一种快速识别石墨电极标签的方法技术

一种快速识别石墨电极标签的方法，涉及计算机视觉领域。本发明专利技术针对石墨电极标签自动识别问题，提出了一种标签自动快速识别方法。本方法使用了新的快速语义分割网络AL

【技术实现步骤摘要】
一种快速识别石墨电极标签的方法


[0001]本专利技术涉及一种石墨电极标签识别方法，特别是一种快速识别石墨电极标签的方法，该方法基于AL
‑
UNet网络，涉及计算机视觉领域。

技术介绍

[0002]现深度学习广泛应用于智能家居、医疗、自动驾驶、物理、游戏制作等各种领域当中。在智能家居方面，有智能语音回复AI、人脸识别智能锁等；在医疗方面，有病例图像分割、癌细胞筛查、药物筛查等；在自动驾驶方面，有路径自动规划，目标检测与识别等；在物理方面，有深度学习辅助计算筛选材料等；在游戏制作方面，有智能生成游戏场景、生成游戏原画及游戏角色等。深度学习已经发展到了多个领域，这些领域中大多离不开语音识别及图像处理。随着深度学习的不断发展，原本图像处理中存在的难题获得了新的解决方法。
[0003]近些年，由于深度学习技术的逐渐成熟，深度学习逐渐应用到了工业领域，工业生产中的技术难题有了解决方法。在工业生产中，如何使用较少的资源更快的获得精确的结果，实现生产流程的自动化，是一个热门的研究方向。人工智能的加入，轻量化网络模型的应用，使自动化技术更加成熟。
[0004]石墨电极编号的自动识别是传统算法不能解决的问题之一。由于石墨电极具有纹理复杂、反光明显、编号难以辨认等特点，传统算法无法处理石墨电极图像，进而无法准确识别其上的编码。实现石墨电极编号自动识别能够明显降低工人的工作量，提高工人的工作效率，并减低由于人工所产生的错误率。工人只需使用移动手持设备拍摄石墨电极编号部分即可直接识别编号。
专利技术内容
[0005]针对现有传统算法的不足，本专利技术提出一种快速识别石墨电极标签的方法。
[0006]为达到上述目的，本专利技术提出如下技术方案：快速识别石墨电极标签的技术方案，包含步骤如下：（1）使用相机拍摄待分割图像，由人工对图像中的待分割物体手动标记获得图像标签，与原图组成成对的训练集，通过镜像、翻转、添加噪点、调整亮度的方法，扩充数据集，以此数据集训练AL
‑
UNet网络，获得网络模型；（2）由训练好的AL
‑
UNet网络模型，获得真实图像的语义分割图，使用旋转投影方法校正此图的倾斜角度；（3）使用投影法切分出单个字符图像；（4）使用缩放、添加噪点的方式对数据集进行扩充，扩充后的数据集用于训练LeNet
‑
5网络，获得识别字符的网络模型，其后使用训练好的LeNet
‑
5对输入字符进行识别，完成图像至计算机字符串的转变。
[0007]本专利技术所构建的AL
‑
UNet网络结构为：可选的，网络基干部分：输入层，两个卷积层，第一次下采样层，
BatchNormalization深度可分离卷积层，BatchNormalization卷积层，第二次下采样层，BatchNormalization深度可分离卷积层，BatchNormalization卷积层，第三次下采样层，两个BatchNormalization深度可分离卷积层，第一次上采样张量拼接层，卷积层，深度可分离卷积层，第二次上采样张量拼接层，卷积层，深度可分离卷积层，第三次上采样张量拼接层，两个卷积层，网络卷积注意力模块部分：卷积层，下采样卷积层，卷积层，下采样卷积层，卷积层，下采样卷积层，卷积层。上述卷积层中，除最后一层卷积层为输出层无激活函数外，激活函数均使用Leaky
‑
ReLU。网络基干部分整体形成一个对称的U型网络结构。注意力模块结构由卷积层，及三个重复的池化层与卷积层组成。从注意力模块中引出未经Leaky
‑
ReLU函数激活的特征张量，在使用sigmoid函数激活后，作为注意力权重与基干网络对应尺寸的特征张量相乘。
[0008]本专利技术使用旋转投影的倾斜校正方法为：可选的，本方法示意图如图3所示，不同倾斜度的字符图像经过投影后，形成的投影面积不同，从而投影的像素密度不同。程序预设图像初始角度与每次旋转的旋转角度，图像从初始角度开始旋转，每次旋转后将图像向右侧投影，计算并获得投影像素密度。当字符倾斜角为0时，其密度最大，选取密度最大时图像的旋转角度，即可得通过此旋转角度校正图像倾斜。
