水表数字识别4：C/C++实现水表数字识别(含源码 可实时检测)

已于 2024-10-06 19:35:20 修改
阅读量913 收藏 16
点赞数 27
分类专栏： 深度学习 文章标签： c++ 水表数字识别 水表识别 数字识别 水表检测和识别
于 2024-08-12 21:47:17 首次发布
本文为博主原创文章，未经博主允许不得转载（AI吃大瓜）
本文链接：https://blog.csdn.net/guyuealian/article/details/139998800
版权

水表数字识别4：C/C++实现水表数字识别(含源码 可实时检测)

目录

水表数字识别4：C/C++实现水表数字识别(含源码 可实时检测)

1. 前言

2. 水表数字分割模型

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为NCNN模型

3. 水表数字识别模型（PlateNet）

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为NCNN模型

4. 水表数字识别C++端上部署

（1） 项目结构

（2） 配置开发环境(OpenCV+vulkan+base-utils+NCNN)

（3） 部署NCNN模型

（4）CMake配置

（5）main源码

（6）源码编译和运行

5.水表识别数字识别效果（C/C++版本）

6.水表识别数字识别效果（Android版本）

7. 项目源码下载

1. 前言

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。

整套项目分为：数据集说明，DBNet文本(数字)检测模型训练、CRNN文本(数字)识别模型训练，以及水表数字识别边缘侧部署C++/Android等多个章节，本篇是项目《​​​​水表数字识别》系列文章之《C++实现水表数字识别》；为了方便后续模型工程化和Android平台部署，项目对文字检测模型和文字识别模型进行轻量化，并提供Python/C++/Android多个版本；

81b42e65673d462e82046d3710d7d25d.jpeg

整套水表数字检测和识别系统，在普通Android手机上可以达到实时的检测效果，CPU(4线程)约40ms左右，GPU约30ms左右 ，基本满足业务的性能需求。下表格给出CRNN，LPRNet和PlateNet模型的计算量和参数量以及其数字识别的准确率：

模型input-sizeparams(M)GFLOPsAccuracy
LPRNet94×240.48M0.147GFlops0.9000
CRNN160×328.35M1.06GFlops0.9150
PlateNet168×481.92M1.25GFlops0.9275

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/139998800

更多项目《水表数字识别》系列文章请参考：

b527ee87a91c45eabe73998618399a1d.jpeg      3817a4c55c4a4d1e803258393566bdee.gif

2. 水表数字分割模型

关于水表数字分割模型训练，请参考《水表数字识别2：Pytorch DBNet实现水表数字检测(含训练代码和数据集)》

项目提供两个版本的水表数字分割模型DBNet和Fast-SCNN模型；DBNet属于高精度版本，参数量和计算量较大，检测精度较高，但比较耗时；Fast-SCNN模型属于轻量化版本，参数量和计算量较小，检测精度一般，速度较快，适合手机移动端部署。

下表格给出文本(数字)检测模型DBNet和Fast-SCNN的计算量和参数量，以及其预测结果的均方误差MSE：

模型input-sizeparams(M)GFLOPsMSEmIOU

DBNet

320×320

9722.27M

12.22M

0.1508

0.9333

Fast-SCNN

320×320

1.24M

939.01M

0.1997

0.9531

考虑到手机端比较弱鸡的性能，项目最终使用Fast-SCNN模型进行端上部署。水表数字分割模型在C++端上部署过程，请参考如下

（1） 将Pytorch模型转换ONNX模型

训练好Pytorch模型后，我们需要先将模型转换为ONNX模型，以便后续模型部署。

  • 原始项目提供转换脚本，你只需要修改model_file和config_file
    为你模型和配置文件路径即可
  • convert_torch_to_onnx.py实现将Pytorch模型转换ONNX模型的脚本
python libs/converter/convert_torch_to_onnx.py

（2） 将ONNX模型转换为NCNN模型

目前CNN模型有多种部署方式，可以采用NCNN、TNN、MNN以及TensorRT等部署工具，鄙人采用NCNN进行C++和Android端上部署：

NCNN转换工具：

​

3. 水表数字识别模型（PlateNet）

关于水表数字识别模型训练，请参考《水表数字识别3：Pytorch CRNN实现水表数字识别(含训练代码和数据集)》

项目基于CRNN或LPRNet模型构建水表数字识别算法；为方便后续工程化，项目对CRNN模型进行魔改，提出一个PlateNet模型，用于支持部署到Android平台或者开发板上

