一种雷管编码定位及识别的方法及装置制造方法及图纸

本申请公开了一种雷管编码定位及识别的方法，包括：对原始图像集进行预处理操作，得到训练图像集；根据训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型；利用定位网络模型和识别网络模型对雷管图像进行定位和识别，得到雷管图像的雷管编码。该方法将卷积神经网络应用到雷管编码字符的定位与识别工作中，利用定位网络模型和识别网络模型对雷管图像进行定位和识别，得到雷管编码，整个过程无需将雷管图像切割为单字符便能进行端到端识别，实现了雷管编码的准确定位与识别。本申请同时还提供了一种雷管编码定位及识别的装置、设备及计算机可读存储介质，具有上述有益效果。

A method and device for the coding and identification of detonator

The invention discloses a method, a detonator encoding location and identification includes: preprocessing of the original image set, get the training image set; according to the training image set of convolutional neural network training set, positioning network model and recognition network model; localization and recognition of detonator images using network model and network location identification the model, get the image encoding detonators detonator. The method of convolution neural network is applied to the character recognition and positioning the detonator encoding work, localization and recognition of detonator images using network model and network model of location identification, by encoding the whole process without detonator, the detonator for single character image cutting can make end-to-end recognition, to achieve accurate positioning and identification of detonator encoding. The application also provides a device, equipment and a computer readable storage medium for the detonator coding and location and identification, which has the beneficial effects.

【技术实现步骤摘要】
一种雷管编码定位及识别的方法及装置
本申请涉及字符定位与识别领域，特别涉及一种雷管编码定位及识别的方法、装置、设备及计算机可读存储介质。
技术介绍
雷管是一种在工程爆破中普遍使用的引爆设备。为了加强对雷管的管理，落实生产、销售、使用各个环节的管理责任，有效预防工业雷管流散社会，维护公共安全，对雷管实施编号管理，是落实管理责任，有效预防雷管流失，减少爆炸犯罪的一项重要措施。雷管编码(由数字和少量字母组成，一串编码字符串共有13个字符)是记录雷管具体使用情况的唯一标识。目前，国内工业雷管的编码形式主要为激光刻痕和机械压痕两种，由于激光刻痕效率较高，因此国内的生产商大多数使用激光刻痕编码。现阶段存在的针对雷管编码字符的定位和识别的方法都是基于传统的图像处理和人工设计的特征方法。在处理雷管图像过程，需要设置大量的人工阈值，以及人为设计特征用于字符的定位与识别。由于光照强度、背景反光、不均匀性光照和雷管材料等因素的影响，雷管图像存在较大噪声，不利于雷管编码的定位与识别。另外，雷管编码有着字体小和笔划细的特点，有的甚至呈不连续的点状分布，为雷管编码的定位和识别带来了极大的困难。因此，如何实现雷管编码的准确定位与识别是本领域技术人员目前需要解决的技术问题。
技术实现思路
本申请的目的是提供一种雷管编码定位及识别的方法、装置、设备及计算机可读存储介质，该方法能够实现雷管编码的准确定位与识别。为解决上述技术问题，本申请提供一种雷管编码定位及识别的方法，该方法包括：对接收到的原始图像集进行预处理操作，得到训练图像集；根据所述训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型；利用所述定位网络模型对采集到的雷管图像进行定位，得到所述雷管图像的雷管编码感兴趣区域；利用所述识别网络模型对所述雷管编码感兴趣区域进行识别，得到所述雷管图像的雷管编码。可选的，利用所述定位网络模型对采集到的雷管图像进行定位，得到所述雷管图像的雷管编码感兴趣区域，包括：对所述雷管图像进行卷积操作和反卷积操作，得到定位特征图；在所述定位特征图中定义预设数目的候选框；利用定位卷积核对所述定位特征图进行卷积操作，得到所述候选框属于所述雷管编码感兴趣区域的概率，以及所述候选框相对于所述雷管编码感兴趣区域的位置偏移量；选择所述概率最大的候选框，并根据对应的所述位置偏移量计算得到所述雷管图像的雷管编码感兴趣区域。可选的，对所述雷管图像进行卷积操作和反卷积操作，包括：根据公式对所述雷管图像进行卷积操作；其中，为第l层的第n个特征图，fl为卷积函数，为第l-1层的第m个特征图，为在第l层上进行卷积操作的卷积核，为偏移量，为第l-1层连接到第l层的特征图数目。可选的，利用所述识别网络模型对所述雷管编码感兴趣区域进行识别，得到所述雷管图像的雷管编码，包括：对所述雷管编码感兴趣区域进行卷积处理，得到识别特征；利用多标签全连接层对所述识别特征进行分类，得到对应的雷管编码。可选的，所述对接收到的原始图像集进行预处理操作，得到训练图像集，包括：将接收到的编码作为所述感兴趣区域训练图像的标签；将所述训练图像和所述标签存储至所述训练图像集；其中，所述预处理操作包括图像映射操作、边缘检测操作、闭操作、噪声去除操作、标注操作、图像切割及组合操作中的至少一项。可选的，在根据所述训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型之后，还包括：对卷积操作得到的数据进行归一化处理，以便于加速卷积神经网络的训练并预防出现过拟合现象。可选的，在根据所述训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型之后，还包括：根据损失函数来度量定位网络模型的性能好坏，进而衡量所述定位网络模型的准确度；其中，N为与所述雷管编码感兴趣区域相匹配的所述候选框的个数，Lloc(x,l,g)为位置损失函数，Lconf(x,c)为置信度损失函数，α为权重项。本申请还提供一种雷管编码定位及识别的装置，该装置包括：预处理单元，用于对接收到的原始图像集进行预处理操作，得到训练图像集；训练单元，用于根据所述训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型；定位单元，用于利用所述定位网络模型对采集到的雷管图像进行定位，得到所述雷管图像的雷管编码感兴趣区域；识别单元，用于利用所述识别网络模型对所述雷管编码感兴趣区域进行识别，得到所述雷管图像的雷管编码。本申请还提供一种雷管编码定位及识别的设备，该设备包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一项所述雷管编码定位及识别的方法的步骤。本申请还提供一种计算机可读存储介质，所述计算机可读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上述任一项所述雷管编码定位及识别的方法的步骤。本申请所提供的一种雷管编码定位及识别的方法，通过对接收到的原始图像集进行预处理操作，得到训练图像集；根据训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型；利用定位网络模型对采集到的雷管图像进行定位，得到雷管图像的雷管编码感兴趣区域；利用识别网络模型对雷管编码感兴趣区域进行识别，得到雷管图像的雷管编码。本申请所提供的技术方案，根据卷积神经网络能够利用其卷积结构的特性自动地从图像中提取高层的抽象的图片特征的特点，将卷积神经网络应用到雷管编码字符的定位与识别工作中，通过训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型，免去了人工提取特征的过程；利用定位网络模型和识别网络模型对雷管图像进行定位和识别，得到雷管编码，整个过程无需将雷管图像切割为单字符便能进行端到端识别，识别过程快速且识别精度高，实现了雷管编码的准确定位与识别，存在很好的应用前景。本申请同时还提供了一种雷管编码定位及识别的装置、设备及计算机可读存储介质，具有上述有益效果，在此不再赘述。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，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种雷管编码定位及识别的方法的流程图；图2为图1所提供的一种雷管编码定位及识别的方法中S101的一种实际表现方式的流程图；图3为图1所提供的一种雷管编码定位及识别的方法中S103的一种实际表现方式的流程图；图4为本申请实施例提供的一种定位网络模型对雷管图像进行定位的方法的示意图；图5-a为本申请实施例提供的一种候选框在特征图上的示意分布图；图5-b为本申请实施例提供的另一种候选框在特征图上的示意分布图；图6为图1所提供的一种雷管编码定位及识别的方法中S104的一种实际表现方式的流程图；图7为本申请实施例提供的一种识别网络模型对雷管编码感兴趣区域进行识别的方法的示意图；图8为本申请实施例所提供的一种雷管编码定位及识别的装置的结构图；图9为本申请实施例所提供的另一种雷管编码定位及识别的装置的结构图；图10为本申请实施例所提供的一种雷管编码定位及识别设备的结构图。具体实施方式本申请的核心是提供一种雷管编码定位及识别的方法、装置、设备及计算机可读存储介质，该方法本文档来自技高网...

