CN115909351B - 一种基于深度学习的容器编号识别方法及装置 - Google Patents
一种基于深度学习的容器编号识别方法及装置 Download PDFInfo
- Publication number
- CN115909351B CN115909351B CN202310079036.2A CN202310079036A CN115909351B CN 115909351 B CN115909351 B CN 115909351B CN 202310079036 A CN202310079036 A CN 202310079036A CN 115909351 B CN115909351 B CN 115909351B
- Authority
- CN
- China
- Prior art keywords
- check code
- container
- hole
- picture
- identification
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种基于深度学习的容器编号识别方法及装置,所述方法包括:控制图像采集模块采集待识别容器的灰度图片;标注采集到的灰度图片并选取包含识别标签的有效图片;将有效图片输入目标检测模型和文本识别模型;利用目标检测模型获得有效图片的数字孔区域,利用文本识别模型识别数字孔数值,利用目标检测模型识别有效图片中的校验码孔数值;若数字孔数值和校验码孔数值一致,则根据数字孔数值和校验码孔数值获得待识别容器编号。所述装置包括红外热成像相机、控制器和电控箱,该装置采用上述基于深度学习的容器编号识别方法对容器编号进行识别,可及时发现识别错误并进行追踪和纠正,能够对识别的编号进行校验,提高对容器编号识别的成功率。
Description
技术领域
本申请涉及智能识别技术领域,尤其涉及一种基于深度学习的容器编号识别方法及装置。
背景技术
工业生产中需要用到各种容器设备,为了达到数字化、智能化生产要求,需要对容器设备进行追踪和管理,对容器编号进行识别。容器识别的方式主要包括数字OCR(opticalcharacter recognition)识别和图形编码识别两种方式。
数字OCR识别是在容器表面使用油漆或者石灰喷上数字,使用OCR技术识别表面数字。但由于容器设备中的高温容器表面温度高,通常在几百度甚至上千度以上,容易造成喷印的数字逐渐脱落,数字变得模糊不清,使识别极易出错,识别结果不稳定,同时还需要长期对喷印的数字进行维护。图形编码识别是在容器表面焊接耐高温的图形编码标签,通过识别标签图案来确定容器的编号,但容器图形编码对操作人员来说不易理解,不如数字清晰、直接,更符合操作人员的思维逻辑。而且,不论是数字OCR识别还是图形编码识别,受拍摄的光线、角度的影响,以及作业环境的限制,拍摄到的图片可能会出现模糊、形变等问题,极易造成识别结果错误。而使用单一的识别方式,容器编号识别出错后,难以对错误结果进行追踪和纠正。
发明内容
本申请提供一种基于深度学习的容器编号识别方法及装置,以解决容器识别中编号识别容易出错,识别结果准确率低的问题。
本申请一方面提供一种基于深度学习的容器编号识别方法,所述方法包括:
控制图像采集模块采集待识别容器的图片,所述图片为灰度图片;
标注采集到的所述灰度图片并选取有效图片,所述有效图片为包含识别标签的灰度图片,所述识别标签上设置有数字孔和校验码孔;
将所述有效图片输入目标检测模型和文本识别模型;
利用所述目标检测模型定位所述数字孔的区域,利用所述文本识别模型识别所述有效图片中数字孔数值,利用所述目标检测模型获得所述有效图片中校验码孔数值;
若所述数字孔数值和所述校验码孔数值一致,则根据所述数字孔数值和所述校验码孔数值获得所述待识别容器编号。
可选的,所述方法还包括:
在采集到的所述灰度图片中识别所述待识别容器的识别标签;
若所述待识别容器包含所述识别标签,则将采集到的所述灰度图片进行标注;
若所述待识别容器不包含所述识别标签,则按照预设周期继续对所述待识别容器进行图片采集。
可选的,所述识别标签还设置有定位孔和分割孔,所述数字孔和所述校验码孔分别设置在所述分割孔的两侧;所述校验码孔包括圆形孔和三角形孔。
可选的,所述方法还包括:
获取所述定位孔的数量;
若所述有效图片中同时包含所有数量的定位孔时,则识别标签为完整标签。
可选的,所述方法还包括:
获取所述校验码孔的类别和位置信息;
将所述类别和位置信息输入到校验码孔后处理函数;
