VisionPro OCRMaxTool参数优化实战指南

VisionPro的OCR工具CogOCRMaxTool 1.总体思路 转灰度->定位->OCR识别->显示文字 2.转灰度 使用CogImageConverTOOL工具其目的就是方便去掉冗杂的区域 3.定位 CogFixtureTool,使用方法略 4.OCR识别 这一块要好好记录一下,玛德踩了太多坑了 a.如果在字体划分清楚的情况下,直接点击字体->提取字符 然后再下方输入改文字,点击添加所有 b.在字体划分不清楚的情况下,如下图所示: 两个标点被识别成一个 正确做法: 第一步:提取线 第二步: 阅读详情

1. 从“能读”到“读得准”:为什么你的VisionPro OCRMaxTool需要参数优化?

大家好,我是老张,在机器视觉这行摸爬滚打了十几年,用过不少OCR工具。VisionPro里的OCRMaxTool,算是我用过功能最强大、但也最“娇气”的一个。很多刚上手的朋友,特别是从其他视觉平台转过来的,最容易踩的坑就是:把图一扔,参数默认,然后抱怨识别率怎么这么低?

这感觉就像你拿到一台顶级的单反相机,却一直用“自动模式”拍,然后说画质不如手机。不是工具不行,是你没把它“调教”好。OCRMaxTool的强大,恰恰体现在它那几十个可调参数上。默认参数是一个“通用”的起点,但现实世界里的图像千差万别——光照不均、背景复杂、字体磨损、打印模糊、角度倾斜……每一种情况都需要参数的“微调”来应对。

参数优化到底在做什么?简单说,就是教会工具两件事:第一,怎么把一个个字符从背景里“抠”出来(分割);第二,怎么把“抠”出来的图形认成正确的字母或数字(分类)。分割是基础,分割错了,后面分类再厉害也白搭。而分类的准确性,又依赖于你“教”给它的字体样本是否充分、有代表性。

所以,这篇实战指南,我不会给你罗列枯燥的参数说明书(那个在帮助文档里都有),而是带你走一遍我实际项目中的优化流程。我会用几个真实的、有代表性的案例,告诉你面对不同“烂”图时,我的调整思路是什么,先动哪个参数,后动哪个,为什么这么动。目标就一个:让你也能快速掌握这套“组合拳”,把OCRMaxTool的潜力真正发挥出来,把识别率从“勉强能用”提升到“稳如老狗”。

2. 优化前的必修课:理解核心参数与工作流程

在动手调参之前,咱们得先摸清OCRMaxTool的“脾气”。它的工作流程可以简单分为三步:区域定位 -> 字符分割 -> 字符识别。我们优化的重点,90%都集中在“字符分割”这一步。

2.1 分割参数:把字符“切”好的艺术

分割参数主要在 Segment(分割) 选项卡里。这里参数虽多,但核心就围绕几个关键目标,我把它总结为“三围两距一极性”。

“三围”定个体:

  • CharacterMinWidth/Height(字符最小宽/高) 和 CharacterMaxWidth/Height(字符最大宽/高):这就像给字符画了一个“准入框”。太小的噪点(比如图像斑点)和太大的粘连块会被过滤掉。我常遇到的问题是,小字体或点阵打印的“.”(点)容易被当成噪点过滤。这时就需要把CharacterMinHeight从默认的5像素调到3甚至2,同时确保CharacterMinWidth也相应调小。
  • CharacterMinNumPels(字符最小像素数):这个参数特别有用,专治背景上的细小麻点。它规定了一个字符必须由至少多少个前景像素构成。如果图像背景有均匀的椒盐噪声,适当提高这个值(比如从默认的10提高到20),可以干净地滤掉它们,而不会影响真正的字符。

“两距”分彼此:

  • MinIntercharacterGap(最小字符间隙):两个字符之间的最小距离。比这个距离小的间隙,工具会认为你们是一个字符。如果你的字符印得特别密,或者字体是斜体导致字符间有重叠区域,就需要减小这个值,否则工具会把“rn”识别成“m”。
  • MaxIntracharacterGap(字符内最大间隙):一个字符内部允许的最大“裂缝”。比如一个磨损的“8”,中间可能断开了几个像素;或者点阵打印的“i”,点和竖线是分开的。这个值就要设置得比字符内的实际间隙大,但比字符间的间隙小。这是个精细活,需要根据图像实际情况反复尝试。