整套水表数字识别系统，在OpenCL加速下，可以达到实时的检测效果，基本满足业务的性能需求。下表格给出CRNN，LPRNet和PlateNet模型的计算量和参数量以及其识别的准确率：

模型input-sizeparams(M)GFLOPsAccuracy
LPRNet94×240.48M0.147GFlops0.9000
CRNN160×328.35M1.06GFlops0.9150
PlateNet168×481.92M1.25GFlops0.9275

考虑到LPRNet和CRNN模型，存在某些OP算子，NCNN不支持，项目最终使用PlateNet模型进行端上部署。水表数字识别模型在C++端上部署过程，请参考如下

PlateNet识别模型在C++端上部署过程，请参考如下

（1） 将Pytorch模型转换ONNX模型

水表数字识别项目源码demo.py文件中参数--export设置为True，可将Pytorch的模型转换为ONNX模型文件，且ONNX文件会默认保存在Pytorch的模型文件同一目录下。

dc7ee7869ef44e68948db2bbf6a171b4.png

（2） 将ONNX模型转换为NCNN模型

NCNN转换工具，请参考：

4. 水表数字识别C++端上部署

（1） 项目结构

1774bb2a826844b18e3bb58c80249893.png

（2） 配置开发环境(OpenCV+vulkan+base-utils+NCNN)

项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译

  • 安装OpenCV：图像处理

图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理

安装教程：Ubuntu18.04安装opencv和opencv_contrib

OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装

  • 安装vulkan：模型加速

 安装教程：Ubuntu18.04安装Vulkan SDK教程方法

vulkan用于模型GPU加速，若不使用vulkan进行模型推理加速，纯C++推理模型，速度会特别特别慢

  • base-utils：C++库

GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）

base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法

  • NCNN：模型推理

GitHub：https://github.com/Tencent/ncnn （无需安装，项目已经配置了）

ncnn 是一个为手机端极致优化的高性能神经网络前向计算框架。 ncnn 从设计之初深刻考虑手机端的部署和使用。 无第三方依赖，跨平台，手机端 cpu 的速度快于目前所有已知的开源框架。 基于 ncnn，开发者能够将深度学习算法轻松移植到手机端高效执行， 开发出人工智能 APP，将 AI 带到你的指尖。 ncnn 目前已在腾讯多款应用中使用，如：QQ，Qzone，微信，天天 P 图等。

（3） 部署NCNN模型

项目实现了C/C++版本的水表数字识别，水表数字分割模型采用Fast-SCNN和水表数字识别模型采用PlateNet，模型推理采用NCNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用vulkan，在普通设备即可达到实时处理。

如果你想在这个 Demo部署你自己训练的水表数字分割模型Fast-SCNN和识别模型PlateNet，你可将训练好的Pytorch模型转换ONNX ，再转换成NCNN模型，然后把原始的模型替换成你自己的NCNN模型即可。

（4）CMake配置

这是CMakeLists.txt，其中主要配置OpenCV+vulkan+base-utils+NCNN这四个库，Windows系统下请自行配置和编译

cmake_minimum_required(VERSION 3.14.0)
project(Detector)

#set(CMAKE_BUILD_TYPE Debug)
add_compile_options(-fPIC) # fix Bug: can not be used when making a shared object
set(CMAKE_CXX_FLAGS "-Wall -std=c++11 -pthread")
#set(CMAKE_CXX_FLAGS_RELEASE "-O2 -DNDEBUG")
#set(CMAKE_CXX_FLAGS_DEBUG "-g")

if (NOT CMAKE_BUILD_TYPE)
    # -DCMAKE_BUILD_TYPE=Debug
    # -DCMAKE_BUILD_TYPE=Release
    message(STATUS "No build type selected, default to Release")
    set(CMAKE_BUILD_TYPE "Release" CACHE STRING "Build type (default Debug)" FORCE)
endif ()