【技术保护点】
一种雷管编码定位及识别的方法，其特征在于，包括：对接收到的原始图像集进行预处理操作，得到训练图像集；根据所述训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型；利用所述定位网络模型对采集到的雷管图像进行定位，得到所述雷管图像的雷管编码感兴趣区域；利用所述识别网络模型对所述雷管编码感兴趣区域进行识别，得到所述雷管图像的雷管编码。

【技术特征摘要】
1.一种雷管编码定位及识别的方法，其特征在于，包括：对接收到的原始图像集进行预处理操作，得到训练图像集；根据所述训练图像集训练预设的卷积神经网络，得到定位网络模型和识别网络模型；利用所述定位网络模型对采集到的雷管图像进行定位，得到所述雷管图像的雷管编码感兴趣区域；利用所述识别网络模型对所述雷管编码感兴趣区域进行识别，得到所述雷管图像的雷管编码。2.根据权利要求1所述的方法，其特征在于，利用所述定位网络模型对采集到的雷管图像进行定位，得到所述雷管图像的雷管编码感兴趣区域，包括：对所述雷管图像进行卷积操作和反卷积操作，得到定位特征图；在所述定位特征图中定义预设数目的候选框；利用定位卷积核对所述定位特征图进行卷积操作，得到所述候选框属于所述雷管编码感兴趣区域的概率，以及所述候选框相对于所述雷管编码感兴趣区域的位置偏移量；选择所述概率最大的候选框，并根据对应的所述位置偏移量计算得到所述雷管图像的雷管编码感兴趣区域。3.根据权利要求2所述的方法，其特征在于，对所述雷管图像进行卷积操作和反卷积操作，包括：根据公式对所述雷管图像进行卷积操作；其中，为第l层的第n个特征图，fl为卷积函数，为第l-1层的第m个特征图，为在第l层上进行卷积操作的卷积核，为偏移量，Vnl为第l-1层连接到第l层的特征图数目。4.根据权利要求1所述的方法，其特征在于，利用所述识别网络模型对所述雷管编码感兴趣区域进行识别，得到所述雷管图像的雷管编码，包括：对所述雷管编码感兴趣区域进行卷积处理，得到识别特征；利用多标签全连接层对所述识别特征进行分类，得到对应的雷管编码。5.根据权利要求1所述的方法，其特征在于，所述对接收到的原始图像集进行预处理操作，得到训练图像集，包括：对接收到的所述原始图像集中的原始图像进行预处理操作，得到具有雷管编码感兴趣区域坐标的对...

【专利技术属性】
技术研发人员：蔡念，伍吉修，夏皓，李飞洋，张峻豪，陈新度，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44