基于Mask-RCNN网络的书架图书书脊分割和检测（含代码）

已于 2023-06-16 13:14:12 修改
阅读量1k 收藏 4
点赞数 3
分类专栏： 图像处理及应用 文章标签： 深度学习 python tensorflow
于 2023-05-03 12:17:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44619530/article/details/130466970
版权

提出问题

图书馆的书架上的图书书脊分割/检测对于图书书名等信息的识别具有重要意义，因此，该博客基于Mask-RCNN网络实现了图书书脊的分割和检测，有利于进一步利用ocr文字识别技术实现图书书名等信息的入库。如下图所示，为书架原始数据和分割/检测后的结果。（本文已训练模型，无需训练）
在这里插入图片描述
书架图片
图1 书架图片
书脊分割
图2 书脊分割
书脊检测
图3 书脊检测

实验环境


## 1.环境配置

基本库：
python==3.6
tensorFlow
了解本专栏 订阅专栏 解锁全文 超级会员免费看
GISer-王小畈
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 12
    评论
专栏目录
订阅专栏
mask-rcnn：在MATLAB中进行Mask-RCNN训练和预测以进行实例分割
02-03
mask-rcnn：在MATLAB中进行Mask-RCNN训练和预测以进行实例分割
Mask_RCNN:使用Mask-RCNN通过网络摄像头进行实例分割
04-26
使用网络摄像头的Mask_RCNN 要求 Python>=3.4 numpy scipy Pillow cython matplotlib scikit-image tensorflow>=1.3.0 keras>=2.0.8 opencv-python h5py imgaug IPython[all] pycocotools 模型是经过训练的MS COCO数据集，并且使用了预先训练的权重（例如，使用网络摄像头对对象进行分割） 这是使用Mask-RCNN 进行对象实例分割的示例视频 在繁忙的印度道路上测试过的该模型的示例视频： : 使用Mask-RCNN测试的样本图像 可能的改进 该模型使用具有4GB内存的Nvidia 840M来实现，因此帧速率非常低。为了获得更好的帧速率，我们可以使用Nvidia Titan X或Nvidia 1080Ti。通过使用这些显卡，我们可以将当前场景的帧
基于改进特征金字塔的Mask R-CNN目标检测方法
02-11
提出了一种基于改进特征金字塔的Mask R-CNN目标检测方法。实验结果表明，在目标边缘和包围盒两项检测中，相比于Mask R-CNN检测框架，所提方法在不同的交并比阈值下的平均准确率分别提高了约2.4%和3.8%。尤其对于中等尺寸目标的检测准确率有较大的提高，分别为7.7%和8.5%，具有较强的稳健性。
目标检测与分割之MaskRCNN代码结构流程全面梳理+总结
苹果姐计算机视觉原创知识分享
01-13 5969
学习目标检测不久，花一个多月的空闲时间啃完了maskRCNN论文和tensorflow+keras开源代码，感觉进入了一个新的境界，在此做一个比较详细的流程梳理和总结，同时也希望对其他学习目标检测和语义分割的同学有点帮助。 本文主要针对代码结构进行梳理，对于原理还不熟悉的同学可以参考这几篇博文： 格灵深瞳DeepGlint：干货 | 目标检测入门，看这篇就够了（已更完） 白裳：一文读懂Faster RCNN stone：令人拍案称奇的Mask RCNN 另外由于博主比较懒，借用了以下系列博文的部分框图，侵删
maskrcnn简单解析
deep_love1314的博客
07-08 4796
maskrcnn
Book-Identifier:一个Matlab应用程序，用于从书架图像中识别书籍
05-17
图书标识符 这是一个Matlab应用，用于从书架图像中识别书籍。 它是作为大学计算机视觉课程项目的一部分而创建的。 该存储库包括代码，用于测试代码的Matlab应用程序，描述项目的网页，PowerPoint演示文稿以及详细描述项目的pdf报告。 有关更多详细信息，请参阅报告/网页/演示文稿。 摘要： 尽管许多网站都提供基于评论的书目排名，但实体商店却无法轻松访问此类数据。 在此项目中，我们开发了一种用于从书架的照片中识别书籍的系统。 然后，可以使用此信息从Internet提取任何所需的书籍相关数据，从而为实体书店的客户提供与在线可用的信息相同的信息。 我们的系统从照片中提取书脊，从背景中分割文本，并将单个字符分组为单词。 还提供了一种用于训练分类器以进行字符识别的实现。 对于细分，我们提出并实现了适用于大多数书脊的简单方法。 为了将字符分组为单词，我们开发了一种新算法，适用于具有不同
书籍切割之书脊边界直线检测算法小结（bookSpines Segmentation）
凌桑的自我修养--You are the Eternity
03-09 4662
去年开始一直在做一个关于整理藏书的APP，有关于这方面的app目前国内的有一个‘晒书房’，但是没有用到图像处理的相关知识，只有一个扫ISBN码的入口，或者手动录入ISBN；国外有一个‘Shelfie’，不仅可以扫书码，而且可以直接对着书架拍照，进行识别，虽然速度有点慢，但是准确率还是不错的；所以我们期望做一个功能齐全且在速度上有所提升的这样一个书架app。        关于bookshelf的
图像分割概述及mask-rcnn简介
何小义的博客
11-03 2661
图像分割，mask-RCNN
基于Mask-RCNN的高精度目标检测和识别matlab仿真+代码仿真操作视频
06-29
2.内容：基于Mask-RCNN的高精度目标检测和识别matlab仿真+代码仿真操作视频 3.用处：用于Mask-RCNN的高精度目标检测和识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a...
基于Mask-RCNN无分割手写数字字符串的识别
01-26
针对现有基于过分割的手写体数字字符串识别算法的复杂度较高,以及基于无分割算法无法识别4位及以上长度字符串和准确率较低的问题,提出了基于掩模区域神经网络(Mask-RCNN)的无分割手写数字字符串的识别算法。由于Mask...
一文读懂Mask-RCNN笔记（全）
11-20
Mask-RCNN提出了一个实例分割的框架，可以在有效地检测图像中目标的同时为每一个实例产生一个高质量分割Mask。 Mask-RCNN扩展了Faster R-CNN，通过在之前已存在的边界框回归分支上添加新的一个预测目标Mask的分支。
OCR文本识别-褶皱与卷曲
qq_44950283的博客
10-28 510
其它的像卷曲没那么严重，褶皱等“准确率”都很高。耗时：1.587s(v2) / 0.750s(v3)耗时：1.199s(v2) / 1.020s(v3)耗时：0.862s(v2) / 0.627s(v3)耗时：1.026s(v2) / 0.494s(v3)耗时：1.049s(v2) / 0.443s(v3)召回率：1.00(v2) / 1.00(v3)召回率：1.00(v2) / 1.00(v3)召回率：1.00(v2) / 1.00(v3)召回率：1.00(v2) /1.00(v3)
深度学习OCR识别-弯曲项目
baidu_40840693的博客
04-06 914
待更新：
OCR-文本检测后的文字纠正
小菜的博客
09-18 4869
序言 主要是对规则的文本检测都的角度纠正，如果弯曲的很厉害，那也没办法，因为最近一直在做OCR方面的工作，包括文本检测、文本识别等等，关于检测后的文本角度纠正，网上查了很久没发现一个靠谱的，想了很久，决定自己用opencv实现一下，本文记录下实现的过程。本文主要是对YOLO检测后的倾斜文本做纠正，纠正后的图片送入到识别网络中能够大大的提升模型的识别率，当然不一定对所有场景下的文本都适用，本文实现仅供参考和学习。 一、关键技术 霍夫变换预测倾斜角度； 图像二值化用于分割文本区域； ROI区域获取； 得到纠正
【深度学习】YOLOv5，金属表面的缺陷检测，GC10-DET数据集
q742971636的博客
04-26 394
数据集的lable文件夹下是每个图片的框和类别标记，是xml格式。
勾八头歌之RNN
m0_62470904的博客
04-23 486
【代码】勾八头歌之RNN。
强化学习和深度学习的差异对比
天道酬勤
04-26 777
它是通过展示大量的图片和相应的标签（例如，“猫”、“狗”等）来学习识别模式的，就像是你通过看不同的猫的图片来学习认识猫一样。如果你的问题涉及到需要做出一系列连续的决策，并且需要考虑环境的反馈以优化某种目标（比如控制机器人、制定金融投资策略等），那么强化学习可能是更合适的选择。有时，深度学习和强化学习可以结合使用，形成深度强化学习（DRL），以利用深度学习在表征学习方面的优势，并将其与强化学习的决策能力结合起来。强化学习通常需要更少的标记数据，因为学习是通过与环境的交互来实现的，而不是直接从标记数据中学习。
深度学习突破：LLaMA-MoE模型的高效训练策略
最新发布
人工智能前沿分享
04-26 1308
在人工智能领域，大模型（LLM）的崛起带来了前所未有的进步，但随之而来的是巨大的计算资源需求。为了解决这一问题，Mixture-of-Expert（MoE）模型架构应运而生，而LLaMA-MoE正是这一架构下的重要代表。LLaMA-MoE是一种基于LLaMA系列和SlimPajama的MoE模型，它通过将LLaMA的前馈网络（FFNs）划分为稀疏专家，并为每层专家插入top-K个门，从而显著减小模型大小，降低训练成本。这种方法不仅保持了模型的语言能力，同时实现了输入的高效处理。
OneFlow新概念清单，AI深度学习的革命性突破（AI写作）
AI写作的博客
04-24 1143
OneFlow的概念清单为我们描绘了一个充满无限可能的未来。在这个未来中，数据处理将变得更加高效，模型训练将变得更加迅速，而模型的可解释性也将得到显著提升。这一切的改变，都将推动人工智能和深度学习技术的飞跃发展，为我们的生活带来更多便利。
物体检测mask-rcnn实战
01-06
物体检测是计算机视觉领域中的一项重要任务，目的是确定图像中存在的物体的位置和边界框。Mask-RCNN是一种在图片中检测物体的最新方法。下面将以300字的篇幅介绍Mask-RCNN的实战过程。 首先，我们需要准备训练数据集。这些数据集应包含标注了物体位置和类别的图像。一般而言，数据集需要经过标注，以使机器能够学习识别不同物体。在训练集中，将每个物体用矩形边界框进行标注，同时在每个物体上创建遮罩，以及指定物体所属的类别。 接下来，我们需要选择一个使用Mask-RCNN的开源库，如detectron2。这些库提供了预先训练好的模型和各种工具，使得物体检测任务变得简化。通过加载预训练模型，我们可以在图像上执行物体检测任务。 在进行物体检测时，Mask-RCNN先通过卷积神经网络（CNN）提取图像特征。特征提取完成后，网络进行区域建议（Region Proposal），以确定可能包含物体的区域。然后，Mask-RCNN对每个候选区域进行分类，同时预测边界框和物体的遮罩，以建立物体检测模型。 在实际的应用中，我们可以采用训练好的模型对新的图像进行物体检测。该过程包括加载模型，对图像进行预处理以便输入网络，然后对网络输出进行后处理，以便在图像上绘制检测结果。最终，我们可以通过绘制边界框和遮罩来可视化检测到的物体。 物体检测Mask-RCNN的实战过程需要对数据集进行标注，选择适当的开源库，加载预训练模型，执行物体检测，并对结果进行可视化。通过这个过程，我们可以实现高效准确的物体检测，并在各种应用领域中广泛应用。

“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 12
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

GISer-王小畈

你的鼓励将是我创作的最大动力

¥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