# NCNN set
set(NCNN_OPENMP ON CACHE BOOL "" FORCE)
set(NCNN_VULKAN ON CACHE BOOL "" FORCE)
set(NCNN_BUILD_TOOLS OFF CACHE BOOL "" FORCE)
set(NCNN_COMPILER_SUPPORT_X86_AVX OFF CACHE BOOL "" FORCE)
set(NCNN_COMPILER_SUPPORT_X86_AVX2 OFF CACHE BOOL "" FORCE)
set(NCNN_AVX OFF CACHE BOOL "" FORCE)
set(NCNN_AVXVNNI OFF CACHE BOOL "" FORCE)
#set(NCNN_SHARED_LIB ON CACHE BOOL "" FORCE)
set(NCNN_THREADS ON CACHE BOOL "" FORCE)
set(NCNN_BF16 ON CACHE BOOL "" FORCE)
set(NCNN_DISABLE_RTTI OFF CACHE BOOL "" FORCE)


if (CMAKE_SYSTEM_NAME MATCHES "Android")
    add_definitions(-DDEBUG_ANDROID_ON)            # for Android Log
    add_definitions(-DPLATFORM_ANDROID)
elseif (CMAKE_SYSTEM_NAME MATCHES "Linux")
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_LINUX)
elseif (CMAKE_SYSTEM_NAME MATCHES "Windows")
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_WINDOWS)
endif ()
add_subdirectory(3rdparty/ncnn ncnn_build)
include_directories(3rdparty/ncnn/src)


# VULKAN set
set(VULKAN_SDK "3rdparty/vulkansdk/1.3.280.1/x86_64")


# opencv set
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS} ./src/)
#MESSAGE(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")

# base_utils
set(BASE_ROOT 3rdparty/base-utils) # 设置base-utils所在的根目录
add_subdirectory(${BASE_ROOT}/base_utils/ base_build) # 添加子目录到build中
include_directories(${BASE_ROOT}/base_utils/include)
include_directories(${BASE_ROOT}/base_utils/src)
MESSAGE(STATUS "BASE_ROOT = ${BASE_ROOT}")

# Detector
include_directories(src)
set(SRC_LIST
        src/Interpreter.cpp
        src/segment.cpp
        src/regress.cpp
        src/crnn.cpp
        )
add_library(dlcv SHARED ${SRC_LIST})
target_link_libraries(dlcv ncnn ${OpenCV_LIBS} base_utils)
MESSAGE(STATUS "DIR_SRCS = ${SRC_LIST}")

add_executable(Detector src/main_crnn.cpp)
target_link_libraries(Detector dlcv -lpthread)

（5）main源码

主程序中实现水表数字分割+水表数字识别，其中test_image_file()实现测试图片，test_video_file()实现测试视频文件，test_camera()实现测试摄像头

//
// Created by Pan on 2018/6/24.
//
#include <opencv2/opencv.hpp>
#include <opencv2/core.hpp>
#include <vector>
#include <string>
#include "crnn.h"
#include "Types.h"
#include "regress.h"
#include "file_utils.h"
#include "image_utils.h"

using namespace dl;
using namespace vision;
using namespace std;

int numThread = 8;
//DeviceType device = GPU; // 使用GPU运行，需要配置好vulkan
DeviceType device = CPU; // 使用CPU运行

string det_bin_file = "../data/model/watermeter/fast-scnn-reg-320.bin";
string det_pam_file = "../data/model/watermeter/fast-scnn-reg-320.param";

string rec_bin_file = "../data/model/watermeter/platenet-168-48.bin";
string rec_pam_file = "../data/model/watermeter/platenet-168-48.param";

// 设置检测阈值
RegressParam param = REG_MODEL320;
Regress *detector = new Regress(det_bin_file,
                                det_pam_file,
                                param,
                                numThread,
                                device);

CRNNRecognizeParam crnn_param = CRNN_MODEL;
CRNNRecognize *recognize = new CRNNRecognize(rec_bin_file,
                                             rec_pam_file,
                                             crnn_param,
                                             numThread,
                                             device);


