[發(fā)明專(zhuān)利]基于殘差和特征分塊注意力的激光打碼字符分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211713446.X
• 申請(qǐng)日: 2022-12-27
• 公開(kāi)（公告）號(hào): CN115953784A
• 公開(kāi)（公告）日: 2023-04-11
• 發(fā)明（設(shè)計(jì)）人: 吳靜靜;肖天行
• 申請(qǐng)（專(zhuān)利權(quán)）人: 江南大學(xué)
• 主分類(lèi)號(hào): G06V30/148
• 分類(lèi)號(hào): G06V30/148;G06V30/162;G06V10/82;G06V30/19;G06T3/40
• 代理公司: 哈爾濱市陽(yáng)光惠遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 23211
• 代理人: 呂永芳

本發(fā)明公開(kāi)了基于殘差和特征分塊注意力的激光打碼字符分割方法，屬于工業(yè)檢測(cè)圖像處理領(lǐng)域。本發(fā)明的激光打碼字符分割方法，圖像特征提取部分設(shè)計(jì)了注意力?殘差單元，此單元中的特征分塊注意力機(jī)制添加了改進(jìn)后的4GD?SAM特征分塊空間注意力以增強(qiáng)微弱筆畫(huà)特征。上采樣路徑設(shè)計(jì)了融合改進(jìn)損失函數(shù)的多重監(jiān)督模塊，能夠改善網(wǎng)絡(luò)的收斂能力，抑制干擾，提高有效特征提取能力。最后使用解碼器將特征圖像進(jìn)行二值還原，完成顯著分割。本發(fā)明能有效地對(duì)激光打碼字符進(jìn)行特征增強(qiáng)和高精度分割，同時(shí)具有較少的網(wǎng)絡(luò)參數(shù)量，提升了分割效率。

技術(shù)領(lǐng)域

本發(fā)明涉及基于殘差和特征分塊注意力的激光打碼字符分割方法，屬于工業(yè)檢測(cè)圖像處理領(lǐng)域。

背景技術(shù)

當(dāng)今激光打碼技術(shù)廣泛應(yīng)用于金屬工件表面印字及食品易拉罐包裝生產(chǎn)日期刻印，但由于激光發(fā)生器質(zhì)量不一、工作參數(shù)的不確定性及激光的高溫對(duì)金屬產(chǎn)生灼燒等原因，易導(dǎo)致打碼字符出現(xiàn)高噪聲、低對(duì)比度缺陷，很大程度影響自動(dòng)化檢測(cè)工序中對(duì)字符目標(biāo)的分割提取。因此需要研究一種能克服高噪聲、低對(duì)比度問(wèn)題的激光打碼字符分割方法。

早期用于字符分割的方法主要是閾值分割法和灰度聚類(lèi)法等，輔以基于統(tǒng)計(jì)學(xué)和基于匹配模型的方法完成后續(xù)字符分類(lèi)。模板匹配的方法被用于乳品包裝日期字符識(shí)別(孫曉娜,劉繼超,高國(guó)華.基于視覺(jué)的乳品包裝日期噴碼缺陷檢測(cè)技術(shù)[J].食品與機(jī)械,2018,34(10):100-103+108.)，“馬玲,羅曉曙,蔣品群.基于模板匹配和支持向量機(jī)的點(diǎn)陣字符識(shí)別研究[J].計(jì)算機(jī)工程與應(yīng)用,2020,56(04):134-139.”提出將模板匹配結(jié)合支持向量機(jī)(SVM)對(duì)點(diǎn)陣字符進(jìn)行高精度識(shí)別，兩者的字符分割方式均采用最大類(lèi)間方差法(OTSU)，它對(duì)目標(biāo)圖像具有較高的信噪比要求，在背景具有干擾時(shí)魯棒性較差，對(duì)亮度稍有變化的字符分割精度低。“林冬婷,程洋,歐陽(yáng),等.基于噴點(diǎn)融合特征的點(diǎn)陣字符分割方法[J].制造業(yè)自動(dòng)化,2021,43(08):52-57.”利用改進(jìn)自適應(yīng)閾值化去除噪點(diǎn)，優(yōu)化亮度不均條件下字符分割效果。同時(shí)高斯差分尺度空間和最大熵分割法的結(jié)合(張家財(cái),張良力,曾飛.鋼坯表面點(diǎn)印字符圖像自適應(yīng)閾值分割方法[J].現(xiàn)代電子技術(shù),2021,44(19):49-54.)也被用于消除金屬表面打印字符的復(fù)雜背景。然而傳統(tǒng)方法對(duì)特征的感知和提取方式較為單一，性能有限。故融合多特征或是建立可自動(dòng)提取深層特征的高精度分割模型對(duì)復(fù)雜情況下的字符分割工作至關(guān)重要。

為了進(jìn)一步提升分割網(wǎng)絡(luò)模型的精度和效率，人們提出在端到端分割模型的編解碼結(jié)構(gòu)上直接進(jìn)行改進(jìn)的思路。基于編解碼結(jié)構(gòu)的U型網(wǎng)絡(luò)UNet是一種不依賴(lài)大樣本即可得到較好結(jié)果的端到端分割模型(Ronneberger?O,Fischer?P,Brox?T.U-net:Convolutional?networks?for?biomedical?image?segmentation[C]//Proceedings?ofthe?18th?International?Conference?on?MICCAI,Cham,Switzerland:Springer,2015:234-241.)，而原始UNet模型在下采樣路徑中使用普通的兩次卷積，具有部分細(xì)節(jié)丟失，且隨著下采樣層數(shù)的加深，存在網(wǎng)絡(luò)退化和梯度回傳不穩(wěn)定導(dǎo)致分割性能不良的問(wèn)題，如圖1所示，其中，(a)為原圖；(b)為字符細(xì)節(jié)；(c)為大津法分割結(jié)果；(d)為原UNet分割結(jié)果。

發(fā)明內(nèi)容

為了提升激光打碼字符分割的速度和精度，本發(fā)明提供了基于殘差和特征分塊注意力的激光打碼字符分割方法，所述技術(shù)方案如下：

本發(fā)明的第一個(gè)目的在于提供一種激光打碼字符分割方法，包括：

步驟1：下采樣編碼階段；

利用4個(gè)串接的注意力-殘差特征提取單元構(gòu)成ResNet18編碼器主干結(jié)構(gòu)，對(duì)待分割圖像進(jìn)行下采樣，同時(shí)引入1×1卷積降低編碼器輸出特征通道數(shù)；

步驟2：上采樣解碼階段；