根据所述校验码孔后处理函数获取有效位信息,所述有效位信息为二进制数值;
根据所述有效位信息得到所述校验码孔数值。
可选的,所述方法还包括:
根据所述位置信息检测目标位置的校验码孔的类别;
如果所述目标位置的校验码孔的类别为圆形孔,标记所述目标位置对应数值有效;
如果所述目标位置的校验码孔的类别为三角形孔,标记所述目标位置对应数值无效。
可选的,所述方法还包括:
获取文本样本数据和目标样本数据;
使用所述文本样本数据训练文本识别模型,以及使用目标样本数据训练目标检测模型;
保存训练好的文本识别模型和目标检测模型。
可选的,所述方法还包括:
若所述数字孔数值和所述校验码孔数值不一致,则按照预设周期继续控制图像采集模块采集待识别容器的图片,直到获得所述待识别容器编号。
本申请另一方面提供一种基于深度学习的容器编号识别装置,所述装置包括:红外热成像相机、控制器、电控箱和识别标签;其中,所述识别标签设置在待识别容器上,所述红外热成像相机与所述控制器相连;所述电控箱分别与所述红外热成像相机和所述控制器电性连接。所述控制器被配置为:
控制图像采集模块采集待识别容器的图片,所述图片为灰度图片;
标注采集到的所述灰度图片并选取有效图片,所述有效图片为包含识别标签的灰度图片,所述识别标签上设置有数字孔和校验码孔;
将所述有效图片输入目标检测模型和文本识别模型;
利用所述目标检测模型定位所述数字孔的区域,利用所述文本识别模型识别所述有效图片中数字孔数值,利用所述目标检测模型获得所述有效图片中校验码孔数值;
若所述数字孔数值和所述校验码孔数值一致,则根据所述数字孔数值和所述校验码孔数值获得所述待识别容器编号。
可选的,所述控制器还被配置为:
获取文本样本数据和目标样本数据;
使用所述文本样本数据训练文本识别模型,以及使用目标样本数据训练目标检测模型;
保存训练好的文本识别模型和目标检测模型。
由以上技术方案可知,本申请提供的基于深度学习的容器编号识别方法包括:控制图像采集模块采集待识别容器的灰度图片;标注采集到的灰度图片并选取包含识别标签的有效图片;将有效图片输入目标检测模型和文本识别模型;利用数字孔的目标检测模型定位数字孔的区域,利用文本识别模型识别有效图片中数字孔数值,利用校验码孔的目标检测模型获得有效图片中校验码孔数值;若数字孔数值和校验码孔数值一致,则根据数字孔数值和校验码孔数值获得待识别容器编号。本申请提供的基于深度学习的容器编号识别装置包括红外热成像相机、控制器、电控箱和识别标签。通过采用上述基于深度学习的容器编号识别方法对待识别容器编号进行识别,不仅可以及时发现识别错误并进行追踪和纠正,还能够对识别的编号进行校验,提高容器编号识别的成功率。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请提供的基于深度学习的容器编号识别方法的流程图;
图2为本申请提供的识别标签的结构示意图;
图3为本申请提供的数字孔的识别过程示意图;
图4为本申请提供的目标检测模块的检测效果示意图;
图5为本申请提供的校验码孔的识别过程示意图;
图6为本申请提供的校验码孔的二进制编码示意图;
图示说明:
其中,1-定位孔;2-数字孔;3-分割孔;4-检验码孔。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
容器的识别方式主要包括数字OCR识别和图形编码识别两种方式。在数字OCR识别中,直接识别数字容易出错,比如“6”、“8”、“9”、“0”以及数字“1”和“7”常常会被误识别。在对容器设备中的高温容器进行识别时,由于高温容器温度极高,长时间高温下,容器外壁的数字会脱落碳化,造成数字模糊不清,使识别出现错误。而图形编码由于不是具体的数字,对于操作人员来说不如数字清晰简单易理解。而且不论是数字OCR识别还是图像编码识别,受到拍摄光线、角度的影响,以及现场作业环境的限制,都容易使拍摄的图片出现模糊、形变等问题,极易造成识别结果错误,使识别结果的准确率降低。
为解决上述问题,本申请提供一种基于深度学习的容器编号识别方法及装置。深度学习也称为深度结构化学习或者微分编程,是机器学习算法中的一种。深度学习主要是学习样本数据的内在规律和表示层次,在学习的过程中所获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人脑一样具有分析学习能力,能够识别文字、图像和声音等数据。本申请提供的基于深度学习的容器编号识别方法及装置主要以深度学习技术为依托,来实现对容器编号的识别。
