一种集装箱危险品标志识别方法技术

本发明专利技术公开了一种基于深度学习算法的集装箱危险品标志识别方法，所述方法包括：数据采集；箱体边缘检测；透视变换；图像增强；标注危险品区域；图像标准化处理；获取感兴趣区域；特征提取；特征融合；上采样；困难样本挖掘；计算连通域，最终可获得检测视频或图片中是否包含危险品标志以及危险品标志的坐标，并构建识别系统。与现有技术相比，可以有效利用多层卷积提取图片信息，避免亮度、颜色、纹理等底层信息的影响，通过尺度融合可以很好地避免图像特征信息在网络卷积核池化过程中的损失，提高了危险品标志的识别速度，有利于提高码头生产作业的效率。

【技术实现步骤摘要】
一种集装箱危险品标志识别方法
本专利技术涉及图像识别的
，尤其涉及到一种集装箱危险品标志的识别方法。
技术介绍
危险品标志是用来表示危险品的物理、化学性质，以及危险程度的标志。危险品的运输主要依靠铁路运输、水路运输、公路运输、航空运输、管道运输等5种交通运输方式。港口枢纽作为水路运输与公路运输、铁路运输等的中转站，承担大量的危险品运输任务。危险品箱在长途运输、装卸、中转等多频次流转后，非常容易破损褪色，导致船舶和从事相关工作人员无法及时、准确地掌握所装货物的属性和特性，从而造成危险品事故发生，造成严重的经济损失和人员伤亡。现有技术中危险品标志识别的工作原理基本相同，都是采用无线射频技术、传感器技术。本专利技术所述的方法可以有效利用多层卷积提取图片信息，避免亮度、颜色、纹理等底层信息的影响，通过尺度融合可以很好地避免图像特征信息在网络卷积核池化过程中的损失，提高了危险品标志的识别速度，有利于提高码头生产作业的效率。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术针对集装箱危险品标志进行识别，目的在于提供一种基于深度本文档来自技高网...

【技术保护点】
1.一种集装箱危险品标志识别方法，其特征在于，所述方法包括如下步骤：/nS1数据采集，以安装在桥吊或道口的摄像头作为视频采集器，利用无线射频技术对作业的集装箱进行图像采集；/nS2箱体边缘检测，采用霍夫变换算法进行直线定位，通过对象轮廓上的每一点(x，y)计算其对应的角向量(θ，p)，当(θ，p)大于设定阈值T时则该轮廓点集合为一条直线；/nS3透视变换，将二维矩阵图像变换成三维空间显示效果，设变换之前的点是z值为1的点，它在三维平面上的值是x、y、1，在二维平面上的投影是x、y，通过矩阵变换成三维中的点X、Y、Z，再通过除以三维中Z轴的值，转换成二维中的点x′、y′；/n

【技术特征摘要】
1.一种集装箱危险品标志识别方法，其特征在于，所述方法包括如下步骤：
S1数据采集，以安装在桥吊或道口的摄像头作为视频采集器，利用无线射频技术对作业的集装箱进行图像采集；
S2箱体边缘检测，采用霍夫变换算法进行直线定位，通过对象轮廓上的每一点(x，y)计算其对应的角向量(θ，p)，当(θ，p)大于设定阈值T时则该轮廓点集合为一条直线；
S3透视变换，将二维矩阵图像变换成三维空间显示效果，设变换之前的点是z值为1的点，它在三维平面上的值是x、y、1，在二维平面上的投影是x、y，通过矩阵变换成三维中的点X、Y、Z，再通过除以三维中Z轴的值，转换成二维中的点x′、y′；






S4图像增强，从所述集装箱区域图片中选取白天光线充足、危险品标志明显的图片，进行灰度处理，计算平均灰度值h0作为明亮度基线；对于接收到待识别图片，同样获取平均灰度值h后与基准线比较获得比例系数对原图进行矫正：当γ＞1时图像的高灰度区域对比度得到增强，当γ＜1时图像的低灰度区域对比度得到增强，当γ＝1时不改变原图像，从而提升低明亮度区域亮度；
S5标注危险品区域，对危险品标志的区域进行标注，在对训练样本进行训练之前，要对训练样本集图像内的判别物进行标记，输出二值图；
S6图像标准化处理，将原始标记图像切割为512×512大小的图像，使全连接神经网络的输入是512×512×3；
S7获取感兴趣区域，通过已标注的训练数据获取训练图片危险品标志轮廓坐标，通过轮廓边界坐标获取危险品标志对应图片区域；
S8特征提取，构建基于全卷积神经网络的模型，使用全卷积神经网络提取输入的图像不同大小的特征，把最后的全连接层换成1×1的卷积，用于特征提取，形成热力图，供上采样层使用；
S9特征融合，进行跳跃连接，将经过7层卷积5层池化后得到的大小的图像反卷积成大小的图像并选用池化层4的特征图进行融合生成的图像；再对的图像进行反卷积成大小的图像并选用池化层3的特征图进行融合生成的图像；
S10上采样，使用双线插值方法，利用原图像中目标点四周的四个真实存在的像素来共同决定目标图像中的一个像素，将矩阵的高宽扩充一倍；
S11困难样本挖掘，每轮模型训练的过程中，将每批次训练数据根据当前损失函数值进行排序，选出损失函数值最大的N个，同时加上正样本区域的损失函数值，合并损失函数值后再进行梯度下降，损失函数表达式如下：



S12计算连通域，输入的待识别图片经过本发明提供的神经网络计算后，最终生成一张与员图片同样大小但是只包含0和1的二值化图片，生成图片中像素值为1的位置对应危险品标志区域，像素值为0的位置为背景，通过计算值为1的连通域进行定位，最终可得危险品标志区域的坐标；
S13构建识别系统，危险品标志模型训练好后，需要以服务的方式对外提供服务，以保证识别模型的高效可用；
步骤S1中的数据采集包括，训练数据采集、标注，以及待识别图片的采集；构建深度学习算法训练所需的大量的富文本训练、测试样本的规范化采集、标注、存储及高效传输所需的数据标注管理系统对训练数据进行采集和标注所述的数据标注管理系统主要由标注终端、标注子系统和大数据子系统构成；
步骤S7获取感兴趣区域包括如下步骤：
(1)第一步，基于图的图像分割方法获取原始分割区域R＝...

【专利技术属性】
技术研发人员：丁一，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31