CN114267032A - 一种集装箱定位识别方法、装置、设备及存储介质 - Google Patents
一种集装箱定位识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114267032A CN114267032A CN202111508283.7A CN202111508283A CN114267032A CN 114267032 A CN114267032 A CN 114267032A CN 202111508283 A CN202111508283 A CN 202111508283A CN 114267032 A CN114267032 A CN 114267032A
- Authority
- CN
- China
- Prior art keywords
- container
- positioning
- character
- character recognition
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种集装箱定位识别方法、装置、设备及存储介质，方法包括：对待检测图像进行预处理，得到已处理图像；通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型；根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果；对所述字符识别结果进行检测校验，输出得到集装箱箱号。本发明通过集装箱定位模型和字符识别模型能对集装箱箱号快速识别，有效提高了识别的准确率，而且还减少了港口的操作环节，推动港口集装箱管理的自动化与智能化，大大提高了工作效率。
Description
技术领域
本发明涉及集装箱识别技术领域，尤其涉及一种集装箱定位识别方法、装置、设备及存储介质。
背景技术
现在港口上闸口通道的运输集装箱车辆通行数高达数千一天，传统的对通过的集装箱进行登记的方法是人工登记，但这种人眼识别集装箱编号并手工登记的方法存在效率低、差错率高等问题。
针对现有的集装箱定位和箱号识别任务，主要有基于模板匹配的算法和基于神经网络的算法。它主要将箱号识别的过程分为三个步骤：第一步是对集装箱编号的区域进行定位；第二步是对编号中的单个字符进行分割；第三步是逐一识别字符，并最终形成识别到的编号字符串。这样的技术可以对单个集装箱在较清晰且角度相对较正的照片有效地识别出其中的编号。
而针对集装箱箱号定位目前采用的方法有：第一种方法是基于跳变点的集装箱箱号定位：该方法首先对图片进行水平或垂直方向的一阶差分计算，然后逐行或逐列进行扫描，统计一行或一列中一阶差分值大于某个阈值的像素点的个数。如果该像素点的个数大于某个阈值，则将该行认为是集装箱箱号区域可能的行位置。扫描结束后，通过对可能的行位置或列位置的进一步分析，完成集装箱号码的定位过程。但这种方法的缺点是采用通过统计灰度的跳变点数进行集装箱箱号的粗定位，会对噪声较敏感。另外当箱号字符的排列存在一定程度的倾斜时，会由于检测的跳变点数不足容易造成定位失败。第二种方法是基于形态学的集装箱箱号定位方法：该方法首先获得集装箱图片的边缘检测图，然后对获得的边缘图像进行一系列形态学的开闭等运算，尽可能的去除掉干扰区域，最后结合集装箱箱号的排列特点找到正确的集装箱箱号位置。但这种方法的缺点是需要对集装箱图片的边缘图像进行形态学处理，这就要求检测到的集装箱箱号区域的边缘信息完整，而实际上通常由于应用背景的复杂、天气、灯光等因素的干扰，检测到的边缘信息并不理想。
发明内容
本发明的主要目的在于提供一种集装箱定位识别方法、装置、设备及存储介质，采用了近年来在自然场景文字检测问题上取得的最新成果，对集装箱箱号的排列方向、倾斜度、光照及色彩的变化具有较好的鲁棒性，解决了上述识别率较低的技术问题。
为实现上述目的，本申请实施例第一方面提供了一种集装箱定位识别方法，所述集装箱定位识别方法包括以下步骤：
对待检测图像进行预处理，得到已处理图像；
通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型；
根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果；
对所述字符识别结果进行检测校验，输出得到集装箱箱号。
在第一方面的一种实施方式中，所述集装箱定位模型和字符识别模型均采用YOLOv5s网络训练得到。
在第一方面的一种实施方式中，所述的通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型，还包括：
根据所述集装箱位置信息和所述集装箱箱号位置信息，确定所述集装箱箱号的顶点在集装箱的顶点内，则输出校验后的集装箱定位信息。
在第一方面的一种实施方式中，所述的根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果，具体包括：
根据所述已处理图像和所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到各个字符的位置信息和识别信息；
根据所述位置信息和所述识别信息，对各个字符进行拼接，得出字符识别结果。
在第一方面的一种实施方式中，所述的对所述字符识别结果进行检测校验，输出得到集装箱箱号，具体为：
根据集装箱箱号国际标准对字符识别结果进行检测校验，并输出通过校验的集装箱箱号。
在第一方面的一种实施方式中，还包括所述集装箱定位模型的训练步骤，其具体包括：
获取集装箱图像；
对所述集装箱图像进行集装箱位置、箱号位置和箱体类型位置信息标注，得出集装箱位置信息样本；
通过集装箱位置信息样本对建立的神经网络模型进行训练，得到训练好的集装箱定位模型。
在第一方面的一种实施方式中，还包括所述字符识别模型的训练步骤，其具体包括：
获取集装箱编号图像；
对所述集装箱编号图像进行编号字符标注，得出编号字符样本；
通过编号字符样本对建立的神经网络模型进行训练，得到训练好的字符识别模型。
本申请实施例第二方面提供了一种集装箱定位识别装置，所述集装箱定位识别装置包括：
预处理单元，用于对待检测图像进行预处理，得到已处理图像；
集装箱定位单元，用于通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型；
字符识别单元，用于根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果；
校验单元，用于对所述字符识别结果进行检测校验，输出得到集装箱箱号。
本申请实施例第三方面提供了一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中：所述计算机程序被所述处理器执行时实现如第一方面所述的集装箱定位识别方法的步骤。
本申请实施例第四方面提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的集装箱定位识别方法的步骤。
本发明的上述方案至少包括以下有益效果是：
本发明一种集装箱定位识别方法、装置、设备及存储介质能在现有的对单个集装箱的编号识别技术的基础上，通过集装箱定位模型实现了识别集装箱箱体的功能，使其可以处理包含多个集装箱的图像，然后通过字符识别模型对集装箱箱号快速识别，有效提高了识别的准确率，而且可以针对于多集装箱体图片，较单个集装箱的箱号识别方法有着更广泛的应用场景，并且还减少了港口的操作环节，推动港口集装箱管理的自动化与智能化，大大提高了工作效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种集装箱定位识别方法的步骤流程图；
图2是本发明一种集装箱定位识别装置的模块方框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……) 仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明技术方案的应用场景主要在集装箱装卸船的过程中，通过PLC控制器控制安装在岸桥鞍梁和连系梁的摄像机进行高速拍照，并将实时图像通过以太网传输给工控机，由工控机上运行的箱号识别软件识别出集装箱号后再通过以太网将结果传输给TOS作业系统统一管理。本系统充分结合岸桥作业的实际情况，将摄像机、PLC控制器、小车编码器、起升编码器、工控机以及TOS作业系统结合起来，同时利用计算机视觉和模式识别领域的技术解决港口码头作业过程中，集装箱号码由人工登记导致集装箱装载效率低的问题以及由于人工失误导致集卡车与需要装载的集装箱不匹配的问题。
参考图1，本申请实施例第一方面提供了一种集装箱定位识别方法，所述集装箱定位识别方法包括以下步骤：
S100、对待检测图像进行预处理，得到已处理图像。
本实施例中，待检测图像为通过将集装箱照片裁剪成多个包含单个集装箱的照片得到，在数据预处理阶段，对待检测图像进行透视变换，提高了模型的鲁棒性，可以降低了对摄像头安装角度的要求。
S200、通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型。
S300、根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果。
S400、对所述字符识别结果进行检测校验，输出得到集装箱箱号。
本实施例可以针对于多个集装箱体图片，可以识别到每个集装箱的位置及其箱号，而且识别的准确率较高，较单个集装箱的箱号识别方法有着更广泛的应用场景。
在一实施方式中，所述集装箱定位模型和字符识别模型均采用YOLOv5s网络训练得到。
本实施例中集装箱体和集装箱箱号的目标检测对实时性的要求较高，对精度对要求不高，因此选择YOLOv5s网络。YOLOv5s网络训练得出的模型大小很小，检测速度快，准确率高，对设备配置要求较低。
在一实施方式中，所述的通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型，还包括：
S210、根据所述集装箱位置信息和所述集装箱箱号位置信息，确定所述集装箱箱号的顶点在集装箱的顶点内，则输出校验后的集装箱定位信息。
本实施例中集装箱定位信息可以包含集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型，集装箱位置信息包括有顶点信息，顶点信息为框选区域左上角和右下角的平面直角坐标系坐标，对所述集装箱定位信息进行校验其实是对集装箱和箱号、箱体类型的包含关系做出判断，判断规则是：若箱号、箱体类型的两个顶点包含在一个集装箱的矩形范围内，则表示该箱号、箱体类型属于当前集装箱，该集装箱定位信息通过校验。当一个集装箱内没检测到箱号或识别出的箱号不在箱体范围内时，此集装箱会被自动忽略，该集装箱定位信息校验不通过。因为当摄像头达到一定的拍摄角度，会将集装箱垂直、水平的箱号和箱体类型都拍摄进去，此时会在同一个集装箱内检测到两个箱号和箱体类型，需要根据箱号的识别结果，筛选出一个符合ISO6346标准的集装箱箱号。
在一实施方式中，所述的根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果，具体包括：
S301、根据所述已处理图像和所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到各个字符的位置信息和识别信息；
S302、根据所述位置信息和所述识别信息，对各个字符进行拼接，得出字符识别结果。
在一实施方式中，所述的对所述字符识别结果进行检测校验，输出得到集装箱箱号，具体为：
根据集装箱箱号国际标准对字符识别结果进行检测校验，并输出通过校验的集装箱箱号。
本实施例中，字符识别结果包含标签类型和它对应的顶点信息，顶点信息为框选区域左上角和右下角的平面直角坐标系坐标。根据字符位置和分类信息把识别结果拼接起来得出集装箱箱号。本实施例对于一张图片的检测时间可以控制在毫秒级别，达到快速检测的目的。
本实施例中，集装箱箱号国际标准采用ISO6346标准，ISO6346标准具体为：第一部分由4位英文字母组成。前三位代码为箱主代码(Owner Code)，主要说明箱主、经营人。第四位代码(Category Identifier)说明类型，通常以字母 'U'表示常规集装箱，若为'J'表明该集装箱带有可拆卸设备，若为'Z'则表示带拖车和底盘车的集装箱。第二部分由6位阿拉伯数字组成，称之为箱体注册码 (Registration Code)，或顺序号(Serial Number)，是一个集装箱箱体持有的唯一标识。第三部分为校验码(CheckDigit)。这是一个单独的阿拉伯数字，通常在箱体上加以方框以区别于箱体注册码。它是检验箱主代号和顺序号记录是否准确的依据，由前4位字母和6位数字经过校验规则运算得出。根据ISO6346 标准检测校验字符识别结果是否准确，若识别出的结果不符合ISO6346标准，则输出错误信息或发出预警信息，若符合，则输出通过校验后的集装箱箱号。
在一实施方式中，还包括所述集装箱定位模型的训练步骤，其具体包括：
获取集装箱图像；
对所述集装箱图像进行集装箱位置、箱号位置和箱体类型位置信息标注，得出集装箱位置信息样本；
通过集装箱位置信息样本对建立的神经网络模型进行训练，得到训练好的集装箱定位模型。
在完成集装箱图像的准备后，可以通过开源的图片标注软件“labelImg”对集装箱图像进行标注，形成箱体类型样本。其中标签分为五类：Container、 VerticalNumber1、VerticalNumber2、HorizontalNumber1、HorizontalNumber，分别代表了集装箱体、垂直箱号、垂直箱体类型、水平箱号、水平箱体类型。该标注方式把箱号和箱体类型各分为垂直和水平两种形式，减少了文字识别的难度。每张图片的标注结果为一个与图片名称同名的txt文件，每个文件有N行(N 为该图片标签的数量)。每行有5个数据，由空格分隔，第一个数据是标签编号，第二个数据是该标签左上角X轴位置，第三个数据是该标签左上角Y轴位置，第四个数据是该标签右下角X轴位置，第五个数据是该标签右下角Y轴位置。完成对集装箱图像的标注后，将利用脚本随机把数据集划分为训练集(90％) 和测试集(10％)，完成箱体类型样本的准备。
在一实施方式中，还包括所述字符识别模型的训练步骤，其具体包括：
获取集装箱编号图像；
对所述集装箱编号图像进行编号字符标注，得出编号字符样本；
通过编号字符样本对建立的神经网络模型进行训练，得到训练好的字符识别模型。
本实施例中，可以通过开源的图片标注软件“labelImg”对集装箱编号图像进行标注，形成编号字符样本的数据集。其中标签分为36类：0～9、A～Z。每张图片的标注结果为一个与图片名称同名的txt文件，每个文件有N行(N为该图片标签的数量)。每行有5个数据，由空格分隔，第一个数据是标签编号，第二个数据是该标签左上角X轴位置，第三个数据是该标签左上角Y轴位置，第四个数据是该标签右下角X轴位置，第五个数据是该标签右下角Y轴位置。完成对集装箱编号图像的标注后，我们将利用脚本随机把数据集划分为训练集(90％)和测试集(10％)，完成编号字符样本的准备。
本实施例中的集装箱定位模型和字符识别模型均采用YOLOv5算法，YOLO 全称是You Only Look Once，即该算法只需要一次CNN计算，v5表示为YOLO 算法的第五版。该版本的YOLO算法包含四种网络：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。其中YOLOv5s网络结构最小，精度最低，检测速度最快。其他三种网络在YOLOv5s基础上加深加宽网络，检测的时间和精度也会提升。
本实施例中，采用可以采用预训练模型。相比于随机初始化，可以有相对最优解的范围广和更快达到最优解，训练损失和泛化误差连续性好，对过拟合有较好鲁棒性。同时，它有着快速实现稳定模型和不需要过多的训练数据的优点。
为提高对不同大小规模数据集的适用性，采用预训练模型训练会达到比较好的识别效果。对于预训练模型的选择，需要考虑这些因素：各个模型的准确率、数据集图片比例、运行环境的算力、模型本身运行速度。本实施例利用集装箱数据集和集装箱编号数据集用YOLOv5算法分别训练了两个模型，集装箱定位模型用于识别集装箱、箱号、箱体类型的位置，字符识别模型用于识别集装箱编号各字符的位置及分类。
参考图2，本申请实施例提供了一种集装箱定位识别装置，所述集装箱定位识别装置包括：
预处理单元，用于对待检测图像进行预处理，得到已处理图像；
集装箱定位单元，用于通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型；
字符识别单元，用于根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果；
校验单元，用于对所述字符识别结果进行检测校验，输出得到集装箱箱号。
其中，装置的各个功能模块实现的步骤可参照本发明集装箱定位识别方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中：
所述计算机程序被所述处理器执行时实现上述各实施例中所述的集装箱定位识别方法的步骤。
此外，本发明实施例还提出一种计算机存储介质。
所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的集装箱定位识别方法中的操作。
从上述内容可知，本发明通过集装箱定位模型和字符识别模型能对集装箱箱号快速识别，有效提高了识别的准确率，而且还减少了港口的操作环节，推动港口集装箱管理的自动化与智能化，大大提高了工作效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序；术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘) 中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种集装箱定位识别方法，其特征在于，所述集装箱定位识别方法包括以下步骤：
对待检测图像进行预处理，得到已处理图像；
通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型；
根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果；
对所述字符识别结果进行检测校验，输出得到集装箱箱号。
2.根据权利要求1所述的一种集装箱定位识别方法，其特征在于，所述集装箱定位模型和字符识别模型均采用YOLOv5s网络训练得到。
3.根据权利要求2所述的一种集装箱定位识别方法，其特征在于，所述的通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型，还包括：
根据所述集装箱位置信息和所述集装箱箱号位置信息，确定所述集装箱箱号的顶点在集装箱的顶点内，则输出校验后的集装箱定位信息。
4.根据权利要求1所述的一种集装箱定位识别方法，其特征在于，所述的根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果，具体包括：
根据所述已处理图像和所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到各个字符的位置信息和识别信息；
根据所述位置信息和所述识别信息，对各个字符进行拼接，得出字符识别结果。
5.根据权利要求1所述的一种集装箱定位识别方法，其特征在于，所述的对所述字符识别结果进行检测校验，输出得到集装箱箱号，具体为：
根据集装箱箱号国际标准对字符识别结果进行检测校验，并输出通过校验的集装箱箱号。
6.根据权利要求1所述的一种集装箱定位识别方法，其特征在于，还包括所述集装箱定位模型的训练步骤，其具体包括：
获取集装箱图像；
对所述集装箱图像进行集装箱位置、箱号位置和箱体类型位置信息标注，得出集装箱位置信息样本；
通过集装箱位置信息样本对建立的神经网络模型进行训练，得到训练好的集装箱定位模型。
7.根据权利要求1所述的一种集装箱定位识别方法，其特征在于，还包括所述字符识别模型的训练步骤，其具体包括：
获取集装箱编号图像；
对所述集装箱编号图像进行编号字符标注，得出编号字符样本；
通过编号字符样本对建立的神经网络模型进行训练，得到训练好的字符识别模型。
8.一种集装箱定位识别装置，其特征在于，所述集装箱定位识别装置包括：
预处理单元，用于对待检测图像进行预处理，得到已处理图像；
集装箱定位单元，用于通过训练后的集装箱定位模型对所述已处理图像进行集装箱定位，得到集装箱定位信息，其中，所述集装箱定位信息包括集装箱位置信息、集装箱类型、集装箱箱号位置信息和集装箱箱号类型；
字符识别单元，用于根据所述集装箱定位信息，通过训练后的字符识别模型对所述已处理图像进行字符定位识别，得到字符识别结果；
校验单元，用于对所述字符识别结果进行检测校验，输出得到集装箱箱号。
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中：所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的集装箱定位识别方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的集装箱定位识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111508283.7A CN114267032A (zh) | 2021-12-10 | 2021-12-10 | 一种集装箱定位识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111508283.7A CN114267032A (zh) | 2021-12-10 | 2021-12-10 | 一种集装箱定位识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114267032A true CN114267032A (zh) | 2022-04-01 |
Family
ID=80826844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111508283.7A Pending CN114267032A (zh) | 2021-12-10 | 2021-12-10 | 一种集装箱定位识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114267032A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115170650A (zh) * | 2022-07-11 | 2022-10-11 | 深圳市平方科技股份有限公司 | 一种集装箱车载位识别方法、装置、电子设备及存储介质 |
| CN117253233A (zh) * | 2023-09-05 | 2023-12-19 | 广东奥普特科技股份有限公司 | 一种字符擦除方法、装置和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180173988A1 (en) * | 2016-12-16 | 2018-06-21 | Tata Consultancy Servies Limited | Method and system for container code recognition |
| CN109344828A (zh) * | 2018-09-30 | 2019-02-15 | 中铁武汉勘察设计研究院有限公司 | 一种集装箱图像采集系统及集装箱装载状态检测方法 |
