297164.9A CN202410297164A CN117911668A CN 117911668 A CN117911668 A CN 117911668A CN 202410297164 A CN202410297164 A CN 202410297164A CN 117911668 A CN117911668 A CN 117911668A
Authority
CN
China
Prior art keywords
medicine bottle
image information
information
character
image
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
Application number
CN202410297164.9A
Other languages
English (en)
Inventor
仝文定
宋良
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.)
Shenzhen Lisheng Visual Intelligence Technology Co ltd
Original Assignee
Shenzhen Lisheng Visual Intelligence Technology 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 Shenzhen Lisheng Visual Intelligence Technology Co ltd filed Critical Shenzhen Lisheng Visual Intelligence Technology Co ltd
Priority to CN202410297164.9A priority Critical patent/CN117911668A/zh
Publication of CN117911668A publication Critical patent/CN117911668A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明公开了一种药品信息识别方法及装置，属于图像处理技术领域。本发明通过获取多角度拍摄的初始药瓶图像信息；对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；对所述目标药瓶图像信息进行字符识别，得到药瓶编码；根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息，通过多角度拍摄得到初始药瓶图像信息，从而对初始药瓶图像信息进行识别，快速检索出该药瓶对应的药品的唯一性编码，提高识别效率和准确率。

Description

药品信息识别方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种药品信息识别方法及装置。
背景技术
目前市面上有一部分的药瓶上没有任何条形码或二维码标签，只有注册证号（国药准字号）、药品名称、规格型号、生产日期、批号、有效期以及药品图案等信息。
正常情况下，可以通过拍照药瓶类药品的注册证号（国药准字号）所在面从而确定该药瓶的唯一性。但是也存在很多注册证号（国药准字号）无法确定商品唯一性的情况，因此导致药瓶中对应的药品识别效率和准确性较低。
发明内容
本发明的主要目的在于提供一种药品信息识别方法及装置，旨在解决现有技术药品信息识别效率和准确率较低的技术问题。
为实现上述目的，本发明提供了一种药品信息识别方法，所述方法包括以下步骤：
获取多角度拍摄的初始药瓶图像信息；
对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；
对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；
对所述目标药瓶图像信息进行字符识别，得到药瓶编码；
根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息。
可选地，所述对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息，包括：
使用尺度不变特征转换策略对所述参考药瓶图像信息进行特征提取，得到局部极值点；
对所述局部极值点进行检测点定位，并确定检测点的主曲率是否符合预设阈值；
在检测点的主曲率符合预设阈值时，得到目标特征点；
对所述目标特征点进行特征匹配，得到配准图像；
对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
可选地，所述对所述配准图像进行图像拼接融合，得到目标药瓶图像信息，包括：
检测所述配准图像之间是否存在旋转角度；
在所述配准图像之间存在旋转角度时，获取所述配准图像的边缘点；
根据所述边缘点得到重叠区域边缘和重叠点；
计算各重叠点到各重叠区域边缘的预设距离，得到距离集合；
根据所述距离集合计算加权系数；
通过所述加权系数对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
可选地，所述对所述目标药瓶图像信息进行字符识别，得到药瓶编码，包括：
对所述目标药瓶图像信息进行字符切分，得到字符图像；
将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列；
将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果；
将所述字符预测结果进行合并，得到药瓶编码。
可选地，所述将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列，包括：
将所述字符图像输入至预设特征提取网络中的卷积层进行卷积，得到卷积特征；
将所述卷积特征输入至所述预设特征提取网络中的激活层进行转化，得到非线性特征；
将所述非线性特征输入至所述预设特征提取网络中的全连接层进行连接，得到特征序列。
可选地，所述将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果，包括：
根据所述特征序列得到序列特征图；
将序列特征图通过深层双向长短期记忆网络进行字符预测，得到概率矩阵；
根据所述概率矩阵得到字符预测概率和待测字符长度；
将所述待测字符长度和所述字符预测概率作为字符预测结果。
可选地，所述将所述字符预测结果进行合并，得到药瓶编码，包括：
根据所述字符预测结果中的待测字符长度和字符预测概率得到标签序列概率；
通过词典转录策略将待测字符记录在预设字典中，并获取在所述预设字典约束下的第一标签序列概率；
通过所述第一标签序列概率生成字符个数和字符特征序列；
通过所述字符个数和所述字符特征序列在预设字典中进行查询，得到对应的药瓶编码。
可选地，所述对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息，包括：
对所述初始药瓶图像信息进行灰度化处理，得到灰度图像；
对所述灰度图像进行边缘检测处理，得到边缘灰度图像；
使用柱面反投影策略对所述边缘灰度图像进行畸变校正处理，得到参考药瓶图像信息。
可选地，所述根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息，包括：
根据所述药瓶编码在预设药瓶信息档案库中查询对应的编码，得到药品注册证号、药瓶规格、产品批号、生产日期以及有效期；
根据所述药品注册证号、药瓶规格、产品批号、生产日期以及有效期得到药品信息。
此外，为实现上述目的，本发明还提出一种药品信息识别装置，所述药品信息识别装置包括：
获取模块，用于获取多角度拍摄的初始药瓶图像信息；
预处理模块，用于对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；
拼接模块，用于对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；
识别模块，用于对所述目标药瓶图像信息进行字符识别，得到药瓶编码；
查询模块，用于根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息。
此外，为实现上述目的，本发明还提出一种药品信息识别设备，所述药品信息识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的药品信息识别程序，所述药品信息识别程序配置为实现如上文所述的药品信息识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有药品信息识别程序，所述药品信息识别程序被处理器执行时实现如上文所述的药品信息识别方法的步骤。
本发明通过获取多角度拍摄的初始药瓶图像信息；对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；对所述目标药瓶图像信息进行字符识别，得到药瓶编码；根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息，通过多角度拍摄得到初始药瓶图像信息，从而对初始药瓶图像信息进行识别，快速检索出该药瓶对应的药品的唯一性编码，提高识别效率和准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的药品信息识别设备的结构示意图；
图2为本发明药品信息识别方法第一实施例的流程示意图；
图3为本发明药品信息识别方法一实施例中采集设备的结构示意图；
图4为本发明药品信息识别方法第二实施例的流程示意图；
图5为本发明药品信息识别方法一实施例中对配准图像进行拼接的示意图；
图6为本发明药品信息识别方法第三实施例的流程示意图；
图7为本发明药品信息识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的药品信息识别设备结构示意图。
如图1所示，该药品信息识别设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对药品信息识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及药品信息识别程序。
在图1所示的药品信息识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明药品信息识别设备中的处理器1001、存储器1005可以设置在药品信息识别设备中，所述药品信息识别设备通过处理器1001调用存储器1005中存储的药品信息识别程序，并执行本发明实施例提供的药品信息识别方法。
本发明实施例提供了一种药品信息识别方法，参照图2，图2为本发明药品信息识别方法第一实施例的流程示意图。
本实施例中，所述药品信息识别方法包括以下步骤：
步骤S10：获取多角度拍摄的初始药瓶图像信息。
需要说明的是，本实施例的执行主体可为药品信息识别设备，还可为其他可实现相同或相似的设备，本实施例对此不作限制，本实施例以药品信息识别设备为例进行说明。
在具体实施中，现有的药品信息识别是通过单个相机对待识别药瓶进行拍摄，但部分药瓶为曲面形状，则需要多次对待识别药瓶进行拍摄才能采集完所有的信息，采集效率较低。
为解决上述问题，本实施例采用三维的多面采集设备对待识别药瓶进行多角度拍摄采集，采集设备可为多个2D相机、3D相机或2D相机结合3D相机，通过提前搭建三维的多面采集设备硬件平台，从而在进行图像采集时，通过多个相机同时对待识别药瓶进行各个角度的图像采集，从而得到多角度拍摄的初始药瓶图像信息。
可选地，还可通过对待识别药瓶进行旋转，从而使用单个相机对待识别药瓶进行多角度采集，完成多幅图像的采集，如图3所示，图3为采集设备的结构示意图，通过设置电机，并将待识别药瓶放置在电机上，并在设置的角度处放置图像传感器，通过控制脉冲频率来控制电机转动的速度和加速度，对待识别药瓶进行速度调整，从而旋转待识别药瓶，保证图像传感器采集到待识别药瓶各个角度的图像信息。
需要说明的是，初始药瓶图像信息为采集到的原始的药瓶图像信息，初始药瓶图像信息可为彩色图像或黑白图像，具体可根据需求选择对应的采集装置进行采集。
步骤S20：对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息。
在具体实施中，初始药瓶图像信息中包括多个原始的药瓶图像，但由于角度或噪音等影响，采集的初始药瓶图像会存在一定的缺陷，因此，可对初始药瓶图像信息进行预处理，从而提高采集的药瓶图像的准确性，得到参考药瓶图像信息。
预处理的过程可包括灰度化处理、边缘检测处理、图像分割处理、畸变校正处理等，还可包括其他形式的图像处理，本实施例对此不作限制。
进一步地，对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息的步骤具体包括：对所述初始药瓶图像信息进行灰度化处理，得到灰度图像；对所述灰度图像进行边缘检测处理，得到边缘灰度图像；使用柱面反投影策略对所述边缘灰度图像进行畸变校正处理，得到参考药瓶图像信息。
需要说明的是，可通过加权平均算法对初始药瓶图像信息进行灰度化处理，从而得到灰度图像，具体处理过程如下式1：
（式1）
上式1中，R(x,y)为点(x,y)处的红色像素值，G(x,y)为点(x,y)处的绿色像素值，B(x,y)为点(x,y)处的蓝色像素值，G(x,y)为点(x,y)处的灰度值，可通过灰度值得到灰度图像。
在具体实施中，边缘蕴含着丰富的图像信息，因此，需要对灰度图像进行边缘检测，可通过边缘检测算子进行计算，从而实现边缘检测，如Roberts、Sobel、Prewitt等边缘检测算子。
在具体实施中，可使用边缘检测算法的灵敏度阈值，从而通过灵敏度阈值将灰度图像中较小的连通区域去除，只保留最外侧边缘检测信息，再通过膨胀操作将待识别药瓶标签最外侧的边缘线连接起来，从而得到边缘灰度图像。
需要说明的是，柱面反投影策略即为柱面反投影算法，可使用柱面反投影算法对边缘灰度图像进行畸变矫正，从而得到参考药瓶图像信息。具体地，可通过建立投影模型，假设圆柱面A'B'为半圆，焦距ON=R，中心点为O，曲面图像上任意一点P'投影到平面图像上的P点(x方向即由P'所对应的弧长投影到平面PN的长度)，OP与ON间的夹角θ．柱面标签投影到切平面x方向映射关系表达式为下式2：
（式2）
上式2中，x'为P'点对应的弧长，在同一视点将边缘灰度图像投影到柱面切平面上，柱面切平面y方向与柱面y方向(即柱面标签母线方向)相同，从而得到柱面反投影表达式如下式2：
（式3）
上式2中，R为焦距，y'为柱面的母线长，根据上式3可计算得到A'投影到平面时的x方向长度．在此OA'的长度可从图像中获得，令OA'等于弧长l，根据式2求出此段弧长所对应的θ值，从而计算出变换后的边界x值，遍历图像所有像素点得到变换后图像的所有x值。变化后的平面图像x方向宽度会明显增加，从而出现像素的缺损，在柱面图像中无法找到对应的像素点，采用最近邻插值对缺损的图像进行插值，从而在x方向畸变字符得到了非线性校正，从而得到参考药瓶图像。
步骤S30：对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息。
可以理解的是，可使用尺度不变特性转换策略对参考药瓶图像进行拼接，从而将参考药瓶图像信息中的多个药瓶图像进行拼接，得到完整的图像。
尺度不变特征转换策略为SIFT（Scale Invariant Feature Transform，尺度不变特征变换匹配算法），具体的流程包括特征点提取、特征点优化、特征点配准、图像融合等过程，从而得到目标药瓶图像信息。
步骤S40：对所述目标药瓶图像信息进行字符识别，得到药瓶编码。
应理解的是，可使用字符识别算法对目标药瓶图像信息中的文字进行字符识别，从而得到药瓶编码。
字符识别算法可为模板匹配算法、支持向量机算法、深度学习算法等，药瓶编码为药品的唯一性编码SKUNO，可根据药瓶编码确定对应的药品信息。
步骤S50：根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息。
在具体实施中，预设药品信息档案库为提前建立的数据库，预设药品信息档案库中存储了各个药品对应的信息，因此，可通过药瓶编码在预设药品信息档案库中进行查询，从而得到与药瓶编码对应的药品信息。
进一步地，根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息的步骤具体包括：根据所述药瓶编码在预设药瓶信息档案库中查询对应的编码，得到药品注册证号、药瓶规格、产品批号、生产日期以及有效期；根据所述药品注册证号、药瓶规格、产品批号、生产日期以及有效期得到药品信息。
需要说明的是，预设药品信息档案库中存储了多个药品对应的信息，如下表1所示，下表1为预设药品信息档案库表，通过统计药瓶编码、药品注册账号、药瓶规格、产品批号、生产日期以及有效期等信息，从而建立药瓶编码与药品注册账号、药瓶规格、产品批号、生产日期以及有效期之间的映射关系。
表 1
因此，可根据药品编码在表1中查询对应的药品注册证号、药瓶规格、产品批号、生产日期以及有效期，并将药品注册证号、药瓶规格、产品批号、生产日期以及有效期作为药品信息。
本实施例通过获取多角度拍摄的初始药瓶图像信息；对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；对所述目标药瓶图像信息进行字符识别，得到药瓶编码；根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息，通过多角度拍摄得到初始药瓶图像信息，从而对初始药瓶图像信息进行识别，快速检索出该药瓶对应的药品的唯一性编码，提高识别效率和准确率。
参考图4，图4为本发明药品信息识别方法第二实施例的流程示意图。
基于上述第一实施例，本实施例药品信息识别方法所述步骤S30，包括：
步骤S301：使用尺度不变特征转换策略对所述参考药瓶图像信息进行特征提取，得到局部极值点。
需要说明的是，可通过SIFT算法对参考药瓶图像信息中的参考药瓶图像进行特征点提取，具体为先构建高斯差分函数尺度空间，对于任一图像I(x,y)，通过与高斯核的卷积得到尺度空间L(x,y,σ)，计算如下式4：
（式4）
上式4中，G(x,y,σ)为变化尺度的高斯核，σ为正态分布的标准差，设k为两个临近尺度空间的权重值，则高斯差分函数(Difference of Gaussina，DoG)可以表示为下式5：
G(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))×I(x,y)=L(x,y,kσ)－L(x,y,σ)（式5）
通过将高斯差分函数空间图像中的每个像素点与周围同层及上下两层共 26 个像素点进行一一比较，从而得到局部极值点。
步骤S302：对所述局部极值点进行检测点定位，并确定检测点的主曲率是否符合预设阈值。
在具体实施中，这些局部极值点构成了检测点，然后可利用拟合函数定位检测点，并获取检测点的主曲率，从而确定检测点的主曲率是否符合预设阈值。
步骤S303：在检测点的主曲率符合预设阈值时，得到目标特征点。
在具体实施中，若检测点的主曲率小于预设阈值，则将对应的检测点剔除，若检测点的主曲率大于等于预设阈值，则将对应的检测点作为符合要求的检测点，即得到目标特征点。
步骤S304：对所述目标特征点进行特征匹配，得到配准图像。
在具体实施中，可对目标特征点进行特征匹配，通过自适应非极大值对目标特征点进行筛选，并通过随机一致性方法消除误匹配，从而得到配准图像。
步骤S305：对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
在具体实施中，可对配准图像进行图像拼接融合，从而得到拼接后的完整药瓶图像，即目标药瓶图像信息。
在具体实施中，可使用渐进渐出加权平滑算法对图像拼接融合，具体过程如下：
检测所述配准图像之间是否存在旋转角度；
在所述配准图像之间存在旋转角度时，获取所述配准图像的边缘点；
根据所述边缘点得到重叠区域边缘和重叠点；
计算各重叠点到各重叠区域边缘的预设距离，得到距离集合；
根据所述距离集合计算加权系数；
通过所述加权系数对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
需要说明的是，如果配准后的图像不能近似在同一水平面上，而是具有一定的旋转角度，则通过渐进渐出加权平滑法仍然达不到完全消除缝隙的效果。为改善融合效果，消除缝隙影响，可通过自适应旋转图像的最小距离加权算法进行图像融合处理，因此，可先检测配准图像之间是否存在旋转角度，若不存在旋转角度，则直接使用渐进渐出加权平滑法进行图像融合，若存在旋转角度，则获取配准图像的边缘点，通过分别记录两个图像经过SIFT配准及仿射变换后的预设数量的边缘点。
在具体实施中，可根据边缘点寻找重叠区域边缘以及重叠点，通过区分各个边缘点并找到重叠区域的边缘点，利用边缘点组成两幅图像的边缘线段，分别定义为重叠区边缘B1和重叠区边缘B2，如图5所示，图5为对配准图像进行拼接的示意图，A、B、C、D、E为融合区域的边缘点，而AE、ED为图像1的重叠区边缘B1，AB、BC、CD为图像2的重叠区边缘B2。
在具体实施中，可计算重叠点到各重叠区域边缘的预设距离，预设距离为最小距离，重叠区域内任意一点定义为重叠点P(x,y)，定义P(x,y)到边缘B1的最小距离为m，到边缘B2的最小距离为n；最小距离计算方法如下：以求m为例，设重叠区域所在的5个边缘点位置分别为A(x1，y1)、B(x2，y2)、C(x3，y3)、D(x4，y4)、E(x5，y5)，则P(x，y)到AB的距离为d1。P(x，y)、A(x1，y1)和B(x2，y2)可组成三角形BAP(逆时针)，其面积SBAP根据向量叉乘以及行列式可得，计算如下式6：
（式6）
利用面积与底反推求高，计算最小距离的过程如下式7：
（式7）