本申请部分实施例中提供一种基于深度学习的容器编号识别方法,参见图1,为本申请提供的基于深度学习的容器编号识别方法的流程图。
如图1所示,本申请提供的基于深度学习的容器编号识别的方法包括:
步骤S10:控制图像采集模块采集待识别容器的图片,所述图片为灰度图片。
由于高温容器更易出现编号识别错误的问题,本申请中,以容器设备中的高温容器为例,来对上述基于深度学习的容器编号识别的方法进行说明。采集前,在待识别的高温容器表面安装耐高温材料制作的识别标签,以使识别标签在长期的使用中不会受高温容器温度的影响而变形。安装时使识别标签与高温容器表面留有一定的空间,由于高温容器本身表面的温度高,这样识别标签就与高温容器表面形成温度差,便于红外热成像相机对识别标签的拍摄。
采集时,控制器通过控制采集模块来采集包含识别标签区域的高温容器的图片,在采集模块的镜头下,采集到的包含识别标签区域的高温容器的图片为灰度图片。本实施例中,图像采集模块具体为红外热成像相机,热成像的图像分辨率为384*288,可使采集过程中红外热成像相机能够获得清晰的灰度图片。由于高温容器和识别标签之间存在温度差,温度高的地方也就是高温容器的表面呈现白色,而温度低的地方,也就是耐高温材料制作的识别标签呈现黑色。由于高温容器与识别标签的温度差较大,因此,红外热成像相机能够采集到清晰的灰度图片。
本实施例中,红外热成像相机还具有测温和测距的功能,采集时,控制器控制红外热成像相机通过测温和测距来进行触发拍照,即当高温容器达到指定温度或者高温容器到达指定距离时才进行拍照,采集包含识别标签区域的高温容器的灰度图片。需要说明的是,此步骤中采集到的同一个待识别的高温容器的灰度图片的数量为多张。
步骤S20:标注采集到的所述灰度图片并选取有效图片,所述有效图片为包含识别标签的灰度图片,所述识别标签上设置有数字孔和校验码孔。
采集后,将采集到的多张带有高温容器的灰度图片进行标注,在对高温容器的灰度图片进行标注时,还应进行如下步骤的操作:
步骤S21:在采集到的灰度图片中识别所述待识别的高温容器的识别标签;
步骤S22:若高温容器的灰度图片包含识别标签,则将采集到的灰度图片进行标注;
步骤S23:若高温容器的灰度图片不包含识别标签,则按照预设周期继续对高温容器进行图片采集。
将包含识别标签的高温容器灰度图片进行标注后,从多张高温容器的灰度图片中筛选出一定数量的有效图片。可以理解的是,有效图片就是包含识别标签的高温容器的灰度图片。图2为识别标签的结构示意图,如图2所示,识别标签上设置有数字孔2和校验码孔4,该数字孔2和校验码孔4所表达的内容即为高温容器的编号。因此,在对高温容器进行编号的过程中,采集到的灰度图片中只有包含识别标签的灰度图片才有效。数字孔2由镂空的数字组合而成,是用来表示识别标签的数字,以便于人工观察高温容器的编号。校验码孔4包括镂空的圆形孔和三角形孔,本实施例中,设置圆形孔和三角形孔的数量总数为9个,按3*3的阵列排列。在一些实施例中,圆形孔和三角形孔的数量总数也可以为其他大于9的数值。
如图2所示,识别标签上还设置有定位孔1和分割孔3,其中,数字孔2设置在分割孔3的左侧,校验码孔4设置在分割孔3的右侧。数字孔2和校验码孔4作为容器编号的表达形式,位置并不限于此,在一些实施例中,也可将数字孔2设置在分割孔3的右侧,校验码孔4设置在分割孔3的左侧。
本实施例中,为了与校验码孔4的圆形孔和三角形孔进行区分,定位孔1为正方形孔,定位孔1和分割孔3的数量比按4:1设置,例如,定位孔1的数量为4个,分割孔3的数量为1个,在一些实施中,也可以为其他成4:1比例的数值。定位孔1用来对识别标签进行定位,由于对高温容器的图片采集多数在运动状态下进行,采集图片的过程中常常会出现标签不完整的情形,因此,通过4个定位孔1来确定完整的识别标签,只有当采集到的图片中同时存在4个定位孔1时,才认为图片中的识别标签为完整标签。
分割孔3用于将数字孔2和校验码孔4进行隔离,将识别标签分为左右两个区域,识别标签的左侧为数字区域,右侧为验证码区域,便于后续目标检测模型的定位。分割孔3为长条状的矩形结构,本实施例中,定位孔1和分割孔3也为镂空孔。通过镂空的定位孔1、数字孔2、分割孔3和校验码孔4,将高温容器的外表面露出,使红外热成像相机可采集到清晰的灰度图片。
步骤S30:将所述有效图片输入目标检测模型和文本识别模型。
