专利交易市场

一种通过java进行反向校准钢印编码的方法，包括如下步骤：java服务端接收到Python识别程序识别的编码数据及识别次数，将获取的编码数据通过java的ArrayList中的contains方法把数据库里面的字符串和识别出来的编码数据进行对比，若无完全匹配则服务端返回false给Python识别程序；Python识别程序对第二张照片进行识别，再将编码发送给java服务端，进行步骤2)操作，直到拍摄的照片全部进行匹配后，java服务端对比数据库依然没有找到完全相同的编码时，PC端调用相似度匹配算法将识别的最后一张图片的编码与数据库编码进行相似度对比匹配；本发明的有益效果是：通过多张照片的多次识别，以及通过四种相似度匹配算法的结合来对钢印编码进行识别校准，以提高提升识别钢印编码准确率。

本发明公开了一种基于密度峰值聚类特征选择的三维手写字符识别方法。现有的三维手写字符识别方法没有充分考虑冗余特征对字符识别率的影响。本发明如下：一、采集运动指尖的三维坐标并生成离散点集。二、顺序连接离散点生成三维轨迹。三、预处理。四、提取书写方向，曲率，坐标差值三大类特征。五、利用对称不确定性的倒数1/SU衡量特征间的相似性。六、利用密度峰值聚类算法的定义计算局部密度ρ。七、根据密度峰值聚类算法计算与高密度特征的距离。八、计算局部密度。九、将γ按降序排列，选取聚类中心。十、基于十折交叉验证方法和决策树算法模型，得到最终的识别率。本发明可以在特征减少，计算量降低的情况下，识别率还能提高。

本发明涉及基于深度学习的钢坯喷标字符识别系统，包含图像采集装置，用于采集原始图像数据；推理服务器，用于接收原始图像数据，并将原始图像数据转发给内建于推理服务器中的识别模块；推理服务器与图像采集装置电信号连接；识别模块，用于对原始图像数据进行喷标字符识别操作，得到板坯号。本发明无需降低钢坯行进速度来进行拍照，提高生产线的效率；适应所在的采集识别地点的环境，大量增加适用设置位置；对锈蚀、磨损字符的识别，大幅提升识别率。

本发明公开了一种基于改进YOLOV5模型的纸质药盒钢印字符的识别方法，方法包括：使用图像采集设备采集药盒的钢印字符图像；对图像进行图像增强等预处理并且对识别区域打上标签；输入至改进的YOLOV5模型中进行训练，得到训练完成的YOLOV5模型；改进的YOLOV5模型包括：在YOLOV5的骨干网络中添加高效位置注意力机制CA(Coordinateattention)使得模型网络能够关注大范围的位置信息又不会带来过多的计算量，有助于模型性能提升以及更好地定位和识别目标；用SimSPPF替换SPPF快速池化层，提升训练速度；针对密集的小目标，在模型内额外使用了一个更小的先验框并且相应的增加了一个更小的检测头；将待识别的数据集输入处理，得到最终的预测结果。

本发明实施例提供了一种字符识别方法、装置及电子设备。其中，所述方法包括：对待识别图像进行字符识别，得到所述待识别图像中各字符的多个候选值；将预测字符串与预设的字符模板进行匹配，确定所述预测字符串与所述字符模板不匹配的位置，作为待编辑位置，所述预测字符串为所述待识别图像中各字符的置信度最高的候选值组成的字符串，所述字符模板用于表示所述待识别图像中包含的每个字符的取值范围；从所述待编辑位置对应的字符的候选值中，选择与所述字符模板中所述待编辑位置匹配的字符，作为参考字符；利用所述参考字符，对所述预测字符串的所述待编辑位置进行编辑，得到所述待识别图像的字符识别结果。可以提高字符识别结果的准确率。

一种基于相似字符识别的文本识别方法及电子设备，该方法包括：将待识别的文本通过科目识别模型，以识别出其对应的若干个潜在科目；根据潜在科目对该文本进行分词，获得若干个分词词语；根据分词词语与该潜在科目对应的分词库中每个分词的字符相似度，计算每个分词的置信度，并由此获取该潜在科目的总置信度，其中总置信度最高的潜在科目作为目标科目；针对目标科目对应的分词词语，获取该目标科目对应的分词库中置信度最高的分词，并在判断出其置信度高于某一预设阈值时，将分词词语纠正为该置信度最高的分词，以获得文本识别结果。实施本发明实施例，能够识别易被混淆误判的相似字符并根据科目信息进行纠正，从而提高文本识别的准确率。

本发明提供一种手写字符识别方法及装置，涉及文字识别技术领域。该方法包括：判断目标图形是否为单个数字；若是，则根据图形与单个数字的映射关系，获取目标图形对应的单个数字；若否，则判断目标图形的字符类型；其中，字符类型包括：数字类型、文字类型和符号类型；当字符类型为数字类型时，根据图形与数字的映射关系，获取目标图形对应的数字；当字符类型为文字类型时，根据图形与文字的映射关系，获取目标图形对应的文字；当字符类型为符号类型时，根据图形与符号的映射关系，获取目标图形对应的符号。对不同字符类型的手写字符的分开识别，提高了手写字符的识别率。

本发明涉及图像识别领域，公开了一种基于BP神经网络预测阈值的仪表重影字符识别方法，包括如下步骤：获取数显仪表的彩色图像，并进行灰度化处理取得灰度图像，计算灰度图像的灰度级分布统计量，输入到BP神经网络，预测出理想的二值化全局阈值，并对灰度图像进行二值化，得到消除重影的二值图，再将二值图进行去除小连通域处理，创建二值图的最小外接矩形，计算出倾斜角度，并通过仿射变换实现倾斜矫正，采用投影分割法将矫正后的二值图分割成单个字符图像，将字符图像尺寸归一化到32×32，输入到LeNet‑5模型进行识别，取得数显仪表字符的识别结果。本发明基于BP神经网络预测阈值的仪表重影字符识别方法，有效克服重影的影响，识别率高、识别速度快。