[0009]本专利技术所构建LeNet
‑
5网络结构为：可选的，输入层，卷积层，第一次下采样，卷积层，第二次下采样，两层线性层，输出层。上述卷积层中除最后一层为输出层无激活函数外，使用激活函数均为ReLU。
[0010]本专利技术的有益效果。
[0011]1.本专利技术提出AL
‑
UNet网络模型可选的，UNet的特点在于，使用跳跃连接层将高层特征与低层特征拼接，使网络后部同样能使用网络的低层特征，从而增加了网络像素分类的精度。AL
‑
UNet网络在UNet的基础上，添加了卷积注意力模型，并将其轻量化。相较于UNet，AL
‑
UNet网络模型使用深度可分离卷积，加快了算法的运行速度，降低了网络的硬件资源消耗。网络使用卷积注意力模块，提高了网络准确率，更适合应用于工业图像处理方向当中。
[0012]2.本专利技术提出旋转投影校正方法可选的，目前常用Hough变换对倾斜图像进行校正，使用前需设置Hough变换的相应参数。参数设置过程繁琐，需要反复调试核对才能达到最佳效果。当图像中出现异常状况，如图像文字过小过大时，Hough变换不能处理其异常问题。本专利技术提出旋转投影校正法，能够准确高效的校正字符图像倾斜。相较于常用的Hough校正，本校正方法无需调整参数，能够适应不同的图像输入，即使图像出现异常状况，也能够处理图像，得到准确的处理结果。
[0013]3.解决石墨电极编号的自动识别问题可选的，石墨电极编号自动识别问题一直难以得到解决，传统算法无法解决石墨电极纹理复杂、电极反光、编号模糊的问题。本专利技术使用人工智能算法，通过语义分割网络能够从拍摄图像中获得较为清晰的电极编号图像，其后经过旋转投影校正、投影法分割处理，再使用LeNet
‑
5网络对其字符进行识别，能够获得石墨电极编号，解决了电极编号的自动识别问题。
附图说明
[0014]为了更清楚地说明本专利技术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专利技术的一些实施例，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。
[0015]图1为本专利技术的算法流程图。
[0016]图2为本专利技术中AL
‑
UNet网络结构图。
[0017]图3为本专利技术的旋转投影校正的示意图。
[0018]图4为本专利技术所使用LeNet
‑
5网络的结构图。
具体实施方式
[0019]下面结合附图对本专利技术的具体实施方法进行详细说明。
[0020]1、AL
‑
UNet数据集制作可选的，使用相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速识别石墨电极标签的方法，其特征在于，基于以下步骤：（1）使用AL
‑
UNet网络作为语义分割网络使用相机拍摄获得待分割图像，采用人工标记的方式获得待分割图像对应的标签，使分割图像与人工标记标签一一对应作为数据集，采用镜像、翻转、添加噪点、调整亮度的方式对数据集扩充，训练AL
‑
UNet，获得语义分割网络模型，通过训练好的模型，获得石墨电极标签图像的语义分割图；（2）旋转并计算字体投影密度石墨电极标签图像可能具有一定的倾斜角度，使用旋转投影方法对其进行倾斜校正，通过不断旋转图像，计算并获得旋转后投影像素密度，记录投影像素密度与对应旋转角度，从记录的密度中获取最大像素密度值，并取得其对应的图像旋转角度，进而校正倾斜图像，校正后的图像用于下一步字符投影分割；（3）投影法分割字符校正后的图像使用投影法切分出单个字符图像；（4）使用LeNet
‑
5网络识别字符使用石墨电极字符图像训练LeNet
‑
5网络，在训练前对字符图像使用缩放、添加噪点的方式对数据集进行扩充，扩充后的数据集用于训练LeNet
‑
5网络，获得识别字符的网络模型。2.根据权利要求1所述的一种快速识别石墨电极标签的方法，其特征在于，步骤（1）中所述使用AL
‑
UNet网络作为语义...

【专利技术属性】
技术研发人员：兰天翔，刘名果，陈立家，梁倩，田敏，韩宗桓，代震，王赞，
申请(专利权)人：河南大学，
类型：发明
国别省市：