本申请中,采用目标检测模型和文本识别模型来作为高温容器编号识别方法的识别模块。筛选出一定数量的有效图片后,先对文本识别模型和目标检测模型进行训练。获取识别标签中的文本样本数据和目标样本数据,识别标签中的文本样本数据就是数字孔的样本数据,目标样本数据就是数字孔的yolo格式样本数据和校验码孔的yolo格式样本数据。使用数字孔的文本格式样本数据训练数字孔的文本识别模型,以及使用数字孔的yolo格式样本数据训练数字孔的目标检测模型,和使用校验码孔的yolo格式样本数据训练校验码孔的目标检测模型,之后,将训练好的文本识别模型和目标检测模型进行保存。
将筛选出来的一定数量的有效图片输入到上述训练好的文本识别模型和目标检测模型中,文本识别模型用来识别数字区域的数字,目标检测模型用来检测定位孔1、数字孔2和校验码孔4。本实施例中,目标检测模型可选择YOLOv7模型,文本识别模型可选择SVTR模型。YOLOv7模型是一种目标检测模型,是一种可训练的模型,可使实时目标检测在不增加推理成本的情况下提高检测精度,在目标检测模型中,YOLOv7模型的模型精度和推理性能比较均衡。SVTR模型是一种文本定制的识别模型,它引入局部和全局混合块,分别提取笔划特征和字符间相关性,并结合多尺度backbone,形成多粒度特征描述,可很好的对文本图像进行识别。
步骤S40:利用所述目标检测模型定位所述数字孔的区域,利用所述文本识别模型识别所述有效图片中数字孔数值,利用所述目标检测模型获得所述有效图片中校验码孔数值。
图3为数字孔的识别过程示意图,如图3所示,将有效图片输入到文本识别模型和目标检测模型后,利用目标检测模型YOLOv7,获得识别标签的数字孔的区域位置,例如,本实施例中,数字孔在识别标签的左侧区域,目标检测模型YOLOv7获得数字孔的区域位置后,将数字孔区域图片输入到OCR文本识别模型SVTR,文本识别模型即可识别有效图片中的数字孔数值。
利用目标检测模型获得有效图片中校验码孔数值时,方法如下:根据位置信息检测目标位置的校验码孔的类别;如果目标位置的校验码孔的类别为圆形孔,标记目标位置对应数值有效;如果目标位置的校验码孔的类别为三角形孔,标记目标位置对应数值无效,目标检测模型的检测效果参见图4。确定有效位和无效位信息后,根据有效位所表示的数值得到校验码孔数值。
本实施例中,校验码孔由3*3的9位二进制编码组合而成,分别由圆形孔和三角形孔进行组合编码。校验码孔根据编码的不同的组合方式表示不同的数值,9位校验码孔可以表示0-512范围内的数字。在一些实施例中,校验码孔也可以由4*3的12位二进制编码组合而成,校验码孔的编码组合可以根据具体的编号需要进行扩增。本实施例中,设置圆形孔表示有效位,当校验码孔的某一个位置出现圆形孔时,表示该位置数值有效;当校验码孔的某一位置出现三角形孔时,表示该位置数值无效。
图5为校验码孔的识别过程示意图,如图5所示,对校验码孔数值进行识别时,利用目标检测模型YOLOv7,获得校验码孔的位置区域以及校验码孔内各个圆形孔和三角形孔的位置,通过圆形孔和三角形孔判断校验码孔的某一位置是否有效后,将圆形孔和三角形孔的类别和位置信息输入到检验码孔后处理函数,后处理函数根据圆形孔的坐标位置信息确定有效位的数值。最后,将所有的有效位数值进行相加后得到最终的校验码孔数值。
以识别标签上的校验码孔为例,图6为校验码孔的二进制编码示意图,如图6所示,左侧的九宫格为校验码孔的9位二进制编码,分别为1、2、4、8、16、32、64、128、256。图6中间的九宫格为检验码孔的圆形孔和三角形孔的位置,由识别标签中的圆形孔和三角形孔的位置可知校验码孔的有效位和无效位,图6中间的九宫格,圆形孔位置的数值1、2、4、16为有效位,三角形孔位置的数值8、32、64、128、256为无效位。图6右侧的九宫格为有效位和无效位的区分显示,右侧的九宫格中数值1、2、4、16为有效位,数值8、32、64、128、256为无效位。将图6中有效位的数值相加,求和得到的结果为23,即校验码孔的数值为23。
步骤S50:若所述数字孔数值和所述校验码孔数值一致,则根据所述数字孔数值和所述校验码孔数值获得所述高温容器编号,输出高温容器编号。
以图2中的识别标签为例,识别标签中左侧的数字孔数值为23,根据步骤S40中的方法,计算得出识别标签中右侧的校验码孔数值为23,由此得出数字孔数值与校验码孔数值一致,则输出23作为高温容器的编号。
若数字孔数值和计算得出的校验码孔数值不一致,则按照预设周期继续控制图像采集模块采集高温容器的图片,直到识别出的识别标签中的数字孔数值和校验码孔数值一致,控制器才获得高温容器编号,并输出高温容器编号。
