使用环境 |
在烟草专卖管理场景中,使用手持设备(手机、平板)拍摄卷烟包装上的烟码,拍摄距离为10-30cm,光照条件为自然光或室内照明,拍摄角度为正面或轻微倾斜。 |
使用对象 |
卷烟包装上的32位烟码,包含数字和字母,用于标识卷烟的出库日期、相关企业和零售网点等信息。 |
使用目的 |
通过智能识别系统快速、准确地获取烟码信息,替代人工录码方式,提高烟草专卖管理的效率和准确性,减少人工抄录带来的误差。 |
输入数据 |
手持设备拍摄的卷烟包装上的烟码图像。 |
输出数据 |
识别出的完整烟码(32位数字和字母)、烟码区域位置信息。 |
硬件配置 |
CPU:Intel Xeon E5-2609
GPU:NVIDIA GTX 1080
内存:64GB |
样本获取 |
在上海烟草专卖局拍摄的烟码照片构建数据集,包含10000幅较清晰完整的烟码图像,其中9000幅用于训练,1000幅用于检测测试,80000幅多字符烟码图像用于字符识别训练和测试。 |
测试结果 |
区域检测:检测准确率为96.2%,检测时间203.5秒。
字符识别:平均识别准确率为92.5%,平均识别时间190.3秒。
系统测试:实际应用中,系统识别方式综合用时为人工方式的12.5%,识别正确率为85.6%。 |
执行速度 |
区域检测:约200ms/次 字符识别:约20ms/次 |
资源消耗 |
针对上述硬件配置,使用TensorFlow记录的数据,单独运行算法时,CPU计算占比平均约60%,GPU计算占比平均约70%,内存使用占比约50%。 |
源码类型 |
本算法有Python版本源码,使用售卖方式三进行授权。 |
文件大小 |
算法程序文件27KB,权重文件43MB。 |
相关备注 |
|