“一极性”明黑白:

  • Polarity(极性):告诉工具,你的字是“白底黑字”还是“黑底白字”。99%的情况下选“自动”就行。但有一种情况例外:当背景和字符的对比度非常低,或者背景不均匀时,“自动”可能会判断失误。这时候,手动指定正确的极性(LightOnDark 或 DarkOnLight)能立刻提升分割效果。

2.2 字体训练:教工具“认字”的关键

分割好了,接下来就得认字。这发生在 Font(字体) 选项卡。这里有个核心思想:OCRMaxTool是一个基于样本的“认图”工具,而不是基于规则的“认字”工具。

这意味着,你喂给它的“A”的样本图片,和实际要识别的“A”长得越像,它认对的概率就越高。所以,字体训练不是一劳永逸的:

  1. 样本多样性:不能只用一个完美的“A”训练。你应该收集在不同位置、有轻微光照变化、甚至略有模糊或残缺的“A”加入字体库。比如,产线上字符可能出现在标签的边缘,会有透视畸变,你的训练样本里最好也有类似的边缘样本。
  2. 使用“Tune(调整)”选项卡进行半自动训练:这是VisionPro提供的一个神器。你只需要在Expected Text里输入图中应该有的字符串,然后点击Add & Tune。工具会自动分割当前图中的字符,并将它们加入到字体库,同时根据这张图的特征,微调分割参数。这是快速构建鲁棒性字体库的最佳实践。康耐视官方建议用5-15张有代表性的图来做这个自动调整。
  3. 警惕过拟合:样本不是越多越好。如果你只用同一张图,或者极其相似的几张图反复训练,工具可能会对这些特定噪声产生依赖,换一批图效果反而下降。确保训练集能覆盖实际应用中可能遇到的主要变种。

2.3 运行参数:设定判卷的“分数线”

字符分割出来,也跟字体库里的样本比对完了,最后一步就是“打分”和“判决”。这是在 Run Params(运行参数) 选项卡里完成的。

  • AcceptThreshold(接受阈值):这是“录取分数线”。一个字符与字体库中最佳匹配样本的相似度得分必须高于这个阈值,才会被最终输出。如果识别结果里经常出现“未知字符”(显示为UnknownCharacterMarker,比如“?”),通常是因为得分不够高。这时可以适当降低接受阈值,但要注意,降得太低可能会引入误识别。
  • ConfidenceThreshold(置信度阈值):这是“优胜分数线”。它衡量的是“最佳匹配”比“次佳匹配”好多少。比如,一个片段看起来像“O”,但也有点像“0”。如果最佳匹配(假设是“O”)的得分只比次佳匹配(“0”)高一点点,那么即使“O”的得分超过了AcceptThreshold,其置信度也可能低于ConfidenceThreshold,结果可能被标记为低置信度或拒绝。提高这个阈值可以让工具在字符模棱两可时更谨慎,但可能导致更多拒绝。

我的经验是:先调AcceptThreshold保证字符能被识别出来,再调ConfidenceThreshold来过滤掉那些不可靠的识别结果。两者需要配合使用。

3. 实战案例一:解决低对比度与光照不均的瓶盖日期码

我最早被客户叫去救火的一个项目,就是识别矿泉水瓶盖上的激光打码日期。现场环境是这样的:瓶盖是白色的,激光打码是浅浅的凹痕,反光不均匀,对比度极低,而且瓶盖本身是弧面的,打码区域还有轻微变形。

初始状态:用默认参数,识别率不到60%,大量字符被漏掉或认错。

我的优化步骤与思路:

  1. 首要任务:提升分割成功率

    • 放弃自动极性,手动指定:因为对比度太低,“自动”模式经常搞反黑白。我手动将Polarity设置为LightOnDark(瓶盖亮,字迹暗),分割效果立竿见影。
    • 调整二值化阈值:ForegroundThresholdFrac这个参数是关键。默认是0.5。对于低对比度图像,需要降低这个值(比如调到0.3),让更多灰度的像素被判定为前景(字符)。我一边微调这个值,一边观察“显示归一化整流二值化线图像”图形,直到字符轮廓被完整地、干净地提取出来,而背景噪点又最少。
    • 放宽字符尺寸限制:激光打码字符可能比喷墨的要细。我适当降低了CharacterMinWidth和CharacterMinHeight,确保像“1”这样的细长字符不会被过滤。
  2. 字体训练:针对性的样本采集

    • 我没有在实验室用完美的瓶盖训练。而是直接去生产线,收集了上百个不同位置、有不同反光情况的瓶盖图像。
    • 使用 Tune选项卡,在每张图的Expected Text里输入正确的日期码,然后点击Add & Tune。这个过程不仅将字符加入字体库,更重要的是,让工具根据每一张“困难”图片自动学习如何调整分割参数。十几张图训练下来,工具已经学会了如何应对这种弧面、低对比度的场景。
  3. 微调运行参数,平衡检出与误报

    • 经过前两步,识别率已经上升到85%以上。剩下的问题主要是一些字符(如“8”和“B”)在模糊时容易混淆。
    • 我略微提高了ConfidenceThreshold。这样,当工具对一个字符是“8”还是“B”不太确定时,会直接将其标记为低置信度或未知字符,而不是给一个错误的答案。对于生产线上来说,一个明确的“读不出来”信号,比一个错误的读数更有价值,因为它能触发复检或报警。
    • 同时,我启用了UseXScaleFilter和UseYScaleFilter(X/Y尺度过滤器)。因为瓶盖在传送带上可能有微小距离变化,导致字符在图像中的大小有轻微波动。设置一个合理的尺度范围(比如±10%),可以过滤掉那些因为大小异常而肯定是错误的识别候选,进一步稳定了结果。

最终效果:经过上述调整,该工位的OCR识别率稳定在99.5%以上,完全满足了生产需求。这个案例的核心教训是:对于恶劣的成像条件,分割参数的精细调整(尤其是极性和阈值)和基于真实场景的字体训练,比任何复杂的算法都重要。

4. 实战案例二:处理字符粘连与背景噪声的物流面单

第二个经典案例是识别物流快递面单上的运单号。这种面单通常是热敏打印,纸张可能皱褶,打印质量时好时坏,最头疼的问题是:字符粘连(比如“00”印成了“oo”)和背景条纹干扰(面单上的灰色条码区域或底纹)。

初始状态:默认参数下,粘连字符经常被识别成一个字符,背景条纹有时会被误切为字符的一部分。

我的优化步骤与思路:

  1. 解决粘连:让工具“敢于下刀”

    • 字符粘连的本质是,两个字符之间的间隙太小,工具认为它是一个整体。所以,核心参数是MinIntercharacterGap(最小字符间隙)。我需要告诉工具:“只要看到比XX像素更宽的缝,就试着把它切开”。
    • 我首先在 Graphics选项卡 中打开“显示最终片段”和“显示初始字符”图形。这能让我直观地看到工具是如何切割的。
    • 然后,我找了一张“00”粘连严重的图片,逐步减小MinIntercharacterGap的值。每调一次,就点一次“Extract Line”(提取线),观察图形中粘连处是否被正确分割。直到找到一个值,既能切开真正的粘连,又不会把像“m”这样的宽字符错误地切成“r”和“n”。
    • 配合参数:CharacterMaxWidth(字符最大宽度)也很重要。如果我把MinIntercharacterGap调得很小,但CharacterMaxWidth设置得很大,工具可能会觉得“这个字符虽然中间有缝,但整体宽度还在允许范围内,可能就是个宽字符(比如‘W’)”,从而不进行分割。所以,我需要根据单个字符的合理宽度,适当调小CharacterMaxWidth,迫使工具对过宽的块进行分割尝试。
  2. 消除背景噪声:设定严格的“准入门槛”

    • 背景的条纹或污点,通常表现为一些细长或面积很小的连通区域。对付它们,我主要用两个参数:
      • CharacterMinNumPels(字符最小像素数):提高这个值,可以直接过滤掉由少量像素组成的噪点。
      • CharacterMinHeight / CharacterMinWidth:背景条纹往往是横向或纵向的长条。通过设置合理的字符最小高度和宽度,可以过滤掉那些形状明显不像字符的噪声块。例如,如果我的字符高度都在20像素以上,那么我可以把CharacterMinHeight设为15,这样高度小于15的横向条纹就被排除了。
    • 启用笔画宽度过滤:UseStrokeWidthFilter这个选项在对付特定噪声时很有效。如果背景噪声是细丝状的(比如纸张纤维),而字符的笔画较粗,启用这个过滤器可以移除那些与字符笔画宽度不一致的噪声。但要注意:如果字符本身的笔画宽度也不均匀(比如有些字体有衬线),启用它可能会误伤字符。
  3. 利用“字段”功能,引入规则约束

    • 运单号通常有固定的格式,比如全是数字,或者固定位数的“字母+数字”。这时,Fielding(字段) 选项卡就派上大用场了。
    • 我可以在FieldString里指定期望的字符模式,例如“NNNNNNNNNN”(10位数字)。工具在识别时,就会优先从字体库的数字类别里去匹配,大大降低了将“0”误认为“O”的概率。
    • 我还可以设置Min Length和Max Length,直接告诉工具我需要读取的字符长度范围,这对于排除头尾无关的噪声字符非常有效。

最终效果:通过降低最小字符间隙、限制字符最大宽度来“切”开粘连,通过提高像素和尺寸门槛来“滤”掉噪声,再结合字段规则进行“导”向,面对各种品相的面单,识别率从最初的70%提升到了98%以上。这个案例告诉我们:当图像质量尚可但存在特定干扰时,参数调整需要更有针对性,并且善用字段(Fielding)功能可以事半功倍。

5. 高级技巧与避坑指南

经过几个实战案例,你应该已经掌握了基本的优化流程。最后,我再分享几个能让你更进一步的高级技巧和常见坑点。

5.1 善用图形化诊断工具

VisionPro的OCRMaxTool提供了极其丰富的图形显示选项(在Graphics选项卡),这不仅是用来“看结果”的,更是最重要的调试工具。一定要养成边调参边看图形的习惯。

  • 调试分割:重点看“显示归一化整流二值化线图像”和“显示最终片段”。前者告诉你工具“看到了什么”,后者告诉你它把哪些像素块当成了候选字符。如果字符在这里都没出现,那问题一定出在分割参数上。
  • 调试分组:“显示初始字符”和“显示最终角色”可以帮你理解工具是如何把片段组合成字符的。你会发现有时两个片段被错误地合并了,或者一个片段被错误地拆分了,这就能指导你去调整MinIntercharacterGap、MaxIntracharacterGap或CharacterFragmentMergeMode等参数。
  • 调试识别:打开“显示结果图形”,它会直接在输入图像上画出识别出的字符和结果。如果有字符被错误识别,你可以立刻知道是哪个位置出了问题,然后去检查对应位置的图像质量,或者考虑在字体库中增加该位置的样本。

5.2 参数调整的“牵一发动全身”

记住,参数之间不是孤立的。调整一个参数,可能会产生连锁反应。

  • 你为了切分粘连而减小了MinIntercharacterGap,可能会导致原本正确的窄字符(如“i”)上的点被切分开。此时,你可能需要同时减小MaxIntracharacterGap,并确保CharacterFragmentMinXOverlap等参数设置合理,让“i”的点和竖线还能被正确组合。
  • 你为了提高抗噪性而增大了CharacterMinNumPels,可能会过滤掉小字体中的标点符号(如“.”)。这时就需要在抗噪性和完整性之间做权衡,或者考虑对不同区域使用不同的参数集。

5.3 建立你的参数优化清单

面对一个新项目,不要盲目乱调。我习惯按以下清单顺序进行排查和优化:

  1. 图像预处理:这是第一步,也是最重要的一步。检查你的打光是否均匀?相机镜头是否干净?字符在图像中是否清晰?好的图像是成功的一半。在VisionPro中,可以先使用CogIPTwoImageAdd工具做图像平均去噪,或用CogIPHistogramTool做对比度拉伸,往往能大幅降低后续OCR的难度。
  2. ROI(感兴趣区域):在Region选项卡中,把ROI框得尽可能紧,只包含你要识别的文本行,排除所有无关背景。
  3. 分割极性:先确定Polarity,是白字黑底还是黑字白底。
  4. 核心尺寸过滤:根据实际字符大小,设置好CharacterMin/Max Width/Height,建立一个合理的“字符篮筐”。
  5. 解决粘连/断裂:通过观察图形,调整MinIntercharacterGap和MaxIntracharacterGap。
  6. 过滤噪声:调整CharacterMinNumPels、UseStrokeWidthFilter等。
  7. 字体训练:使用Tune选项卡,用多张有代表性的图进行半自动训练。
  8. 设置接受标准:调整AcceptThreshold和ConfidenceThreshold。
  9. 应用业务规则:在Fielding选项卡中设置字符类型、长度等约束。