| CN110717366A (zh) * | 2018-07-13 | 2020-01-21 | 杭州海康威视数字技术股份有限公司 | 文本信息的识别方法、装置、设备及存储介质 |
| CN110942057A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法、装置和计算机设备 |
| CN110969054A (zh) * | 2018-09-29 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法及装置 |
| CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
-
2021
- 2021-12-10 CN CN202111508283.7A patent/CN114267032A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180173988A1 (en) * | 2016-12-16 | 2018-06-21 | Tata Consultancy Servies Limited | Method and system for container code recognition |
| CN110717366A (zh) * | 2018-07-13 | 2020-01-21 | 杭州海康威视数字技术股份有限公司 | 文本信息的识别方法、装置、设备及存储介质 |
| CN110942057A (zh) * | 2018-09-25 | 2020-03-31 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法、装置和计算机设备 |
| CN110969054A (zh) * | 2018-09-29 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种集装箱箱号识别方法及装置 |
| CN109344828A (zh) * | 2018-09-30 | 2019-02-15 | 中铁武汉勘察设计研究院有限公司 | 一种集装箱图像采集系统及集装箱装载状态检测方法 |
| CN111127452A (zh) * | 2019-12-27 | 2020-05-08 | 上海箱云物流科技有限公司 | 一种基于云端处理的集装箱智能ocr识别方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115170650A (zh) * | 2022-07-11 | 2022-10-11 | 深圳市平方科技股份有限公司 | 一种集装箱车载位识别方法、装置、电子设备及存储介质 |
| CN117253233A (zh) * | 2023-09-05 | 2023-12-19 | 广东奥普特科技股份有限公司 | 一种字符擦除方法、装置和设备 |
| CN117253233B (zh) * | 2023-09-05 | 2024-05-17 | 广东奥普特科技股份有限公司 | 一种字符擦除方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
| CN110956169A (zh) | 一种车牌识别方法、装置及电子设备 | |
| CN114267032A (zh) | 一种集装箱定位识别方法、装置、设备及存储介质 | |
| CN113591967A (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
| CN106778737A (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
| CN112150448B (zh) | 图像处理方法、装置及设备、存储介质 | |
| CN111325769A (zh) | 一种目标对象检测方法及装置 | |
| CN111767780B (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
| CN116403132B (zh) | 一种基于图像和机器算法生成征地拆迁表的地物识别方法 | |
| CN114742789B (zh) | 一种基于面结构光的通用零件拾取方法、系统及电子设备 | |
| CN111738036A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
| CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及系统 | |
| CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
| CN113505653B (zh) | 目标检测方法、装置、设备、介质及程序产品 | |
| CN114332814A (zh) | 一种停车框识别方法、装置、电子设备及存储介质 | |
| CN111402185A (zh) | 一种图像检测方法及装置 | |
| CN113378701A (zh) | 一种基于无人机的地面多agv状态监测方法 | |
| CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
| CN116580230A (zh) | 一种目标检测方法及一种分类模型的训练方法 | |
| CN116128853A (zh) | 一种产线装配检测方法、系统、计算机及可读存储介质 | |
| JP4814116B2 (ja) | 実装基板外観検査方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |