CN112001383B - 一种基于卷积神经网络技术的水表码智能识别方法 - Google Patents
一种基于卷积神经网络技术的水表码智能识别方法 Download PDFInfo
- Publication number
- CN112001383B CN112001383B CN202010795175.1A CN202010795175A CN112001383B CN 112001383 B CN112001383 B CN 112001383B CN 202010795175 A CN202010795175 A CN 202010795175A CN 112001383 B CN112001383 B CN 112001383B
- Authority
- CN
- China
- Prior art keywords
- water meter
- image
- code
- meter code
- upright
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 17
- 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 9
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000007635 classification algorithm Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 30
- 238000012795 verification Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000003416 augmentation Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- LLQHSBBZNDXTIV-UHFFFAOYSA-N 6-[5-[[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperazin-1-yl]methyl]-4,5-dihydro-1,2-oxazol-3-yl]-3H-1,3-benzoxazol-2-one Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)N1CCN(CC1)CC1CC(=NO1)C1=CC2=C(NC(O2)=O)C=C1 LLQHSBBZNDXTIV-UHFFFAOYSA-N 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011426 transformation method 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
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Measuring Volume Flow (AREA)
- Character Discrimination (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络技术的水表码智能识别方法，包括以下步骤：步骤一、对水表具有水表码的一面进行图像采集；步骤二、以采集到的水表图像中的水表码为标准，通过分类算法识别判断水表图像为正立图像或倒立图像，并对获得水表图像正立与倒立判断的模型参数；步骤三、对水表图像的水表码的掩码图像进行识别，再计算外接矩，根据此外接矩角度进行仿射变换旋转，得到水表码按照水平位置进行标准摆放的水表码图像；步骤四、识别水表码图像，得到水表码中的各数字的坐标以及数值信息。实现智能化水表数值识别，出错率低，识别精准。
Description
技术领域
本发明涉及抄表方法，尤其涉及一种基于卷积神经网络技术的水表码智能识别方法。
背景技术
传统的对水表码进行识别的算法非常容易受到外接复杂环境干扰，如果期望得到比较好的准确率，对水表的表盘图片有非常高的要求和拍摄限制。
相对于经典图像处理算法，基于卷积神经网络的图像处理技术在各领域都获得了非常大的突破和进展，在实际抄表过程中，往往出现天气，环境，灰尘等各类外接因素干扰，对水表码自动识别提出了很大的挑战，人工设计算法特征提取往往存在一定的局限性，通过深度学习技术，使用卷积神经网络以及反向传播算法，结合大量现场无规则图片，可以非常好的提取水表码特征。
发明内容
本发明的目的是提供一种基于卷积神经网络技术的水表码智能识别方法。
实现本发明目的的技术方案是：一种基于卷积神经网络技术的水表码智能识别方法，包括以下步骤：
步骤一、对水表具有水表码的一面进行图像采集；
步骤二、以采集到的水表图像中的水表码为标准，通过分类算法识别判断水表图像为正立图像或倒立图像，并对获得水表图像正立与倒立判断的模型参数；
步骤三、对水表图像的水表码的掩码图像进行识别，再计算外接矩，根据此外接矩角度进行仿射变换旋转，得到水表码按照水平位置进行标准摆放的水表码图像；
步骤四、识别水表码图像，得到水表码中的各数字的坐标以及数值信息。