上式7中，d1为P(x，y)到AB的距离，通过上式7可得到P到BC的距离d2，P到CD的距离d3，那么m=min(d1，d2，d3)；同理得到P到AE的距离d4，P到ED的距离d5，则n=min(d4，d5)。根据两幅图像融合产生的重叠区域形状，可以形成四边形、五边形、…、八边形，所以d到每个线段的距离最少计算1次(当第1次计算d=0时，即为最小值)，最多计算4次。由此可以得出dmin=min(d1，d2，…，dn)，其中1≤n≤4。
在具体实施中，可根据两幅图像的重叠点P(x，y)所占比重情况分配权重系数，P取图像1的加权系数为σ1 =n/(m+n)，取图像2的加权系数σ2 =m/(m+n)，为提高计算速度，σ2=1-σ1。通过加权系数对配准图像进行图像拼接融合，从而得到目标药瓶图像信息。
本实施例通过使用尺度不变特征转换策略对所述参考药瓶图像信息进行特征提取，得到局部极值点；对所述局部极值点进行检测点定位，并确定检测点的主曲率是否符合预设阈值；在检测点的主曲率符合预设阈值时，得到目标特征点；对所述目标特征点进行特征匹配，得到配准图像；对所述配准图像进行图像拼接融合，得到目标药瓶图像信息，对图像进行融合和重构，最终得到无缝拼接图像，提高图像融合拼接效果。
参考图6，图6为本发明药品信息识别方法第三实施例的流程示意图。
基于上述第一实施例，本实施例药品信息识别方法所述步骤S40，包括：
步骤S401：对所述目标药瓶图像信息进行字符切分，得到字符图像。
需要说明的是，可对目标药瓶图像信息进行字符切分，从而将目标药瓶图像切分成单个字符图像，字符切分的实现过程为：1、复制一份待识别字符图像，用作对字符笔画连通域的操作标记图像；2、将标记图像中所有笔画连通域的最小外接边框区域用1像素填充，自动完成了字符笔画的交叉与合并；3、查找标记图像内连通域的最小外接边框，记录边框位置；4、在原字符图像内的相应边框位置上切分图像，即可得到单一字符图像。
步骤S402：将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列。
在具体实施中，预设特征提取网络可为文本检测网络，通过文本检测网络对字符图像进行特征提取，从而得到特征序列。
进一步地，将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列的步骤具体包括：
将所述字符图像输入至预设特征提取网络中的卷积层进行卷积，得到卷积特征；将所述卷积特征输入至所述预设特征提取网络中的激活层进行转化，得到非线性特征；将所述非线性特征输入至所述预设特征提取网络中的全连接层进行连接，得到特征序列。
应理解的是，预设特征提取网络由深度卷积神经网络和循环神经网络组成，预设特征提取网络结构主要包括卷积层、池化层以及全连接层，先将字符图像输入至预设特征提取网络中的卷积层进行卷积，其特征会被卷积层提取出来，得到卷积特征。
在具体实施中，可将卷积特征输入至预设特征提取网络中的激活层进行转化，从而得到非线性特征，并将非线性特征输入至预设特征提取网络中的全连接层进行连接，从而得到特征序列。通过卷积层和池化层的堆叠，深度卷积网络可以逐渐扩大感受野，从而能够对输入图像的局部特征进行捕捉；通过参数共享，深度卷积网络可以大大减少模型的参数量，避免过拟合；通过层次化特征提取，深度卷积网络可以提取不同层次的图像特征，使其在图像分类、目标检测、图像分割等任务中表现出色。
步骤S403：将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果。
在具体实施中，可将特征序列通过深层双向长短期记忆网络进行字符预测，从而得到字符预测结果。
进一步地，将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果的步骤包括：
根据所述特征序列得到序列特征图；
将序列特征图通过深层双向长短期记忆网络进行字符预测，得到概率矩阵；
根据所述概率矩阵得到字符预测概率和待测字符长度；
将所述待测字符长度和所述字符预测概率作为字符预测结果。
需要说明的是，通过对特征序列进行提取，得到序列特征图x={x1,x2,x3...xT}，将序列特征图通过深层双向长短期记忆网络进行字符预测，从而经过softmax分类器处理得到输出结果，即概率矩阵y={y1,y2,y3...yT}，y是一个后验概率矩阵，矩阵中列向量每个元素{y1,y2,y3....yn}代表对应的字符预测概率，其中n代表待测字符长度，因此，可通过概率矩阵得到字符预测概率和待测字符长度，从而将待测字符长度和字符预测概率作为字符预测结果。
步骤S404：将所述字符预测结果进行合并，得到药瓶编码。
需要说明的是，可通过将字符预测结果进行合并，从而得到对应的药瓶编码。
可选地，将所述字符预测结果进行合并，得到药瓶编码的步骤包括：
根据所述字符预测结果中的待测字符长度和字符预测概率得到标签序列概率；
通过词典转录策略将待测字符记录在预设字典中，并获取在所述预设字典约束下的第一标签序列概率；
通过所述第一标签序列概率生成字符个数和字符特征序列；
通过所述字符个数和所述字符特征序列在预设字典中进行查询，得到对应的药瓶编码。
应理解的是，由于字符预测结果中包括有待测字符长度和字符预测概率，因此，可根据待测字符长度和字符预测概率得到标签序列概率，标签序列概率计算如下式8：
（式8）
上式8中，表示t时刻序列π中标签π的概率。词典转录策略为词典转录方法，通过词典转录方法将待测字符记录在预设字典中，基于字典的转录方法中，每个预测结果都与字典相关联，可通过字典中的最高条件概率的序列识别标签序列，得到在预设字典约束下的最大标签序列概率，即第一标签序列概率，计算如下式9：
（式9）
上式9中，表示在预设字典的约束下最大的条件概率P(I|y)的值，从而可通过第一标签序列概率生成字符个数以及字符特征序列。
预设字典中包括有字符个数、字符特征序列和药瓶编码之间的对应关系，因此，可通过字符个数和字符特征序列在预设字典中查询，得到对应的药瓶编码。
本实施例通过对所述目标药瓶图像信息进行字符切分，得到字符图像；将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列；将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果；将所述字符预测结果进行合并，得到药瓶编码，可快速准确的识别出对应的字符，提高识别效率。
参照图7，图7为本发明药品信息识别装置第一实施例的结构框图。
如图7所示，本发明实施例提出的药品信息识别装置包括：
获取模块10，用于获取多角度拍摄的初始药瓶图像信息；
预处理模块20，用于对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；
拼接模块30，用于对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；
识别模块40，用于对所述目标药瓶图像信息进行字符识别，得到药瓶编码；
查询模块50，用于根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息。
本实施例通过获取多角度拍摄的初始药瓶图像信息；对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；对所述目标药瓶图像信息进行字符识别，得到药瓶编码；根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息，通过多角度拍摄得到初始药瓶图像信息，从而对初始药瓶图像信息进行识别，快速检索出该药瓶对应的药品的唯一性编码，提高识别效率和准确率。
在一实施例中，所述拼接模块30，还用于使用尺度不变特征转换策略对所述参考药瓶图像信息进行特征提取，得到局部极值点；对所述局部极值点进行检测点定位，并确定检测点的主曲率是否符合预设阈值；在检测点的主曲率符合预设阈值时，得到目标特征点；对所述目标特征点进行特征匹配，得到配准图像；对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
在一实施例中，所述拼接模块30，还用于检测所述配准图像之间是否存在旋转角度；在所述配准图像之间存在旋转角度时，获取所述配准图像的边缘点；根据所述边缘点得到重叠区域边缘和重叠点；计算各重叠点到各重叠区域边缘的预设距离，得到距离集合；根据所述距离集合计算加权系数；通过所述加权系数对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
在一实施例中，所述识别模块40，还用于对所述目标药瓶图像信息进行字符切分，得到字符图像；将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列；将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果；将所述字符预测结果进行合并，得到药瓶编码。
在一实施例中，所述识别模块40，还用于将所述字符图像输入至预设特征提取网络中的卷积层进行卷积，得到卷积特征；将所述卷积特征输入至所述预设特征提取网络中的激活层进行转化，得到非线性特征；将所述非线性特征输入至所述预设特征提取网络中的全连接层进行连接，得到特征序列。
在一实施例中，所述识别模块40，还用于根据所述特征序列得到序列特征图；将序列特征图通过深层双向长短期记忆网络进行字符预测，得到概率矩阵；根据所述概率矩阵得到字符预测概率和待测字符长度；将所述待测字符长度和所述字符预测概率作为字符预测结果。
在一实施例中，所述识别模块40，还用于根据所述字符预测结果中的待测字符长度和字符预测概率得到标签序列概率；通过词典转录策略将待测字符记录在预设字典中，并获取在所述预设字典约束下的第一标签序列概率；通过所述第一标签序列概率生成字符个数和字符特征序列；通过所述字符个数和所述字符特征序列在预设字典中进行查询，得到对应的药瓶编码。
在一实施例中，所述预处理模块20，还用于对所述初始药瓶图像信息进行灰度化处理，得到灰度图像；对所述灰度图像进行边缘检测处理，得到边缘灰度图像；使用柱面反投影策略对所述边缘灰度图像进行畸变校正处理，得到参考药瓶图像信息。
在一实施例中，所述查询模块50，还用于根据所述药瓶编码在预设药瓶信息档案库中查询对应的编码，得到药品注册证号、药瓶规格、产品批号、生产日期以及有效期；根据所述药品注册证号、药瓶规格、产品批号、生产日期以及有效期得到药品信息。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有药品信息识别程序，所述药品信息识别程序被处理器执行时实现如上文所述的药品信息识别方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的药品信息识别方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种药品信息识别方法，其特征在于，所述药品信息识别方法包括：
获取多角度拍摄的初始药瓶图像信息；
对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；
对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；
对所述目标药瓶图像信息进行字符识别，得到药瓶编码；
根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息。
2.如权利要求1所述的药品信息识别方法，其特征在于，所述对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息，包括：
使用尺度不变特征转换策略对所述参考药瓶图像信息进行特征提取，得到局部极值点；
对所述局部极值点进行检测点定位，并确定检测点的主曲率是否符合预设阈值；
在检测点的主曲率符合预设阈值时，得到目标特征点；
对所述目标特征点进行特征匹配，得到配准图像；
对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
3.如权利要求2所述的药品信息识别方法，其特征在于，所述对所述配准图像进行图像拼接融合，得到目标药瓶图像信息，包括：
检测所述配准图像之间是否存在旋转角度；
在所述配准图像之间存在旋转角度时，获取所述配准图像的边缘点；
根据所述边缘点得到重叠区域边缘和重叠点；
计算各重叠点到各重叠区域边缘的预设距离，得到距离集合；
根据所述距离集合计算加权系数；
通过所述加权系数对所述配准图像进行图像拼接融合，得到目标药瓶图像信息。
4.如权利要求1所述的药品信息识别方法，其特征在于，所述对所述目标药瓶图像信息进行字符识别，得到药瓶编码，包括：
对所述目标药瓶图像信息进行字符切分，得到字符图像；
将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列；
将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果；
将所述字符预测结果进行合并，得到药瓶编码。
5.如权利要求4所述的药品信息识别方法，其特征在于，所述将所述字符图像输入至预设特征提取网络进行特征提取，得到特征序列，包括：
将所述字符图像输入至预设特征提取网络中的卷积层进行卷积，得到卷积特征；
将所述卷积特征输入至所述预设特征提取网络中的激活层进行转化，得到非线性特征；
将所述非线性特征输入至所述预设特征提取网络中的全连接层进行连接，得到特征序列。
6.如权利要求4所述的药品信息识别方法，其特征在于，所述将所述特征序列通过深层双向长短期记忆网络进行字符预测，得到字符预测结果，包括：
根据所述特征序列得到序列特征图；
将序列特征图通过深层双向长短期记忆网络进行字符预测，得到概率矩阵；
根据所述概率矩阵得到字符预测概率和待测字符长度；
将所述待测字符长度和所述字符预测概率作为字符预测结果。
7.如权利要求4所述的药品信息识别方法，其特征在于，所述将所述字符预测结果进行合并，得到药瓶编码，包括：
根据所述字符预测结果中的待测字符长度和字符预测概率得到标签序列概率；
通过词典转录策略将待测字符记录在预设字典中，并获取在所述预设字典约束下的第一标签序列概率；
通过所述第一标签序列概率生成字符个数和字符特征序列；
通过所述字符个数和所述字符特征序列在预设字典中进行查询，得到对应的药瓶编码。
8.如权利要求1至7中任一项所述的药品信息识别方法，其特征在于，所述对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息，包括：
对所述初始药瓶图像信息进行灰度化处理，得到灰度图像；
对所述灰度图像进行边缘检测处理，得到边缘灰度图像；
使用柱面反投影策略对所述边缘灰度图像进行畸变校正处理，得到参考药瓶图像信息。
9.如权利要求1至7中任一项所述的药品信息识别方法，其特征在于，所述根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息，包括：
根据所述药瓶编码在预设药瓶信息档案库中查询对应的编码，得到药品注册证号、药瓶规格、产品批号、生产日期以及有效期；
根据所述药品注册证号、药瓶规格、产品批号、生产日期以及有效期得到药品信息。
10.一种药品信息识别装置，其特征在于，所述药品信息识别装置包括：
获取模块，用于获取多角度拍摄的初始药瓶图像信息；
预处理模块，用于对所述初始药瓶图像信息进行预处理，得到参考药瓶图像信息；
拼接模块，用于对所述参考药瓶图像信息使用尺度不变特征转换策略进行图像拼接，得到目标药瓶图像信息；
识别模块，用于对所述目标药瓶图像信息进行字符识别，得到药瓶编码；
查询模块，用于根据所述药瓶编码在预设药品信息档案库中查询，得到药品信息。
CN202410297164.9A 2024-03-15 2024-03-15 药品信息识别方法及装置 Pending CN117911668A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410297164.9A CN117911668A (zh) 2024-03-15 2024-03-15 药品信息识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410297164.9A CN117911668A (zh) 2024-03-15 2024-03-15 药品信息识别方法及装置

Publications (1)

Publication Number Publication Date
CN117911668A true CN117911668A (zh) 2024-04-19

Family