/***
 * 测试已裁剪图片文件
 * @return
 */
int test_image_crops() {
    // 测试图片
    string image_dir = "../data/test_image/watermeter";
    vector<string> image_list = get_files_list(image_dir);
    for (string image_path:image_list) {
        cv::Mat bgr_image = cv::imread(image_path);
        if (bgr_image.empty()) continue;
        int w = bgr_image.cols;
        int h = bgr_image.rows;
        FrameInfo resultInfo;
        ObjectInfo info;
        info.x1 = 0;
        info.y1 = 0;
        info.x2 = w;
        info.y2 = h;
        info.score = 1.0;
        resultInfo.info.push_back(info);
        // 开始检测
        recognize->detect(bgr_image, &resultInfo);
        // 可视化代码
        recognize->visualizeResult(bgr_image, &resultInfo);
    }
    printf("FINISHED.\n");
    return 0;
}

/***
 * 测试图片文件
 * @return
 */
int test_image_file() {
    // 测试图片
    string image_dir = "../data/test_image/watermeter";
    vector<string> image_list = get_files_list(image_dir);
    for (string image_path:image_list) {
        cv::Mat frame = cv::imread(image_path);
        if (frame.empty()) continue;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(frame, &resultInfo);
        // 可视化代码
        // detector->visualizeResult(frame, &resultInfo, true, 5, true);
        // 开始识别
        recognize->detect(frame, &resultInfo);
        // 可视化代码
        recognize->visualizeResult(frame, &resultInfo, 0);
    }
    printf("FINISHED.\n");
    return 0;
}


/***
 * 测试视频文件
 * @return
 */
int test_video_file() {
    string video_file = "../data/video/test-video.mp4"; //视频文件
    cv::VideoCapture cap;
    bool ret = get_video_capture(video_file, cap);
    cv::Mat frame;
    while (ret) {
        cap >> frame;
        if (frame.empty()) break;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(frame, &resultInfo);
        // 可视化代码
        cv::Mat dst = detector->visualizeResult(frame, &resultInfo, true, 5, true);
        // 开始识别
        recognize->detect(frame, &resultInfo);
        // 可视化代码
        recognize->visualizeResult(dst, &resultInfo, 20);
    }
    cap.release();
    delete detector;
    detector = nullptr;
    printf("FINISHED.\n");
    return 0;
}


/***
 * 测试摄像头
 * @return
 */
int test_camera() {
    int camera = 0; //摄像头ID号(请修改成自己摄像头ID号)
    cv::VideoCapture cap;
    bool ret = get_video_capture(camera, cap);
    cv::Mat frame;
    while (ret) {
        cap >> frame;
        if (frame.empty()) break;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(frame, &resultInfo);
        // 可视化代码
        //cv::Mat dst = detector->visualizeResult(frame, &resultInfo, true, 5, true);
        // 开始识别
        recognize->detect(frame, &resultInfo);
        // 可视化代码
        recognize->visualizeResult(frame, &resultInfo, 20);
    }
    cap.release();
    delete detector;
    detector = nullptr;
    printf("FINISHED.\n");
    return 0;

}

int main() {
    test_image_file();
    test_video_file();
    //test_camera();
    return 0;
}

（6）源码编译和运行

编译脚本，或者直接：bash build.sh

#!/usr/bin/env bash
if [ ! -d "build/" ];then
  mkdir "build"
else
  echo "exist build"
fi
cd build
cmake ..
make -j4
sleep 1
./demo
  • 如果你要测试GPU运行的性能，请修改src/main_crnn.cpp 

DeviceType device = CPU;

6663feee11694be49ae49c91f83f7667.png

  • 如果你要测试GPU运行的性能，请修改src/main_crnn.cpp （需配置好vulkan） 

DeviceType device = GPU;

下面截图给出开启vulkan加速的性能对比截图，纯C++推理模式需要耗时几百毫秒的时间，而开启vulkan加速后，GPU模式耗时仅需十几毫秒，性能极大的提高。

388d38ac42ef48d5a46ad62deb889ce2.png

5.水表识别数字识别效果（C/C++版本）

 C++版本的opencv不支持中文显示,暂时未解决这个BUG，不过LOG会打印水表数字的信息，凑合的用吧

下图GIF这是Python版本的水表数字分割和识别效果，C++版本与Python版本的结果几乎是一致

 d474d18a06d84ba28c649b9a80062525.gif  dbfef9aa3a694075af0599e1ee69ee03.jpeg

20218d6367da4e74ade4ad43699d4ae5.jpeg

6.水表识别数字识别效果（Android版本）

项目已经完成Android版本水表数字检测分割和识别算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约40ms左右，GPU约30ms左右 ，基本满足业务的性能需求。详细说明请查看：水表数字识别5：Android实现水表数字识别(含源码 可实时检测)

