[發(fā)明專利]基于深度學(xué)習(xí)的零件噴碼字符端到端識別方法

在審

• 申請?zhí)枺?/td>: 202011163492.8
• 申請日: 2020-10-27
• 公開（公告）號: CN112508023A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設(shè)計）人: 唐倩;郭伏雨;李代楊;羅超
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06N3/04;G06N3/08
• 代理公司: 重慶謝成律師事務(wù)所 50224
• 代理人: 謝殿武

1.一種基于深度學(xué)習(xí)的零件噴碼字符端到端識別方法，其特征在于：所述方法包括以下步驟：

S1：采用卷積層提取目標(biāo)圖片的圖像特征，所述目標(biāo)圖片為含有待識別字符的圖片；

S2：采用循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，以所述圖像特征為輸入，識別圖像特征的感受野信息，獲得所述圖像特征的特征序列；

S3：利用聯(lián)結(jié)主義時間分類CTC訓(xùn)練后的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述特征序列進行學(xué)習(xí)，獲得所述特征序列的預(yù)測序列；

S4：根據(jù)CTC Beam Search Decoding算法，以所述預(yù)測序列為輸入，獲得字符序列。

2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的零件噴碼字符端到端識別方法，其特征在于：所述卷積層包括7個卷積層和4個池化層，其網(wǎng)絡(luò)架構(gòu)從輸入到輸出依次為輸入、卷積1、池化1、卷積2、池化2、卷積3、卷積4、池化3、卷積5、卷積6、池化4、卷積7；

其中，卷積1、卷積2、卷積3、卷積4、卷積5和卷積6的卷積核大小均為(3，3)、步長均為1和周邊填充系數(shù)均為1，卷積7的卷積核大小為(2，2)、步長為1和周邊填充系數(shù)為0；

池化1和池化2的系數(shù)為(2，2)，池化3和池化4的系數(shù)為(2，1)。

3.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的零件噴碼字符端到端識別方法，其特征在于：所述步驟S3包括如下步驟：

S31：聯(lián)結(jié)主義時間分類CTC定義CTC Loss損失函數(shù)，構(gòu)建預(yù)測的字符序列和訓(xùn)練標(biāo)簽之間的多對一映射；

S32：聯(lián)結(jié)主義時間分類CTC采用了動態(tài)規(guī)劃算法計算CTC Loss，實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN端到端訓(xùn)練。

4.根據(jù)權(quán)利要求3所述基于深度學(xué)習(xí)的零件噴碼字符端到端識別方法，其特征在于：所述CTC Loss損失函數(shù)采用如下方法確定：

其中，L表示CTC Loss損失函數(shù)，x表示輸入特征序列，Z表示預(yù)測結(jié)果，S表示訓(xùn)練數(shù)據(jù)集，π_t表示t時刻預(yù)測序列π中對應(yīng)的字符，表示BiLSTM網(wǎng)絡(luò)預(yù)測得到的概率矩陣y中時序為t時預(yù)測結(jié)果為π_t的概率；

所述動態(tài)規(guī)劃算法計算CTC Loss采用如下方法確定：

其中，x表示輸入特征序列，Z表示圖像的標(biāo)簽，S表示訓(xùn)練數(shù)據(jù)集，表示BiLSTM網(wǎng)絡(luò)預(yù)測得到的概率矩陣y中時序為t時預(yù)測結(jié)果為π_t的概率，β_t(s)表示后向傳播時在時刻t經(jīng)過節(jié)點s的全部子路徑的概率總和，α_t(s)表示前向傳播時在時刻t經(jīng)過節(jié)點s的全部子路徑的概率總和。