[發明專利]一種基于卷積神經網絡分類的集裝箱箱號識別方法

有效

• 申請號: 201810332166.1
• 申請日: 2018-04-13
• 公開（公告）號: CN108596166B
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 潘達儒;鄭宜海
• 申請（專利權）人: 華南師范大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/34;G06T5/00;G06T7/13
• 代理公司: 廣州新諾專利商標事務所有限公司 44100
• 代理人: 吳澤燊

1.一種基于卷積神經網絡分類的集裝箱箱號識別方法，其特征在于包括有以下步驟：

S1、獲取集裝箱不同方向的RGB圖像，通過對RGB圖像進行灰度化處理、高斯濾波處理、邊緣檢測處理和形態學處理一系列預處理，從而對圖像中的集裝箱箱號區域進行定位；

S2、對S1步驟中已經定位的箱號區域進行透視變換與二值化處理，采用基于字符邊框的方法，對上述二值化處理的圖像進行處理，得到所有的字符邊框信息，同時采用投影法對上述二值化處理的圖像進行掃描，得到存在的所有字符的分割點，將上述兩種方法處理后的信息進行對比融合，篩選出錯誤邊框，利用正確邊框特征信息，對錯誤邊框進行融合與分離，分割出殘缺字符與粘連字符；

對于殘缺字符，會產生多個不連接的部分，基于邊框的方法將每個小部分單獨定位，將該步驟中使用投影法得到的分割點對此部分多個邊框進行融合，并在垂直方向使用投影法確定字符高度，將殘缺的字符部分劃歸到一個矩形框中；對于粘連的字符先進行重掃描，并減去一個閾值，對于輕微粘連字符，通過減去一個閾值，可以得到清晰的分割點，但粘連嚴重的字符，其投影結果難以發現分割點，此時使用該步驟中保存的正確字符邊框進行字符特征提取，通過對已矯正與正確邊框的計數，結合粘連部分對正確字符邊框特征取整運算可以確定出粘連字符中存在幾位字符；

S3、將S2步驟中分割好的箱號字符按照其在箱號中的位置順序，輸入預設好的五層卷積神經網絡模型，將識別結果進行組合，通過后處理得到準確的集裝箱箱號。

2.根據權利要求1所述一種基于卷積神經網絡分類的集裝箱箱號識別方法，其特征在于：所述S1步驟中，

采用以下公式對獲取的RBG圖像進行灰度化處理，以減小圖像大小，降低系統識別全過程的計算量：

Grey＝0.2989*R+0.5870*G+0.1140*B,式中R、G和B表示圖像三通道數值；

采用以下公式對上述灰度圖像進行濾波，以去除細節和噪聲，使得圖像模糊化：

公式采用5*5高斯核，標準差σ為1.5。

3.根據權利要求2所述一種基于卷積神經網絡分類的集裝箱箱號識別方法，其特征在于：所述S1步驟中，

采用以下Canny邊緣檢測算法，對上述濾波后的圖像進行邊緣檢測，根據箱號的高度、寬度和面積特征對邊緣矩形框進行篩選，得到箱號候選區域：

式中ThresMax與ThresMin為圖像的最大與最小灰度值；

采用形態學對上述箱號候選區域進行腐蝕與膨脹操作，使得分離的箱號字符邊框相互連接，通過對連接后的區域進行箱號長、高特征篩選，將箱號區域定位出來，達到集裝箱箱號定位效果。

4.根據權利要求3所述一種基于卷積神經網絡分類的集裝箱箱號識別方法，其特征在于：所述S2步驟中，

對已經定位出的箱號區域使用透視變換，使得箱號在水平或豎直方向上，并分割出透視變換后的箱號區域；

使用大津法對分割出的箱號區域圖像求得最佳閾值，使用該閾值對箱號區域進行二值化處理。

5.根據權利要求4所述一種基于卷積神經網絡分類的集裝箱箱號識別方法，其特征在于：所述S3步驟中，五層卷積神經網絡模型訓練搭建包括有：

對大量的集裝箱進行箱號字符分割，得到包含各個角度、各類形變、殘缺和光照變化的字符圖片；對得到的字符圖片數據集進行識別分類，對相似的字符分作一類，隨機選擇出每類樣本中的若干圖像分為測試集和訓練數據集，對所有類的測試集和訓練數據集分別進行統一處理，做出兩個LMDB文件，供卷積神經網絡訓練使用；

搭建一個五層的卷積神經網絡模型，將兩個LMDB文件輸入網絡進行訓練，通過數十萬次的參數迭代，使得損失函數值收斂到一個最小值，將收斂時的神經網絡模型狀態保存，得到一個高精度的箱號字符識別模型。

6.根據權利要求5所述一種基于卷積神經網絡分類的集裝箱箱號識別方法，其特征在于：所述S3步驟中，后處理包括有：對識別箱號中的前4位字母與后7位數字進行后處理，相似字符識別結果根據其位置確定準確識別結果；對識別的箱號進行校驗，校驗正確則輸出箱號，否則，根據對錯誤識別結果的總結，調整個別常箱號字符識別結果，再一次進行校驗輸出。