《采用OpenCV和深度学习的钢印识别》由会员分享，可在线阅读，更多相关《采用OpenCV和深度学习的钢印识别（5页珍藏版）》请在金锄头文库上搜索。
1、采用 OpenCV 和深度学习的钢印识别原始需求：系统将使用手机等设备利用光学字符识别技术实现钻具编号自动识别，减少作业人员的工作 量隐含分析： 对场景本身来说，要进行人工核对（或者修改）是必不可少的，因此工作量未必是减少。但 是该场景具有智能化的意义，这是隐含的目的。在识别效果和工作业务上结合起来才能出最好的结果。样本定制： 步骤：1、从前期手机拍取的照片中选取了一些效果较好的图片2、在图片中截取钢印部分做为样本3、对样本图片进行标定：将钢印的号码标定为目标标签，作为深度学习的训练目标4、采集样本：将每幅图片网格化，网格内的小图片作为样本，样本的标签与小图片中的目 标标签一致 5、划分训练集
2、和测试集：将所有样本（小图片）的80%作为训练集，其余作为测试集。所 有的样本不重复，因此训练集和测试集没有重合。分割钢印文本流程如下：创建样本集深度学习结呆原始样本待识别图片分割结果深按模型采用深度学习的方法进行训练后，对训练集中比较典型的图片有较高的分割效果。对测试的新图片效果较差。原因可能是样本少，测试的新图片与样本集中的色差和亮度差异 较大。某次训练的日志曲线 样本图片中的测试集 识别效果还是较高的样本外的图片普遍分割效果较差，究其原因可能有以下几个方面： 1、样本数量较少，训练的不够充分 2、图片整体与样本图片的色差明显，也是与样本少有关系 3、钢印号码本身较不够明显，对比度较差样本外的图片井割效果钢印号码识别 将钢印的号码分别手工切割成小图片作为样本进行训练 有两种方案正在研究： 方案 1：根据上一节中分割的钢印位置，进行识别方案 2：直接作为样本进行训练样本集较少，导致训练集效果好，而测试集效果很差。预期增加样本后训练的效果会有较大的提高。由于训练结果差，识别未进行对原始图先进行同态：消除（降低）光照影响（上图为原图，下图为处理后的图像）改进后的钢印文本分割效果写在最后：上面的效果都不理想。直到设计了更好的深度学习模型之后，才有了较好的结果。训练集测汛集