本申请另一方面提供一种基于深度学习的容器编号识别装置,通过采用上述方法,来对待识别容器的编号进行识别。本申请提供的基于深度学习的容器编号识别装置包括:红外热成像相机、控制器、电控箱和识别标签。其中,识别标签设置在待识别容器上,红外热成像相机与控制器相连,电控箱分别与红外热成像相机和控制器电性连接。红外热成像相机用来采集待识别容器的灰度图片,控制器用来控制红外热成像相机,并输出待识别容器编号,电控箱用来为红外热成像相机与控制器供电。
由于物体都具有红外热辐射,只是红外热辐射的温度不同,红外热成像相机就是利用物体的红外热辐射将物体的热辐射图像转换成可见光图像。因此,对于高温容器来说,红外热成像相机能够采集到更清晰的包含识别标签区域的待识别容器的灰度图片。
本实施例中,控制器被配置为:
控制图像采集模块采集待识别容器的图片,所述图片为灰度图片;
标注采集到的所述灰度图片并选取有效图片,所述有效图片为包含识别标签的灰度图片,所述识别标签上设置有数字孔和校验码孔;
将所述有效图片输入目标检测模型和文本识别模型;
利用所述目标检测模型定位所述数字孔的区域,利用所述文本识别模型识别所述有效图片中数字孔数值,利用所述目标检测模型获得所述有效图片中校验码孔数值;
若所述数字孔数值和所述校验码孔数值一致,则根据所述数字孔数值和所述校验码孔数值获得所述待识别容器编号。
控制器还被配置为:
获取文本样本数据和目标样本数据;
使用所述文本样本数据训练文本识别模型,以及使用目标样本数据训练目标检测模型;
保存训练好的文本识别模型和目标检测模型。
控制器与红外热成像相机相连后,一方面可以控制红外热成像相机对待识别容器进行图片采集,另一方面可以采用上述基于深度学习的容器编号识别方法来对容器的编号进行识别,并对识别的编号进行校验,在校验结果一致时,输出待识别容器的编号。
由以上实施例可知,本申请实施例提供一种基于深度学习的容器编号识别方法及装置,所述方法包括:控制图像采集模块采集待识别容器的灰度图片;标注采集到的所述灰度图片并选取包含识别标签的有效图片;将有效图片输入目标检测模型和文本识别模型;利用目标检测模型定位数字孔的区域,利用文本识别模型识别有效图片中数字孔数值,利用目标检测模型获得有效图片中校验码孔数值;若数字孔数值和校验码孔数值一致,则根据数字孔数值和校验码孔数值获得待识别容器编号。所述装置包括:红外热成像相机、控制器和电控箱,采用上述基于深度学习的容器编号识别方法对待识别容器的编号进行识别。本申请提供的基于深度学习的容器编号识别方法及装置,通过深度学习算法模型来识别所述识别标签上的标准数字和图形编码,通过识别标签上的编码作为校验码,可及时发现识别错误进行追踪和纠正,能够适应复杂的生产环境,对识别的编号进行校验,提高对容器编号识别的成功率。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (9)
1.一种基于深度学习的容器编号识别方法,其特征在于,所述方法包括:
控制图像采集模块采集待识别容器的图片,所述图片为灰度图片;
标注采集到的所述灰度图片并选取有效图片,所述有效图片为包含识别标签的灰度图片,所述识别标签上设置有数字孔和校验码孔,所述校验码孔包括圆形孔和三角形孔;
将所述有效图片输入目标检测模型和文本识别模型;
利用所述目标检测模型定位所述数字孔的区域,利用所述文本识别模型识别所述有效图片中数字孔数值,利用所述目标检测模型获得所述有效图片中校验码孔数值;所述利用所述目标检测模型获得所述有效图片中校验码孔数值包括:获取所述校验码孔的类别和位置信息;将所述类别和位置信息输入到校验码孔后处理函数;根据所述校验码孔后处理函数获取有效位信息,所述有效位信息为二进制数值;根据所述有效位信息得到所述校验码孔数值;
若所述数字孔数值和所述校验码孔数值一致,则根据所述数字孔数值和所述校验码孔数值获得所述待识别容器编号。
2.根据权利要求1所述的一种基于深度学习的容器编号识别方法,其特征在于,所述方法还包括:
在采集到的所述灰度图片中识别所述待识别容器的识别标签;
若所述待识别容器包含所述识别标签,则将采集到的所述灰度图片进行标注;
若所述待识别容器不包含所述识别标签,则按照预设周期继续对所述待识别容器进行图片采集。
3.根据权利要求1所述的一种基于深度学习的容器编号识别方法,其特征在于,所述识别标签还设置有定位孔和分割孔,所述数字孔和所述校验码孔分别设置在所述分割孔的两侧。
4.根据权利要求3所述的一种基于深度学习的容器编号识别方法,其特征在于,所述方法还包括:
获取所述定位孔的数量;
若所述有效图片中同时包含所有数量的定位孔时,则识别标签为完整标签。
