[發(fā)明專利]一種快速識別石墨電極標簽的方法

在審

• 申請?zhí)枺?/td>: 202110902065.5
• 申請日: 2021-08-06
• 公開（公告）號: CN113627437A
• 公開（公告）日: 2021-11-09
• 發(fā)明（設計）人: 蘭天翔;劉名果;陳立家;梁倩;田敏;韓宗桓;代震;王贊
• 申請（專利權）人: 河南大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/32;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種快速識別石墨電極標簽的方法，涉及計算機視覺領域。本發(fā)明針對石墨電極標簽自動識別問題，提出了一種標簽自動快速識別方法。本方法使用了新的快速語義分割網絡AL?UNet，保留了UNet網絡所具有的高精度分割能力，同時又結合了MobileNet的輕量化特點，大幅提升了網絡速度。為了提高網絡的魯棒性，網絡使用擴充的數(shù)據集，使其能夠適應更多的環(huán)境。語義分割后，使用新型的校正方法校正字符圖像的角度；使用投影法切分字符，送入LeNet?5識別網絡，獲得識別結果。本發(fā)明所提出的方法實現(xiàn)了石墨電極標簽的自動識別。

技術領域

本發(fā)明涉及一種石墨電極標簽識別方法，特別是一種快速識別石墨電極標簽的方法，該方法基于AL-UNet網絡，涉及計算機視覺領域。

背景技術

現(xiàn)深度學習廣泛應用于智能家居、醫(yī)療、自動駕駛、物理、游戲制作等各種領域當中。在智能家居方面，有智能語音回復AI、人臉識別智能鎖等；在醫(yī)療方面，有病例圖像分割、癌細胞篩查、藥物篩查等；在自動駕駛方面，有路徑自動規(guī)劃，目標檢測與識別等；在物理方面，有深度學習輔助計算篩選材料等；在游戲制作方面，有智能生成游戲場景、生成游戲原畫及游戲角色等。深度學習已經發(fā)展到了多個領域，這些領域中大多離不開語音識別及圖像處理。隨著深度學習的不斷發(fā)展，原本圖像處理中存在的難題獲得了新的解決方法。

近些年，由于深度學習技術的逐漸成熟，深度學習逐漸應用到了工業(yè)領域，工業(yè)生產中的技術難題有了解決方法。在工業(yè)生產中，如何使用較少的資源更快的獲得精確的結果，實現(xiàn)生產流程的自動化，是一個熱門的研究方向。人工智能的加入，輕量化網絡模型的應用，使自動化技術更加成熟。

石墨電極編號的自動識別是傳統(tǒng)算法不能解決的問題之一。由于石墨電極具有紋理復雜、反光明顯、編號難以辨認等特點，傳統(tǒng)算法無法處理石墨電極圖像，進而無法準確識別其上的編碼。實現(xiàn)石墨電極編號自動識別能夠明顯降低工人的工作量，提高工人的工作效率，并減低由于人工所產生的錯誤率。工人只需使用移動手持設備拍攝石墨電極編號部分即可直接識別編號。

發(fā)明內容

針對現(xiàn)有傳統(tǒng)算法的不足，本發(fā)明提出一種快速識別石墨電極標簽的方法。

為達到上述目的，本發(fā)明提出如下技術方案：快速識別石墨電極標簽的技術方案，包含步驟如下：

（1）使用相機拍攝待分割圖像，由人工對圖像中的待分割物體手動標記獲得圖像標簽，與原圖組成成對的訓練集，通過鏡像、翻轉、添加噪點、調整亮度的方法，擴充數(shù)據集，以此數(shù)據集訓練AL-UNet網絡，獲得網絡模型；

（2）由訓練好的AL-UNet網絡模型，獲得真實圖像的語義分割圖，使用旋轉投影方法校正此圖的傾斜角度；

（3）使用投影法切分出單個字符圖像；

（4）使用縮放、添加噪點的方式對數(shù)據集進行擴充，擴充后的數(shù)據集用于訓練LeNet-5網絡，獲得識別字符的網絡模型，其后使用訓練好的LeNet-5對輸入字符進行識別，完成圖像至計算機字符串的轉變。

本發(fā)明所構建的AL-UNet網絡結構為：

可選的，網絡基干部分：輸入層，兩個卷積層，第一次下采樣層，BatchNormalization深度可分離卷積層，BatchNormalization卷積層，第二次下采樣層，BatchNormalization深度可分離卷積層，BatchNormalization卷積層，第三次下采樣層，兩個BatchNormalization深度可分離卷積層，第一次上采樣張量拼接層，卷積層，深度可分離卷積層，第二次上采樣張量拼接層，卷積層，深度可分離卷積層，第三次上采樣張量拼接層，兩個卷積層，網絡卷積注意力模塊部分：卷積層，下采樣卷積層，卷積層，下采樣卷積層，卷積層，下采樣卷積層，卷積層。上述卷積層中，除最后一層卷積層為輸出層無激活函數(shù)外，激活函數(shù)均使用Leaky-ReLU。網絡基干部分整體形成一個對稱的U型網絡結構。注意力模塊結構由卷積層，及三個重復的池化層與卷積層組成。從注意力模塊中引出未經Leaky-ReLU函數(shù)激活的特征張量，在使用sigmoid函數(shù)激活后，作為注意力權重與基干網絡對應尺寸的特征張量相乘。