申请/专利权人：余自如;吴晓青

申请日：2020-04-28

公开（公告）日：2023-11-17

公开（公告）号：CN111598146B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/56;G06T7/90;G01N21/55

优先权：

专利状态码：有效-授权

法律状态：2023.11.17#授权;2020.09.22#实质审查的生效;2020.08.28#公开

摘要：本发明公开了一种笔墨识别方法、系统、装置及存储介质，方法包括：根据纸质文件中无笔墨部分的第一反射光谱和待测点笔墨的第二反射光谱，得到待测点笔墨的光谱反射率；根据所述第二反射光谱识别得到笔墨颜色信息；根据样品数据库构建笔墨特征分类模型；所述样品数据库预存储有若干种品牌型号的笔墨的光谱反射率；根据笔墨特征分类模型，对所述待测点笔墨的光谱反射率进行相关性检验，得到待测点笔墨的识别结果。本发明提高了笔墨识别的可靠性和效率，可广泛应用于图像处理技术领域。

主权项：1.一种笔墨识别方法，其特征在于，包括：根据纸质文件中无笔墨部分的第一反射光谱和待测点笔墨的第二反射光谱，得到待测点笔墨的光谱反射率；所述光谱反射率的计算公式为： IRλ为第二反射光谱，I0λ为第一反射光谱，Rλ为待测点笔墨的光谱反射率；根据所述第二反射光谱识别得到笔墨颜色信息；根据样品数据库构建笔墨特征分类模型，所述样品数据库预存储有若干种品牌型号的笔墨的光谱反射率；分类模型为PLS-DA分类模型、KNN分类模型、SVM分类模型或神经网络分类模型，分类模型的建立包括以下步骤：①对采集到的具有标签的光谱反射率数据进行剔除奇异数据、去噪、平滑、标准正态变量变换以及多元散射校正预处理；②对数据进行降维处理提取数据特征；③将特征数据根据交叉验证方法划分为训练集和测试集，使用回归算法对训练集建立多个分类模型；④根据在不同分类模型下预测测试集的效果评估出最优模型作为最终分类模型，评估方法有模型预测准确率，均方根误差；根据笔墨特征分类模型，对所述待测点笔墨的光谱反射率进行相关性检验，得到待测点笔墨的识别结果；其中，所述识别结果包括笔墨品牌、笔墨颜色、笔墨型号以及笔墨批次；所述根据笔墨特征分类模型，对所述待测点笔墨的光谱反射率进行相关性检验，得到待测点笔墨的识别结果，包括：通过笔墨特征分类模型，将所述待测点笔墨的光谱反射率与样品数据库中预存储的光谱反射率进行类别匹配，确定待测点笔墨的类别信息；根据所述类别信息以及所述笔墨颜色信息，确定所述待测点笔墨的识别结果；所述根据笔墨特征分类模型，对所述待测点笔墨的光谱反射率进行相关性检验，得到待测点笔墨的识别结果，还包括：确定不同待测点笔墨的识别结果是相同品牌、相同型号且相同颜色后，对所述不同待测点笔墨的光谱反射率进行相关性计算，确定所述不同待测点笔墨的批次识别结果；所述根据笔墨特征分类模型，将所述待测点笔墨的光谱反射率与样品数据库中预存储的光谱反射率进行类别匹配，确定待测点笔墨的类别信息，还包括：确定所述待测点笔墨的光谱反射率无法在所述样品数据库中匹配到对应结果，则发出样品数据补充请求。

全文数据：

权利要求：

百度查询： 余自如;吴晓青 一种笔墨识别方法、系统、装置及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD