深眸科技自研轻辙视觉引擎,以AI机器视觉赋能杆号牌识别与分拣

电线杆号牌作为电力行业标识的一种,相当于电线杆的“身份证”,担负着宣传电力知识、安全警示的作用,用于户外使用标记输电线路电压等级、线路名称、杆塔编号等,能够清晰地记录电力线路杆的信息,并为电力线路的更改以及后期维护提供了便利。

这些号牌在实际应用中往往会存在字迹模糊、脱落等现象,给线路巡视检修、故障抢修等工作带来许多潜在隐患。而通过机器视觉技术,对号牌内容进行图像分割与字符提取,确保塔杆牌照的唯一性编号以及其他字符的印刷正确,具有很好的应用价值。

图像识别算法 多个算法的集合

在机器视觉对这些电线杆号牌进行识别的过程中,往往存在许多难点,包括杆号牌字符内容不确定,无法通过预置字符库的方式建立图像字符模版,同时字符方向与来料多样,存在相近字符相互干扰的情况,以及因号牌内字数数量不定,而导致字符压缩变形严重,影响字符输出。

针对上述项目难点,深眸科技通过图像识别算法,完成对这些杆号牌的识别与分拣。图像字符识别算法并不是一个单一的算法,而是多个过程的集合,每个过程由不同的算法实现,每一部分的算法都关系着整体的准确性与效率,其中包括:

图像字符识别算法

1、标牌定位:对目标区域进行分析,找出能够区分牌照与背景的特征信息,按照一定的算法流程,分割出牌照区域;

2、字符分割:将得到的拍照图像进行字符分割和归一化处理,把分割出的单个字符送到后续模块进行识别;

3、字符识别:对分割出的字符、与标准字符模版进行匹配,求得一个匹配值,最终将最佳匹配结果作为该字符图片代表的文字。

轻辙视觉引擎 助力杆号牌识别

为助力电力行业杆号牌的识别与分拣,深眸科技以低代码为基础,深度学习技术为核心,创新研发视觉业务流程编排引擎——轻辙视觉引擎,用于快速搭建部署复杂视觉检测流程软件方案,能够实现多机位、多工位业务流程编排,适配各硬件平台模型快速部署、自定义算法插件开发并将数据报表订阅与生产数据上报。

除此之外,轻辙视觉引擎搭配文本检测算法与优化SVTR文本识别、文本方向分类器、文本尺度修正等算法,规范字符在尺度处理上的统一性。

通过这些算法,轻辙视觉引擎不仅能够自适应来料,在无需创建模板的情况下,满足客户快速换型生产要求,还能在部分字符缺损、漏检、小数点符号干扰的情况下,对所有字符联想检出,并有效规避文本方向带来的近似字符干扰,将检出率精准度提升20%,压缩变形字符的识别率提升到95%以上,有效降低客户后段分拣的错误率。

深眸科技基于“AI+机器视觉“的自动识别方法,通过对大量的实际图片采集、处理和分析,选取了合适的图像分割与字符识别方法,在电力线路杆号牌识别项目中,取得了较好的实际应用效果。未来,深眸科技将持续依托落地实际场景的诸多经验,以及持续升级迭代的深度学习技术及产品,深入分析客户需求、应用场景特性等,以更加完善的服务解锁更多应用场景。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人工智能在现代科技领域发挥着越来越重要的作用,其中深度学习是一个热门的研究方向。在信号处理领域,人工智能的应用也变得越来越广泛。 "小迈步"是一个以matlab为基础的人工智能教育平台,它结合了信号处理和深度学习技术,可以用于信号调制识别。信号调制识别是指通过分析信号的特征和模式,确定信号所采用的调制方式,如调频、调幅等。对于无线通信、雷达、电视等领域来说,信号调制识别是一项重要的任务。 "小迈步"中的matlab赋能信号处理模块,通过深度学习算法,可以实现信号调制识别。首先,它通过收集一定数量的信号样本,使用matlab中的神经网络工具箱进行训练。神经网络模型会学习信号的特征和模式,并通过调整权重和偏置来提高预测的准确性。 接下来,"小迈步"可以将训练好的神经网络模型应用于实时的信号处理任务中。当输入信号到达时,"小迈步"会对其进行特征提取,并将提取的特征输入到神经网络中进行预测。通过比较预测结果与已知的调制方式,"小迈步"可以准确地判断输入信号的调制方式。 与传统的信号调制识别方法相比,"小迈步"基于深度学习的信号调制识别具有更高的准确性和稳定性。深度学习算法可以学习到更复杂的信号模式,从而提高识别的准确性。此外,"小迈步"还可以使用matlab中的其他信号处理工具,如滤波器设计、频谱分析等,进一步优化信号处理的效果。 总之,"小迈步"以matlab为基础,利用深度学习算法实现了信号调制识别功能。它可以广泛应用于无线通信、雷达、电视等领域,为信号处理领域的研究和应用提供了一种高效、准确的解决方案。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值