ID=90682197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410297164.9A Pending CN117911668A (zh) 2024-03-15 2024-03-15 药品信息识别方法及装置

Country Status (1)

Country Link
CN (1) CN117911668A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135552A (zh) * 2024-05-06 2024-06-04 深圳市力生视觉智能科技有限公司 识别无标签商品信息方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729826A (zh) * 2017-09-29 2018-02-23 苏州安斯特灵智能科技有限公司 药品包装图像识别方法及其装置
CN107958250A (zh) * 2017-10-16 2018-04-24 燕山大学 一种基于机器视觉的西林瓶药品标签识别方法
CN110852324A (zh) * 2019-08-23 2020-02-28 上海撬动网络科技有限公司 一种基于深度神经网络集装箱箱号检测方法
CN111369495A (zh) * 2020-02-17 2020-07-03 珀乐(北京)信息科技有限公司 一种基于视频的全景图像的变化检测方法
CN113658039A (zh) * 2021-07-07 2021-11-16 常州机电职业技术学院 一种药瓶标签图像的拼接顺序确定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729826A (zh) * 2017-09-29 2018-02-23 苏州安斯特灵智能科技有限公司 药品包装图像识别方法及其装置
CN107958250A (zh) * 2017-10-16 2018-04-24 燕山大学 一种基于机器视觉的西林瓶药品标签识别方法
CN110852324A (zh) * 2019-08-23 2020-02-28 上海撬动网络科技有限公司 一种基于深度神经网络集装箱箱号检测方法
CN111369495A (zh) * 2020-02-17 2020-07-03 珀乐(北京)信息科技有限公司 一种基于视频的全景图像的变化检测方法
CN113658039A (zh) * 2021-07-07 2021-11-16 常州机电职业技术学院 一种药瓶标签图像的拼接顺序确定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚伟 等: "基于SIFT的自适应旋转图像无缝拼接算法", 《南京理工大学学报》, vol. 43, no. 2, 30 April 2019 (2019-04-30), pages 1 - 5 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135552A (zh) * 2024-05-06 2024-06-04 深圳市力生视觉智能科技有限公司 识别无标签商品信息方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112348815B (zh) 图像处理方法、图像处理装置以及非瞬时性存储介质
CN111899334B (zh) 一种基于点线特征的视觉同步定位与地图构建方法及装置
CN111259889A (zh) 图像文本识别方法、装置、计算机设备及计算机存储介质
CN108717709B (zh) 图像处理系统及图像处理方法
CN106249881B (zh) 增强现实视场空间和虚拟三维目标动态配准方法
WO2022121039A1 (zh) 银行卡倾斜矫正检测方法、装置、可读存储介质和终端
CN109961399B (zh) 基于图像距离变换的最佳缝合线搜寻方法
CN109343920B (zh) 一种图像处理方法及其装置、设备和存储介质
CN115457565A (zh) 一种ocr文字识别方法、电子设备及存储介质
CN113903024A (zh) 一种手写票据数值信息识别方法、系统、介质及装置
CN113436080B (zh) 印章图像的处理方法、装置、设备及存储介质
CN113688846B (zh) 物体尺寸识别方法、可读存储介质及物体尺寸识别系统
CN112926564B (zh) 图片分析方法、系统、计算机设备和计算机可读存储介质
CN111191644B (zh) 身份识别方法、系统及装置
JP4993615B2 (ja) 画像認識方法および装置
CN111354038A (zh) 锚定物检测方法及装置、电子设备及存储介质
CN117911668A (zh) 药品信息识别方法及装置
CN112529006B (zh) 全景图片的检测方法、装置、终端及存储介质
CN115131363A (zh) 基于语义信息的定位方法、装置和终端设备
CN112396050B (zh) 图像的处理方法、设备以及存储介质
CN110929782B (zh) 一种基于正射影像图对比的河道异常检测方法
CN111353325A (zh) 关键点检测模型训练方法及装置
CN115205113A (zh) 一种图像拼接方法、装置、设备及存储介质
CN114998743A (zh) 一种视觉地图点的构建方法、装置、设备及介质
CN116052175A (zh) 文字检测方法、电子设备、存储介质及计算机程序产品

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