所述步骤二的具体步骤包括：
S1、根据所述步骤一采集到的水表图像制作正立与倒立的分类数据集。
S2、网络训练使用GoogleNet网络为基础，修改分类数据集最后的分类层为2类，缩减掉部分低层网络数目，在原有数目基础上减半，从第四层开始不再更改，使用反向传播算法训练分类模型，训练过程中结合标签使用随机增广操作，扩充分类数据集。
S3、将集到的水表图像与训练出来的网络进行卷积运算，以最后softmax分类为输出结果。
所述步骤二所述的根据水表图像制作正立与倒立的分类数据集，其中对正立与倒立判断标准为：以水表码下方为水平线，其角度与图像水平线在90度～180度之间时为倒立，其他均为正立。
所述步骤三的具体步骤包括：
S1、对水表图像中的水表码、指针字轮、水表表盘的轮廓采用掩码方式标记，包含它们的区域矩形坐标存储文件，以起始坐标以长宽高形式保存，轮廓坐标存储每个轮廓点的坐标。
S2、使用resnet50做骨架提取特征，训练网络，使用Mask-RCNN算法，识别水表码、指针字轮、水表表盘的轮廓结果。
S3、结合水表特征的标准情况，以及步骤二得到的水表图像正立或倒立的分类结果；
若为正立水表图像，则输图片；
若为倒立水表图像，则计算水表码外接矩，根据水表码与图像水平线角度；通过仿射变换旋转将倒立水表图像旋转至水表码处于标准姿态并输出图片。
所述步骤四的具体步骤包括：
S1、获取正立的水表图像，对每张图片的数字位置进行人工标记制作训练集以及验证集，分别占图片总数90％和10％，并使用深度残差网络(ResNet-18)训练。
S2、训练后的模型选取其中在验证集上表现最好的参数，用于实际检测，并通过步骤三输出的图片获取目标字符坐标以及数值。
所述步骤四的具体步骤还包括：
S3、对所有字符结果根据坐标进行左右排序，再计算每两个字符之间的间隔，考虑到水表码特性，水表码之间距离基本相等或者成比例，通过计算间隔的标准差，根据此标准差值，去掉明显异常字符间隔。
S4、根据S3得到的合理字符坐标数组，如果存在某些坐标非常接近的情况，则代表此处判断有多种结果或者出现连字符，分两种情况处理，如果没有连字符，取其中Faster-RCNN预测概率较大的数字，如果出现连字符，直接取连字符中较大的数字，例如5_6，当前数字即定为6。
采用了上述技术方案，本发明具有以下的有益效果：本发明通过对水表图像数据采集，对水表图像以数字码为标准的正立与倒立判定，识别正立或者倒立水表图像的水表码关键区域，并以外接矩方法取出水表码，再通过仿射变换将水表码旋转到标准位置，识别水表上的指针字轮用于数字码校验，结合字轮与水表码的图像关系，进一步确定水表正立与倒立情况，对水表码旋转方式进一步修正，根据旋转后的水表码，使用基于卷积神经网络的图像识别技术，得到每一个水表码数字位置以及分类结果，结合水表先验知识，使用线性拟合方法校正最后结果，计算得到水表码数值，实现智能化水表数值识别，出错率低，识别精准。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1为本发明的流程框图；
图2为本发明的水表码旋转到标准位置的示意图；
图3为本发明的连字符的水表码的示意图；
具体实施方式
实施例一
见图1，本实施例的基于卷积神经网络技术的水表码智能识别方法，包括以下步骤：
步骤一、对水表具有水表码的一面进行图像采集；通过手机以及抄表杆拍摄任意角度的水表，其中包含户外水表以及室内水表，含各种天气，灰尘，污泥等环境要素的水表。
步骤二、以采集到的水表图像中的水表码为标准，通过分类算法识别判断水表图像为正立图像或倒立图像，并对获得水表图像正立与倒立判断的模型参数；
步骤三、对水表图像的水表码的掩码图像进行识别，再计算外接矩，根据此外接矩角度进行仿射变换旋转，得到水表码按照水平位置进行标准摆放的水表码图像；
步骤四、识别水表码图像，得到水表码中的各数字的坐标以及数值信息。
所述步骤二的具体步骤包括：
S1、根据所述步骤一采集到的水表图像制作正立与倒立的分类数据集。根据水表码标准位置，定义图片正立或者倒立的标签，最后按照80％训练集，20％验证集比例分配图片。
S2、网络训练使用GoogleNet网络为基础，修改分类数据集最后的分类层为2类，缩减掉部分低层网络数目，在原有数目基础上减半，从第四层开始不再更改，使用反向传播算法训练分类模型，训练过程中结合标签使用随机增广操作，扩充分类数据集。
S3、将集到的水表图像与训练出来的网络进行卷积运算，以最后softmax分类为输出结果。并选出验证集中表现最优的模型，获得水表图像正立与倒立判断模型参数。
所述步骤二所述的根据水表图像制作正立与倒立的分类数据集，其中对正立与倒立判断标准为：以水表码下方为水平线，其角度与图像水平线在90度～180度之间时为倒立，其他均为正立。
所述步骤三的具体步骤包括：
S1、对水表图像中的水表码、指针字轮、水表表盘的轮廓采用掩码方式标记，包含它们的区域矩形坐标存储文件，以起始坐标以长宽高形式保存，轮廓坐标存储每个轮廓点的坐标，并将坐标的值用json格式保存文件。选取90％的标记数据为训练集，10％数据为验证集。
S2、使用resnet50做骨架提取特征，训练网络，使用Mask-RCNN框架训练网络，识别水表码、指针字轮、水表表盘的轮廓结果。验证集中留下表现最优的模型参数。
S3、结合水表特征的标准情况，以及步骤二得到的水表图像正立或倒立的分类结果；
若为正立水表图像，则输图片；
若为倒立水表图像，则计算水表码外接矩，根据水表码与图像水平线角度；通过仿射变换旋转将倒立水表图像旋转至水表码处于标准姿态并输出图片。
所述步骤四的具体步骤包括：
S1、获取正立的水表图像，对每张图片的数字位置进行人工标记制作训练集以及验证集，分别占图片总数90％和10％，并使用深度残差网络(ResNet-18)训练。要注意在此处除了标记常规0～9数字之外，还对连字符进行了标记，标记内容包含0_1,1_2,2_3,3_4,4_5,5_6,6_7,7_8,8_9,9_0等，制作数据集，选取90％的数据为训练集，10％数据为验证集。
S2、训练后的模型选取其中在验证集上表现最好的参数，用于实际检测，并通过步骤三输出的图片获取目标字符坐标以及数值。
所述步骤四的具体步骤还包括：
S3、对所有字符结果根据坐标进行左右排序，再计算每两个字符之间的间隔，考虑到水表码特性，水表码之间距离基本相等或者成比例，通过计算间隔的标准差，根据此标准差值，去掉明显异常字符间隔。
S4、根据S3得到的合理字符坐标数组，如果存在某些坐标非常接近的情况，则代表此处判断有多种结果或者出现连字符，分两种情况处理，如果没有连字符，取其中Faster-RCNN预测概率较大的数字，如果出现连字符，直接取连字符中较大的数字，例如5_6，当前数字即定为6。
本实施例的基于卷积神经网络技术的水表码智能识别方法，在具体实施时：
步骤1：通过手机以及抄表杆拍摄任意角度的水表，其中包含户外水表以及室内水表，含各种天气，灰尘，污泥等多样性充足的水表码可见水表图片。根据水表码标准位置，定义图片正立或者倒立的标签，最后按照80％训练集，20％验证集比例分配图片。
步骤2：网络训练使用GoogleNet网络为基础，修改最后的分类层为2类，缩减掉部分低层网络数目，在原有数目基础上减半，从第四层开始不再更改，使用反向传播算法训练分类模型。训练过程中结合标签使用随机增广操作，扩充数据集。
步骤3：选出验证集中表现最优的模型，获得图片正立与倒立判断模型参数。
步骤4：标记步骤1中的图片数据，使用掩码方式标记，包含水表码，指针字轮，表盘的轮廓数据，包含它们的区域矩形坐标存储文件，以起始坐标，长宽高形式保存，轮廓坐标存储每个轮廓点的坐标，将它们的值用json格式保存文件。选取90％的数据为训练集，10％数据为验证集。
步骤5：使用resnet50做骨架提取特征，使用Mask-RCNN框架训练网络，保存在验证集中表现最优的模型。
步骤6：使用步骤5中的模型参数，输入所有数据集图片，获取水表码轮廓坐标，计算外接矩，使用仿射变换方法旋转到标准位置，如图2。
步骤7：标记标准位置的水表码，包含水表码矩形坐标以及标签数值，对每张图片的数字位置进行人工标记制作训练集以及验证集，分别占图片总数90％与10％，要注意在此处除了标记常规0～9数字之外，还对连字符进行了标记，标记内容包含0_1,1_2,2_3,3_4,4_5,5_6,6_7,7_8,8_9,9_0等，如图3，制作数据集，选取90％的数据为训练集，10％数据为验证集。
步骤8：使用深度残差网络(ResNet-18)基于Faster-RCNN架构训练。训练后的模型选取其中在验证集上表现最好的参数，用于实际检测。
步骤9：保存步骤3，步骤5，步骤8训练后的三个模型参数，输入抄表杆或者手机拍摄的任意角度水表图片，经过步骤3模型可以判断水表图片正立或者倒立类别，输入的图片通过步骤5的模型，获取水表码，指针字轮，表盘轮廓坐标以及外接矩。
步骤10：如果存在指针字轮，通过指针字轮位于水表码下方的先验知识判断水表正立以及倒立情况，如果与步骤3的模型分类结果一致，正立倒立结果可以确认，并设置第一级置信度为99％，如果不一致，指针字轮结果置信度大于步骤3模型分类置信度，取根据指针字轮位置判断的结果，设置第一级置信度为指针字轮置信度，否则取步骤3模型分类置信度。根据正立与倒立的结果，旋转水表码到标准位置。
步骤11：步骤10获得的水表码图片使用步骤8得到的模型进行预测获取目标字符坐标以及数值。
步骤12：对步骤11结果根据坐标进行左右排序，再计算每两个字符之间的间隔，考虑到水表数字码特性，数字码之间距离基本相等或者成比例，通过计算间隔的标准差，根据此标准差值，去掉明显异常字符间隔，一般异常字符间隔可能是由于干扰的存在产生的误判。
步骤13：根据步骤12得到的合理字符坐标数组，如果存在某些坐标非常接近的情况，则代表此处判断有多种结果或者出现连字符，分两种情况处理，如果没有连字符，取其中Faster-RCNN预测概率较大的数字，如果出现连字符，直接取连字符中较大的数字，例如5_6，当前数字即定为6。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于卷积神经网络技术的水表码智能识别方法，其特征在于，包括以下步骤：
步骤一、对水表具有水表码的一面进行图像采集；
步骤二、以采集到的水表图像中的水表码为标准，通过分类算法识别判断水表图像为正立图像或倒立图像，将集到的水表图像与训练出来的网络进行卷积运算，以最后softmax分类为输出结果，并选出验证集中表现最优的模型，获得水表图像正立与倒立判断的模型参数；
步骤三、对水表图像的水表码的掩码图像进行识别，再计算外接矩，根据此外接矩角度进行仿射变换旋转，得到水表码按照水平位置进行标准摆放的水表码图像；
步骤四、识别水表码图像，得到水表码中的各数字的坐标以及数值信息。
2.根据权利要求1所述的基于卷积神经网络技术的水表码智能识别方法，其特征在于：所述步骤二的具体步骤包括：
S1、根据所述步骤一
采集到的水表图像制作正立与倒立的分类数据集；
S2、网络训练使用GoogleNet网络为基础，修改分类数据集最后的分类层为2类，缩减掉部分低层网络数目，在原有数目基础上减半，从第四层开始不再更改，使用反向传播算法训练分类模型，训练过程中结合标签使用随机增广操作，扩充分类数据集；
S3、将集到的水表图像与训练出来的网络进行卷积运算，以最后softmax分类为输出结果。
3.根据权利要求2所述的基于卷积神经网络技术的水表码智能识别方法，其特征在于：所述步骤二根据水表图像制作正立与倒立的分类数据集，其中对正立与倒立判断标准为：以水表码下方为水平线，其角度与图像水平线在90度~180度之间时为倒立，其他均为正立。
4.根据权利要求2所述的基于卷积神经网络技术的水表码智能识别方法，其特征在于：所述步骤三的具体步骤包括：
S1、对水表图像中的水表码、指针字轮、水表表盘的轮廓采用掩码方式标记，包含它们的区域矩形坐标存储文件，以起始坐标以长宽高形式保存，轮廓坐标存储每个轮廓点的坐标；
S2、使用resnet50做骨架提取特征，训练网络，使用Mask-RCNN算法，识别水表码、指针字轮、水表表盘的轮廓结果；
S3、结合水表特征的标准情况，以及步骤二得到的水表图像正立或倒立的分类结果；
若为正立水表图像，则输图片；
若为倒立水表图像，则计算水表码外接矩，根据水表码与图像水平线角度；通过仿射变换旋转将倒立水表图像旋转至水表码处于标准姿态并输出图片。
5.根据权利要求4所述的基于卷积神经网络技术的水表码智能识别方法，其特征在于：所述步骤四的具体步骤包括：
S1、获取正立的水表图像，对每张图片的数字位置进行人工标记制作训练集以及验证集，分别占图片总数90%和10%，并使用深度残差网络(ResNet-18)训练；
S2、训练后的模型选取其中在验证集上表现最好的参数，用于实际检测，并通过步骤三输出的图片获取目标字符坐标以及数值。
6.根据权利要求5所述的基于卷积神经网络技术的水表码智能识别方法，其特征在于：所述步骤四的具体步骤还包括：
S3、对所有字符结果根据坐标进行左右排序，再计算每两个字符之间的间隔，考虑到水表码特性，水表码之间距离基本相等或者成比例，通过计算间隔的标准差，根据此标准差值，去掉明显异常字符间隔；
S4、根据S3得到的合理字符坐标数组，如果存在某些坐标非常接近的情况，则代表此处判断有多种结果或者出现连字符，分两种情况处理，如果没有连字符，取其中Faster-RCNN预测概率大的数字，如果出现连字符，直接取连字符中大的数字。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010795175.1A CN112001383B (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络技术的水表码智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010795175.1A CN112001383B (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络技术的水表码智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001383A CN112001383A (zh) | 2020-11-27 |
| CN112001383B true CN112001383B (zh) | 2024-09-10 |
Family
ID=73462943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010795175.1A Active CN112001383B (zh) | 2020-08-10 | 2020-08-10 | 一种基于卷积神经网络技术的水表码智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001383B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200160A (zh) * | 2020-12-02 | 2021-01-08 | 成都信息工程大学 | 基于深度学习的直读水表读数识别方法 |
| CN114648771A (zh) * | 2020-12-15 | 2022-06-21 | 中兴通讯股份有限公司 | 文字识别方法、电子设备和计算机可读存储介质 |
| CN112818983B (zh) * | 2021-01-22 | 2024-08-02 | 常州友志自动化科技有限公司 | 一种利用图片相识度判断字符倒置的方法 |
| CN113743405A (zh) * | 2021-09-07 | 2021-12-03 | 南方电网数字电网研究院有限公司 | 电能表的智能抄表方法及装置 |
| CN113516110B (zh) * | 2021-09-13 | 2021-12-21 | 成都千嘉科技有限公司 | 基于图像分割的燃气表字轮坐标提取方法 |
| CN117274971B (zh) * | 2023-11-20 | 2024-04-12 | 深圳拓安信物联股份有限公司 | 一种应用于水表数据提取的图像处理方法以及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416412A (zh) * | 2018-01-23 | 2018-08-17 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流复合码识别方法 |
| CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108701234A (zh) * | 2018-03-05 | 2018-10-23 | 深圳前海达闼云端智能科技有限公司 | 车牌识别方法及云系统 |
| CN109299717B (zh) * | 2018-09-13 | 2021-08-17 | 网易（杭州）网络有限公司 | 文字识别模型建立及文字识别方法、装置、介质及设备 |
-
2020
- 2020-08-10 CN CN202010795175.1A patent/CN112001383B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416412A (zh) * | 2018-01-23 | 2018-08-17 | 浙江瀚镪自动化设备股份有限公司 | 一种基于多任务深度学习的物流复合码识别方法 |
| CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001383A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001383B (zh) | 一种基于卷积神经网络技术的水表码智能识别方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN109343920B (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
| CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
| CN109460769A (zh) | 一种基于表格字符检测与识别的移动端系统与方法 | |
| CN103154972A (zh) | 基于文本的3d扩增实境 | |
| CN102388392A (zh) | 模式识别设备 | |
| CN111860233B (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 | |
| CN110543877A (zh) | 标识识别方法及其模型的训练方法、装置和电子系统 | |
| CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
| CN108664860B (zh) | 房间平面图的识别方法及装置 | |
| CN101908128B (zh) | Aztec Code条码解码芯片及其解码方法 | |
| CN103778436A (zh) | 一种基于图像处理的行人姿态检测方法 | |
| CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
| EP3561729A1 (en) | Method for detecting and recognising long-range high-density visual markers | |
| CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN115731477A (zh) | 图像识别方法、违建检测方法、终端设备以及存储介质 | |
| CN111783608A (zh) | 一种换脸视频检测方法 | |
| CN113486879B (zh) | 图像区域建议框检测方法、装置、设备及存储介质 | |
| CN112241736A (zh) | 一种文本检测的方法及装置 | |
| CN101710340A (zh) | 一种相似图像检索方法 | |
| CN116704487B (zh) | 一种基于Yolov5s网络和CRNN的车牌检测与识别方法 | |
| CN111079749B (zh) | 一种带姿态校正的端到端商品价签文字识别方法和系统 | |
| CN117115212A (zh) | 一种自动化检测模型位姿异常及配准方法 |
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 |