参数优化没有绝对的“银弹”,它更像一门基于经验的实验科学。最好的学习方法就是多动手,多观察,多思考“工具为什么会犯这个错误”。每一次成功的调试,都会让你对这套工具的理解更深一层。希望这份实战指南能帮你少走弯路,更快地让VisionPro OCRMaxTool在你的项目里稳定、高效地跑起来。

visionpro软件的OCRMaxTool参数详解 OCRMax工具编辑控件为CogOCRMaxTool工具提供了图形用户界面,您可以使用该界面来读取8位灰度图像中的单个字符串。 下图显示了对字符串进行分类后的OCRMax工具编辑控件: 编辑控件提供以下功能: 1.左上方的控制按钮行提供对最常用操作的访问。 2.一组功能选项卡使您可以构建OCRMax字体,设置分段参数,并可以选择指定要验证的全部或部分字符串。 3.图像显示窗口显示获取的图像和结果图形。 要将编辑控件包含在自定义视觉应用程序中,必须首先将其添加到Visual Studio .NET开发环境中 阅读详情

相关推荐

VisionPro中OCRMaxTool参数优化实战指南

本文是VisionPro中OCRMaxTool参数优化的实战指南。针对工业场景中字符识别率低的问题,详细解析了从理解工作流程、构建图像字体库,到手动精调分割参数(如字符尺寸、间隙)的核心步骤。重点阐述了如何通过优化OCRMaxTool参数,有效解决字符粘连、断裂等难题,并结合运行参数与字段校验,最终实现从“能读”到“读得准”的飞跃,提升识别稳定性与准确率。

peach的博客 782

VisionPro —— CogOCRMaxTool工具详解

是一个字符识别工具,主要用于字符识别,它能够根据已训练的字符样本读取灰度图像中的字符,并返回读取结果。

一个新人博客,愿多多支持。 2241

VisionPro OCRMaxTool实战:如何用Segment Tab精准分割模糊字符(附参数调优技巧)

本文详细解析了VisionPro OCRMaxTool在工业场景中处理模糊字符分割的实战技巧,重点介绍了Segment Tab模块的12个核心参数及其协同作用机制。通过参数调优决策树和金属铭牌案例分步解析,帮助工程师有效解决金属反光、油污粘连等导致的字符识别难题,提升OCR识别率至98.7%。

weixin_28308325的博客 125

告别404!用Python自动检测浏览器书签失效链接(附完整代码)

本文介绍如何使用Python自动化检测浏览器书签中的失效链接,告别手动检查的繁琐。通过提取书签HTML文件、并发验证链接有效性,并生成清晰报告,帮助用户高效清理数字收藏夹,提升信息管理效率。

u6v7w8x的博客 571

VisionPro中分享CogPMAlignTool图像匹配工具的使用详解_史上最全

PMAlign工具: 此工具可用于训练样板,然后使用在连续的输入图像中搜索样板。可指定执行样板训练或样板搜索时要使用的 算法类型,并可选择利用图像还是利用形状模型集合创建已训练样板。输入图像内的可选搜索区域可限制样板搜索的范围。 目的: 这里主要分享一下,如何在一个ToolBlock中使用PMAlign工具对图像做训练,以及参数的修改,最后将工具的搜索区域打印出来。 1. 输入图像 由于这里没有接相机,所以图像来源我们选择图像库文件:首先打开一个作业CogJob,然后选择图像,可以是单个图像,也可以是多个

qq_34699535的博客 2万+

康耐视visionpro-CogOCRMaxTool操作操作工具详细说明

康耐视visionpro-CogOCRMaxTool操作操作工具详细说明

视觉人机器视觉的博客 2865

使用C#和VisionPro实现OCR识别:实践与应用

通过C#结合VisionPro实现OCR识别,不仅简化了代码编写,还提高了识别的准确性和效率。在实际应用中,我们可以根据具体需求进行调整和优化,以达到最佳效果。希望本文对您的项目有所帮助,如果有任何问题或进一步的讨论,欢迎留言交流。

东城十三 1175

VisionPro结果分析工具的原理

本例程以例程方式介绍如何在VisionPro结果分析工具的原理

VisionPro---PatMaxTool工具使用

PatMax是一种图案位置搜索技术(识别+定位),PatMax图案不依赖于像素格栅,是基于边缘特征的模板匹配而不是基于像素的模板匹配,支持图像中特征的旋转与缩放,边缘特征表示图像中不同区域间界限的轮廓线(有大小有方向),特征是表示图像中不同区域之间界限的等高线,基于特征的表现可以比像素格栅表现更快捷和更准确地进行转化。当图像中的特征比较明显或者对匹配精度要求不高,提高算法速度时,可以适当调大精细参数,这样在训练图形中精细特征就会减少,调大粗糙参数,粗糙特征就会增多,训练时,就可以提高算法速度。

匿名者的博客 6660

VisionPro OCR字符识别

VisionPro ToolBlock的C#编程运用方法,但不含VPP文件

CPU进程调度算法【FCFS、SJF、优先级、RR、多级队列、多级反馈队列调度】

目录 一、先到先服务调度: 二、最短作业优先调度: 三、优先级调度: 四、轮转调度: 五、多级队列调度: 六、多级反馈队列调度: CPU调度算法处理的问题是:从就绪队列中选择进程以便为其分配CPU。 一、先到先服务调度: First Come,First Served(FCFS) 定义:先请求CPU的进程首先分配到CPU。FCFS策略可以通过FIFO队列轻松实现。 护航效果:其他所有进程会等待一个大进程释放CPU 非抢占式:一旦CPU分配给了一个进程,该进程就会使用CPU知道释.

马小超 3922

2.VisionPro实现圆环文字读取

这种一般都是查找圆环二维码和数字,VisionPro比Halcon要简单的多,基本是手动操作图像如下:可以拿去试试。

weixin_45171855的博客 840

Inception-Resnet-v1、Inception-Resnet-v2学习笔记(附Pytorch代码)_inception-resnet-v1 代码

Reduction-B模块:输入8*8*1792,输出8*8*1792.IR-B模块*10:输入17*17*896,输出17*17*896.IR-A模块*5:输入35*35*256,输出35*35*256.IR-A模块*5:输入35*35*384,输出35*35*256.IR-B模块*10:输入17*17*896,输出8*8*1792.IR-C模块*5:输入8*8*1792,输出8*8*1792.IR-C模块*5:输入8*8*1792,输出8*8*1792.

2401_89285791的博客 471

VisionPro CogOCRMaxTool快速上手

CogOCRMaxTool:主要用于字符识别,它能够根据已训练的字符样本读取灰度图像中的字符,并返回读取结果。自动识别有误时在此调整。

LR_ccc的博客 878

告别零散脚本:用Playwright+Pytest+Yaml+Allure搭建可维护的UI自动化项目

UI自动化测试是软件质量保障的关键环节,其核心在于模拟用户操作,对Web应用界面进行功能验证。传统的脚本堆砌方式常因代码耦合度高、维护成本大而难以为继。工程化解决方案通过分离关注点,将测试逻辑、数据和配置解耦,从而显著提升项目的可读性、可维护性和可扩展性。其技术价值在于构建可持续运行的自动化资产,而非一次性脚本。典型的应用场景包括Web应用的回归测试、兼容性测试及CI/CD流水线中的质量门禁。本文以Playwright、Pytest、Yaml和Allure为核心技术栈,详细阐述了如何从项目架构、页面对象模型

weixin_42529328的博客 302

[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey

本综述有两个独创之处,首先,与传统的调查方法直接将医学图像分割的文献划分为多个组,并对每个组详细介绍文献的方法相比,我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次,本文重点研究了监督学习和弱监督学习方法,但未包括无监督方法,这种方法目前在医学图像领域并不流行。对于监督学习方法,我们从骨干网络的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法,我们分别根据数据增强,迁移学习和交互式分割研究文献。与已有的调查相比,本次调查的文献分类与以往有很大的不同,更便于读者了解相关

qq_38932073的博客 4万+

VisionPro Blob、条码识别、OCR 核心学习笔记

Blob 核心是灰度分割 + 连通域分析,依赖高对比度;光照稳定用固定硬阈值(最快),光照变化用相对硬阈值(最稳);8 邻域适合连续目标,4 邻域适合分离目标;形态学用于优化二值图像,筛选用于剔除无效斑点。基于字符分割 + 模板匹配,读取图像中的印刷 / 雕刻字符;应用场景:生产日期、序列号、批次号、型号等字符读取。字符分割 → 字符训练(建库) → 字符识别 → 结果输出。

weixin_66547608的博客 1383

知识图谱设计简记

知识图谱是一种语义化的知识表示框架,通过实体-关系-属性三元组形式表达现实世界关联。其核心价值在于关联化整合数据、支持可解释性推理和赋能智能化应用。知识图谱可分为通用型和领域型两类,基本构成包括实体、关系、属性等基础元素,以及本体和实例等架构层元素。设计方法主要有自上而下、自下而上和混合式三种,需遵循业务导向、一致性等原则。在建模时需要明确属性与实体的判断标准,规范处理关系的方向性与对称性,并合理构建多重关系。主流技术框架如RDF和属性图体系均支持多重关系建模,选择需考虑业务需求。本体作为知识图谱的概念骨架

生活在别处 364

VisionPro CogOCRMaxTool字符识别工具判断是否存在相同字符

当需要判断CogOCRMaxTool工具识别时判断是否识别正确,字符中存在“?”,或者解析错误存在相同字符。 CogOCRMaxTool OCRMax = Tools.CogOCRMaxTool1; if(OCRMax.LineResult.Count == 3 && !(OCRMax.LineResult.ResultString.Contains("?") && (OCRMax.LineResult.ResultString.Length - OCRMax.L

钢铁男儿 1811

SCADA|KingSCADA通过组合框选择修改变量的值

《SCADA项目中组合框控件的使用方法》 本文详细介绍了SCADA系统中组合框(下拉框)控件的应用方法。通过具体示例演示如何实现:当选择"雷工笔记"时变量值为100,选择"雷工杂谈"时为200,选择"小李食代"时为300的功能。主要实现步骤包括:1)创建项目并添加组合框控件;2)设置Items选项及对应数值;3)创建内存变量;4)使用GetCurrentIndex()和GetItemData()方法;5)在选项变化事件中编写脚本。该控件在SCADA

做有价值的事,积累有价值的笔记! 868

全面解析智能座舱芯片参数:高通 (SA8295)vs 联发科,真实案例一行行讲给你听!

使用场景推荐芯片中低端车型 + 1屏导航语音SA8155P / MT8628(性价比高)中控+副驾+仪表+全景影像SA8255P / MT8678(性能强)高阶自动驾驶+域控融合SA8295P(顶级安全+算力)

weixin_43199439的博客 2085

VisionPro 常用工具介绍

VisionPro 常用工具介绍所有工具大纲VisionPro 基础工具CogImageFileTool工具CogPMAlignTool工具CogCNLSearchTool工具(也是一种特征匹配工具)CogBlobTool工具CogCaliperTool工具CogPMAlignMultiTool工具 所有工具大纲 VisionPro 基础工具 CogImageFileTool工具 CogImageFileTool工具可以用来将单张图片或idb格式的图片数据库读入内存,如图所示,可以作为没有相机时的其他工具

qq_41036272的博客 4万+

openHarmony之AI Engine:万字讲解如何在应用、开发板上接入AI大模型调用

本文章介绍如何在 OpenHarmony 开发板上集成和部署各类 AI 大模型,实现终端直接聊天功能,并为语音助手、智能机器人等应用提供 AI 接口支持。

m0_67505153的博客 620

VisionPro工具说明

无分类 1.1. CogAcqFifoTool 功能:从相机获取图像 1.2. CogBlobTool 功能:斑点找寻工具 1.3. CogCaliperTool 功能:卡尺工具,用于找单边或边缘对 1.4.CogCNLSearchTool 功能:在图像中找寻像素值的训练模板 1.5. CogDataAnalysisTool 功能:数据分析工具 1.6. CogImageFileTool 功能:...

meifeisewu8的博客 2万+

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

上一篇: SpringBlade前后端分离开发指南:React/Vue + SpringCloud全家桶实战
下一篇: 【电源设计】基于T型三电平逆变器的光伏并网系统优化方案
人间清醒863
博客等级 码龄3年 33粉丝 1544原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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
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