Android Demo体验：https://download.csdn.net/download/guyuealian/89537381

7. 项目源码下载

如需下载项目源码，请WX关注【AI吃大瓜】，回复【水表数字识别】即可下载

项目资源内容包含：

  1. 提供Fast-SCNN水表数字分割模型
  2. 提供PlateNet水表数字识别模型，识别准确率可以达到0.9275左右
  3. 提供整套项目水表数字分割和识别C++项目源码
  4. C++ Demo源码支持二次开发
  5. C++ Demo支持透视变换倾斜矫正
  6. C++ Demo支持图片，视频和摄像头测试
  7. C++ Demo支持CPU和GPU，GPU模型加速需要配置好vulkan，否则速度很慢；CPU模式推理需要耗时几百毫秒的时间，而开启vulkan加速后，GPU模式耗时仅需十几毫秒

AI吃大瓜
关注
专栏目录
图像水表指针识别，水表的指针识别，便于读取水表上的读数
03-23
水表的指针识别，便于读取水表上的读数，机械式水表的计量检测一直是采用人工检测的方法，其误差比较大，而且有些环境不适合人工进入抄表。采用图像处理来得到水表的度数，可以减少人工的误差。
基于STM32的智能水表（一）水流量的获取
Williamair的博客
08-05 2400
对于模式1，目前不做详细说明，先说怎么进行脉冲计数，我看了网上很多利用中断进行计数，由于脉冲的速度存在不确定性，可能会导致中断过于频繁，因此在资源充足的情况下，本次设计准备通过TIM3定时器进行定时进入中断，读取TIM2的计数值，并将TIM2存储值进行清零，把每次计数值进行累加，得到水流量的动态值。首先确定我们将使用的定时器，TIM2，本次定时器使用的时钟源是外部时钟模式2，可以选择的外部时钟源模式有两个;模式2是针对定时器特殊通道的输入，以TIM2为例，模式2指的是TIM2_ETR通道的输入。...
c语言水表程序流程图,水表检定操作流程图.pdf
weixin_35470511的博客
05-17 508
水表检定操作流程逐台检定操作具体步骤：一、检查校验台各仪表、计量器具、阀门等工作正常。二、安装对应水表口径的夹表器，将被检水表(Φ15)水平安装在夹表器中，安装水表时注意水表接口与夹表器接口正确对应，防止水表式夹表器的脱落。三、关闭调节阀(6)、(7)、(8)、(9)，开启进水总阀(1)，观察有无滴漏现象。四、开启需用的流量计调节阀，排出管道和水表中的空气，待水表指针平稳转动时，观察水表(Φ15)...
基于MSP430智能无线水表采集控制系统设计
QQ2193276455的博客
05-29 1093
*单片机设计介绍，基于MSP430智能无线水表采集控制系统设计。
水表识别
keyanxiaocaicai的专栏
08-04 6168
水表识别的问题： 1. 首先我把3月15 号的数据跟7月27号的数据合在一起训，总共三万五千张样本。    用原来的网络训练。发现最后的精度只有90% 左右，查看错误的原因。    发现 图片是这样的，但是7月27号来的这批图片是： 所以这两个图片是不能一起训练的。 发现的问题是：3W多张训练样本里面有3000 多张样本识别错误，其实看acc 精度已经到1了 后来就把
水表读数自动识别，基于DB和CRNN的方法
热门推荐
我爱计算机视觉
07-14 1万+
尽管智能水表正在取代老式的机械水表但在许多地区（及老小区）由于环境、成本等因素的限制机械水表木得办法被替换所以依旧需要人工手动抄表为了实现对老式机械水表的自动识别这篇我们讲讲2020CCF...
水表数字识别Android Demo APP安装包.zip
最新发布
07-13
这是水表数字识别Android Demo APP安装包，其中水表数字分割模型采用Fast-SCNN，识别模型采用PlateNet，模型推理实现Android源码核心算法部分均采用C++实现，上层Java通过JNI接口调用C++算法，博客原文：...
基于C++实现的DLMS COSEM 协议源码支持读取电表、气表和水表.zip
05-19
DLMS.cpp 库是一个高性能的 ANSI C++ 组件，可帮助您读取 DLMS/COSEM 兼容的电表、气表或水表。我们试图使组件易于使用，以至于您根本不需要了解协议。 我们已经为linux环境制作了makefile。你应该去 development ...
基于C++实现水电管理信息系统源码+运行说明.zip
05-05
可选用小区物业管理部门的数据，也可采用手工输入不少于 10 个用户信息的数据。 实现提示: 用户基本信息类，教工用户信息类，学生用户信息类 收费标准类，该类存储水电煤气标准单位的收费标准，如：煤气，1.0 元/...
NB_IoT水表-通讯协议-V1R4-20190318,NB-IOT水表,C,C++源码.rar
10-10
在描述中提到的“C,C++源码”，意味着这个压缩包可能包含了用C语言和C++编程语言编写的代码，这些代码可能用于实现NB-IoT水表的控制逻辑、数据处理、通信模块等功能。C语言因其高效和跨平台性常被用于底层系统开发，...
水表指针识别（数字图像处理C语言）
01-02
能够识别指针类的水表，指针所指数值，然后显示当前水表显示数字，并显示指针角度值。
onnxruntime 使用，删除、修改
zxxx66的博客
09-07 2269
输出中间层数据（python） import onnx from onnx import helper model = onnx.load(“C:/Users/Desktop/fastscnn_0907_fix.onnx”) #名字命名为想要输出层对应的节点名，参数类型、维度，需要自己给出 info = helper.make_tensor_value_info(‘552’,onnx.TensorProto.INT64, [1,1280, 1280]) #将构建的输出插入到模型中 model.graph.
【ONNX】Faster-rcnn 转 ONNX
咖啡味儿的咖啡
07-07 4447
Faster RCNN代码可以参考下面链接： https://github.com/facebookresearch/maskrcnn-benchmark 最后模型会保存为.pth格式，可以通过如下代码转为ONNX import os import numpy from io import BytesIO from matplotlib import pyplot import re...
【图像识别】初探数字识别-水表（2）
zeo_m的博客
09-01 4907
在上一个博文中，高斯滤波后对灰度值用canny检测边缘。调整canny参数，检测边缘。下面换一种方式，即先二值化后，再findContours检测检测轮廓。 图像二值化 cv2.threshold(), cv2.adaptiveThreshold(), Otsu’s thresholding. 简单阈值划分 cv2.threshold(InputArray src, int thresho...
【图像识别】初探数字识别-水表（3）
zeo_m的博客
09-26 9147
轮廓检测 运用OpenCV findContours函数检测水表图像轮廓。
水表项目 水表数字识别率分析
keyanxiaocaicai的专栏
12-11 4995
最早的一批数据分布为：据W 老师说水表有三种 姑且认为第一种为 第二种水表为： 第三种水表可能为(因为我不确定） 第一批训练集中的样本分布情况为： 总共 8781 张样本。 其中 0 开头的样本为：6006 张 1开头的样本为：415张 2 开头的样本为：361 张 全为第二种水表 3 开头的样本为：620 张 第一种水表的样本+第二种水表的样本
如何查看水表（图例详解）
Jian Sun_的博客
07-01 7646
原文地址：如何查看水表（图例详解）作者：steven2632水表一般红色的是小数位，黑色的是整数位，红字轮的不要管它，从黑字轮的x1000、x100、x10、x1开始看起，分别是千位、百位、十位和个位。比如x100档是3、x10档是2、x1档是5，那么读数就是325吨。看水表的关键是每档逢小读，比如x10档的指针在2和3的中间，那么x10档就是2，其它各档也相同。 大家知道下面水表（图1）的底数吗
Fast-SCNN的解释以及使用Tensorflow 2.0的实现
AI公园
07-28 1067
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”作者：Kshitiz Rimal编译：ronghuaiyang导读对图像分割方法Fast-SCNN的解释以及实现的代码分析。Fa...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

AI吃大瓜

尊重原创，感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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