一种基于机器视觉和深度学习的集装箱特征智能识别方法技术

本发明专利技术公开了一种基于机器视觉和深度学习的集装箱特征智能识别方法，根据指定的识别任务类型对采集的带有车号、箱号、铅封、危标、箱门方向、残损标签的图像数据进行识别检测，并生成与所采集图像对应的识别结果，并对生成的识别结果进行复核。本发明专利技术将结合机器学习、深度学习的图像检测识别算法应用于集装箱码头作业中，取代人工抄录、校验的方式，从码头起重机设备获取作业任务，在作业过程中采集、识别集装箱、内集卡车的待检信息，并在2s内将识别结果同任务号等关键任务信息发送到码头的终端维护系统中，实现了覆盖集装箱码头自动化其中最关键的一环，端到端的解决了在作业过程中采集到准确箱号、车号、铅封危标等关键信息的难题。的难题。

【技术实现步骤摘要】
一种基于机器视觉和深度学习的集装箱特征智能识别方法


[0001]本专利技术涉及海运物流
，尤其是涉及一种针对全自动化集装箱码头中的集装箱箱号、集卡车车顶号、箱门方向、铅封、危标等集装箱标识的自动检测、识别、复核的自动化方法。

技术介绍

[0002]基于机器视觉和深度学习的集装箱智能识别系统从属人工智能、机器视觉、深度学习以及OCR字符识别领域，基于深度学习算法检测箱号、集卡车车顶号、箱门方向、铅封危标等集装箱标志型待检内容，实现传统码头从人工到全自动化流程的关键转变。集装箱智能识别系统在自动化集装箱港口的堆场管理和运输物流领域起到了举足轻重的作用，传统集装箱码头的起重机设备控制器与码头终端运营系统独立运行，在作业过程中使用人工抄录的方式记录集装箱箱号等信息，极大程度上可能造成信息不匹配、遗漏等，并增加了人力成本与流转时间。集装箱智能识别系统作为设备控制器与码头终端运行系统中间的“桥梁”，通过网络协议截流起重机设备控制器的信号，解析后判断任务开始、结束节点，以及集装箱位置等信息，通过图像采集设备与系统对内集卡、集装箱等待检测识别实体进行关键本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉和深度学习的集装箱特征智能识别方法，其特征在于：包括如下步骤：步骤一、获取集装箱前后门、双侧面及顶面的RGB图像，并赋予采集到的图像指定的识别任务类型标签；步骤二、根据指定的识别任务类型对步骤一采集的带有车号、箱号、铅封、危标、箱门方向、残损标签的图像数据进行识别检测，并生成与所采集图像对应的识别结果；步骤三、对步骤二生成的识别结果进行复核。2.根据权利要求1所述的一种基于机器视觉和深度学习的集装箱特征智能识别方法，其特征在于：对带有车号、箱号标签的图像数据进行识别检测的方法为：先采用DBNet算法提取出图像数据的字符识别区域，再采用CRNN算法对字符识别区域进行字符识别。3.根据权利要求2所述的一种基于机器视觉和深度学习的集装箱特征智能识别方法，其特征在于：采用DBNet算法提取字符识别区域的流程包括：第一步、对图像数据经过特征提取和上采样融合并操作得到特征图；第二步、通过特征图预测出概率图；第三步、结合概率图和特征图预测出阈值图；第四步、通过概率图和阈值图计算出近似二值图。4.根据权利要求3所述的一种基于机器视觉和深度学习的集装箱特征智能识别方法，其特征在于：按如下公式计算DBNet算法的损失：LOSS＝L
s
+α
×
L
b
+β
×
L
t
其中，L
s
是概率图的损失值，L
b
是二值图的损失值，L
t
是阈值图的损失值，α和β的取值范围为1.0到10.0。5.根据权利要求2所述的一种基于机器视觉和深度学习的集装箱特征智能识别方法，其特征在于：CRNN算法的网络结构包括：使用两个卷积层跟随两个池化层，卷积层用于对输入的图像提取特征，得到特征图；双箱RNN对特征序列进行预测，对序列中的每个特征向量进行学习；两个全连接层中间包含两个GRU层，最后通过concatenate层进行多个卷积特征融合；然后将网络的输出结果做Softmax后为字符输出。6.根据权利要求5所述的一种基于机器视觉和深度学习的集装箱特征智能识别方法，其特征在于：CRNN算法的目标函数为：式中，x＝{I
i
，l
i
}
i
，I
i
表示训练集，l
i
表示标签为真的序列，y
i
是由I
i
中的递归层和卷积层生成的序列。7.根据权利要求6所述的一种基于机器视觉和深度学习的集装箱特征智能识别...

【专利技术属性】
技术研发人员：孟朝辉，
申请(专利权)人：北京国泰星云科技有限公司，
类型：发明
国别省市：