5.根据权利要求1所述的一种基于深度学习的容器编号识别方法,其特征在于,所述方法还包括:
根据所述位置信息检测目标位置的校验码孔的类别;
如果所述目标位置的校验码孔的类别为圆形孔,标记所述目标位置对应数值有效;
如果所述目标位置的校验码孔的类别为三角形孔,标记所述目标位置对应数值无效。
6.根据权利要求1所述的一种基于深度学习的容器编号识别方法,其特征在于,所述方法还包括:
获取文本样本数据和目标样本数据;
使用所述文本样本数据训练文本识别模型,以及使用目标样本数据训练目标检测模型;
保存训练好的文本识别模型和目标检测模型。
7.根据权利要求1所述的一种基于深度学习的容器编号识别方法,其特征在于,所述方法还包括:
若所述数字孔数值和所述校验码孔数值不一致,则按照预设周期继续控制图像采集模块采集待识别容器的图片,直到获得所述待识别容器编号。
8.一种基于深度学习的容器编号识别装置,其特征在于,所述装置包括:红外热成像相机、控制器、电控箱和识别标签;其中,所述识别标签设置在待识别容器上,所述红外热成像相机与所述控制器相连;所述电控箱分别与所述红外热成像相机和所述控制器电性连接;所述控制器被配置为:
控制图像采集模块采集待识别容器的图片,所述图片为灰度图片;
标注采集到的所述灰度图片并选取有效图片,所述有效图片为包含识别标签的灰度图片,所述识别标签上设置有数字孔和校验码孔,所述校验码孔包括圆形孔和三角形孔;
将所述有效图片输入目标检测模型和文本识别模型;
利用所述目标检测模型定位所述数字孔的区域,利用所述文本识别模型识别所述有效图片中数字孔数值,利用所述目标检测模型获得所述有效图片中校验码孔数值;所述利用所述目标检测模型获得所述有效图片中校验码孔数值包括:获取所述校验码孔的类别和位置信息;将所述类别和位置信息输入到校验码孔后处理函数;根据所述校验码孔后处理函数获取有效位信息,所述有效位信息为二进制数值;根据所述有效位信息得到所述校验码孔数值;
若所述数字孔数值和所述校验码孔数值一致,则根据所述数字孔数值和所述校验码孔数值获得所述待识别容器编号。
9.根据权利要求8所述的一种基于深度学习的容器编号识别装置,其特征在于,所述控制器还被配置为:
获取文本样本数据和目标样本数据;
使用所述文本样本数据训练文本识别模型,以及使用目标样本数据训练目标检测模型;
保存训练好的文本识别模型和目标检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079036.2A CN115909351B (zh) | 2023-02-08 | 2023-02-08 | 一种基于深度学习的容器编号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310079036.2A CN115909351B (zh) | 2023-02-08 | 2023-02-08 | 一种基于深度学习的容器编号识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909351A CN115909351A (zh) | 2023-04-04 |
CN115909351B true CN115909351B (zh) | 2023-06-13 |
Family
ID=86488370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310079036.2A Active CN115909351B (zh) | 2023-02-08 | 2023-02-08 | 一种基于深度学习的容器编号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909351B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025785A (zh) * | 2007-03-28 | 2007-08-29 | 杨德明 | 二维直方图数字图像识别码 |
JP6552012B2 (ja) * | 2017-03-03 | 2019-07-31 | Necプラットフォームズ株式会社 | コンテナ番号読取り装置、コンテナ番号読取り方法およびコンテナ番号読取りプログラム |
CN109214383A (zh) * | 2018-07-17 | 2019-01-15 | 北京陌上花科技有限公司 | 一种图像识别方法及装置 |
CN110276253A (zh) * | 2019-05-15 | 2019-09-24 | 中国科学院信息工程研究所 | 一种基于深度学习的模糊文字检测识别方法 |
CN111274957A (zh) * | 2020-01-20 | 2020-06-12 | 阳光人寿保险股份有限公司 | 网页页面验证码识别方法、装置、终端和计算机存储介质 |
CN113627395B (zh) * | 2021-09-17 | 2023-11-17 | 平安银行股份有限公司 | 文本识别方法、装置、介质及电子设备 |
CN114021596A (zh) * | 2021-09-22 | 2022-02-08 | 厦门华联电子股份有限公司 | 一种基于深度学习的条码识别方法及装置 |
CN114003671A (zh) * | 2021-10-21 | 2022-02-01 | 中国人民解放军战略支援部队信息工程大学 | 一种地图图幅编码识别的方法及其识别系统 |
-
2023
- 2023-02-08 CN CN202310079036.2A patent/CN115909351B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115909351A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070536B (zh) | 一种基于深度学习的pcb板元器件检测方法 | |
US20200012894A1 (en) | Visually Aided Active Learning for Training Object Detector | |
CN106383131B (zh) | 印刷品视觉检测方法、装置和系统 | |
CN110135396B (zh) | 地面标志的识别方法、装置、设备及介质 | |
CN110648307A (zh) | 一种利用图像比对技术核对变电站压板状态的方法 | |
Adamo et al. | Calibration of an inspection system for online quality control of satin glass | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN112307786B (zh) | 一种多个不规则二维码批量定位识别方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
KR20190098996A (ko) | 원거리 고밀도 시각적 마커의 검출 및 인식 방법 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
CN116188756A (zh) | 一种基于深度学习的仪表角度校正与示数识别方法 | |
CN111986156A (zh) | 一种斧状利器检测方法、系统、装置和存储介质 | |
CN109977853B (zh) | 一种基于多辨识设备的井下工人全景监控方法 | |
CN115909351B (zh) | 一种基于深度学习的容器编号识别方法及装置 | |
CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
US20230110558A1 (en) | Systems and methods for detecting objects | |
CN116188755A (zh) | 一种基于深度学习的仪表角度校正与示数识别装置 | |
CN114255458A (zh) | 一种巡检场景下指针仪表读数的识别方法与系统 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
CN109754003B (zh) | 基于深度学习的智能机器人视觉技术应用检测系统和方法 | |
CN111862149A (zh) | 一种红外周扫预警系统的运动告警方法及系统 | |
CN111833325A (zh) | 一种基于深度学习的胶体金试剂条检测方法及系统 | |
CN111612094A (zh) | 一种速度误检和修正方法、设备及计算机可读存储介质 | |
CN112163800B (zh) | 一种视觉检测工具的管理方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |