[發(fā)明專(zhuān)利]一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010188543.6
• 申請(qǐng)日: 2020-03-17
• 公開(kāi)（公告）號(hào): CN111414844B
• 公開(kāi)（公告）日: 2023-08-29
• 發(fā)明（設(shè)計(jì)）人: 張聰;靳松直;周斌;張輝;王浩;韋海萍;鄭文娟;高仕博;鄭智輝;郝夢(mèng)茜;叢龍劍;劉嚴(yán)羊碩;李少軍;劉燕欣;高琪;張藝明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京航天自動(dòng)控制研究所
• 主分類(lèi)號(hào): G06V20/62
• 分類(lèi)號(hào): G06V20/62;G06V10/764;G06V10/82;G06N3/0464;G06N3/0442;G06N3/047;G06N3/08
• 代理公司: 中國(guó)航天科技專(zhuān)利中心 11009
• 代理人: 高志瑞

本發(fā)明公開(kāi)了一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別方法，所述方法包括如下步驟：步驟1：采集集裝箱樣本圖像，根據(jù)集裝箱樣本圖像構(gòu)建循環(huán)卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)循環(huán)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后得到分類(lèi)器；步驟2：計(jì)算圖像透視變換矩陣；步驟3：利用步驟2得到的圖像透視變換矩陣對(duì)待檢測(cè)集裝箱圖像進(jìn)行透視變換得到視變換后的圖像；步驟4：使用步驟1的分類(lèi)器對(duì)透視變換后的圖像進(jìn)行字符識(shí)別得到字符識(shí)別結(jié)果；步驟5：利用集裝箱箱號(hào)規(guī)則對(duì)字符識(shí)別結(jié)果進(jìn)行核對(duì)校驗(yàn)，輸出最終的箱號(hào)檢測(cè)結(jié)果。本發(fā)明對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，具有更高的識(shí)別率和可靠性；對(duì)圖像進(jìn)行透視變換，提高不同角度安裝攝像頭應(yīng)用該方法的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于集裝箱箱號(hào)識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別方法。

背景技術(shù)

集裝箱箱號(hào)是集裝箱的唯一身份標(biāo)識(shí)，是智慧港口、集裝箱自動(dòng)化系統(tǒng)的重要基礎(chǔ)信息。基于光學(xué)字符識(shí)別的箱號(hào)識(shí)別系統(tǒng)，無(wú)需對(duì)集裝箱增加額外設(shè)備，只需獲取包含集裝箱箱號(hào)的圖像即可實(shí)現(xiàn)，已成為現(xiàn)代化港口箱號(hào)識(shí)別的主流。

目前較為流行的光學(xué)字符識(shí)別算法主要分為兩種，一種是基于模板匹配的算法，另一種是基于神經(jīng)網(wǎng)絡(luò)的算法。前者方法較為簡(jiǎn)單易于實(shí)現(xiàn)，但由于集裝箱箱體的凹凸折紋、光照或惡劣天氣等因素的影響，其準(zhǔn)確率和可靠性較低。后者具有一定的自學(xué)習(xí)能力，尤其近年來(lái)隨著深度學(xué)習(xí)算法和硬件的飛速發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別受到越來(lái)越多的關(guān)注。

然而實(shí)際應(yīng)用場(chǎng)景下，我們所能獲取的集裝箱箱號(hào)圖像通常還受攝像頭安裝位置影響，圖像存在較大角度的透視變形，傳統(tǒng)的基于神經(jīng)網(wǎng)絡(luò)無(wú)法直接得到較好的結(jié)果。

發(fā)明內(nèi)容

本發(fā)明解決的技術(shù)問(wèn)題是：克服現(xiàn)有技術(shù)的不足，提供了一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別方法，對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，具有更高的識(shí)別率和可靠性；對(duì)圖像進(jìn)行透視變換，提高不同角度安裝攝像頭應(yīng)用該方法的魯棒性。

本發(fā)明目的通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別方法，所述方法包括如下步驟：步驟1：采集集裝箱樣本圖像，根據(jù)集裝箱樣本圖像構(gòu)建循環(huán)卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)循環(huán)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后得到分類(lèi)器；步驟2：計(jì)算圖像透視變換矩陣；步驟3：利用步驟2得到的圖像透視變換矩陣對(duì)待檢測(cè)集裝箱圖像進(jìn)行透視變換得到視變換后的圖像；步驟4：使用步驟1的分類(lèi)器對(duì)透視變換后的圖像進(jìn)行字符識(shí)別得到字符識(shí)別結(jié)果；步驟5：利用集裝箱箱號(hào)規(guī)則對(duì)字符識(shí)別結(jié)果進(jìn)行核對(duì)校驗(yàn)，輸出最終的箱號(hào)檢測(cè)結(jié)果。

上述基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別方法中，在步驟1中，采集集裝箱樣本圖像，根據(jù)集裝箱樣本圖像構(gòu)建循環(huán)卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)循環(huán)卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后得到分類(lèi)器包括如下步驟：(11)采集集裝箱樣本圖像；(12)將集裝箱樣本圖像縮放至高度32像素和寬度160像素的第二樣本圖像；將第二樣本圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，其中，卷積神經(jīng)網(wǎng)絡(luò)包括7層卷積層和4層最大池化；卷積神經(jīng)網(wǎng)絡(luò)輸出512個(gè)特征圖，每個(gè)特征圖高度為1，寬度為40；(13)從步驟(12)得到的特征圖中提取特征向量，其中，每個(gè)特征向量在特征圖上按列從左到右生成，每一列包含512維特征，即第i個(gè)特征向量是所有特征圖第i列像素的連接，共產(chǎn)生40個(gè)特征向量；(14)循環(huán)神經(jīng)網(wǎng)絡(luò)采用兩層各256單元的雙向長(zhǎng)短型網(wǎng)絡(luò)，在雙向長(zhǎng)短型網(wǎng)絡(luò)的每個(gè)時(shí)間步傳入一個(gè)特征向量，其中，時(shí)間步的數(shù)量為40個(gè)，每個(gè)時(shí)間步輸出40個(gè)長(zhǎng)度為37(26個(gè)英文字母+10個(gè)阿拉伯?dāng)?shù)字+1個(gè)空字符，其中空字符用“-”表示)的向量，40個(gè)向量構(gòu)成后驗(yàn)概率矩陣；(15)由后驗(yàn)概率矩陣計(jì)算損失函數(shù)，其中，損失函數(shù)定義為概率的負(fù)最大似然函數(shù)；(16)通過(guò)損失函數(shù)對(duì)卷積循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到設(shè)定的學(xué)習(xí)次數(shù)100000和精度0.0001時(shí)完成訓(xùn)練，得到分類(lèi)器。