基于深度学习的船用低速机传感器铭牌识别方法技术

本发明专利技术公开了一种基于深度学习的船用低速机传感器铭牌识别方法，包括以下步骤：一、使用带有抓拍功能的成像设备收集低速机传感器铭牌图像，将图像随机分为1000张训练集和300张测试集。二、利用深度学习框架Tensorflow、开发工具python以及训练集数据搭建传感器铭牌识别模型。三、采用深度学习网络模型对收集到的1000张传感器铭牌训练集进行学习，经过多次训练模型之后，得到训练好的深度学习模型，将此模型用来预测收集到的300张测试集图像。四、使用所述传感器铭牌深度学习模型检测铭牌区域，在检测到的铭牌区域内识别铭牌的字符。本发明专利技术实现了低速机传感器铭牌信息自动化采集，提高了采集效率与精确度。提高了采集效率与精确度。提高了采集效率与精确度。

【技术实现步骤摘要】
基于深度学习的船用低速机传感器铭牌识别方法


[0001]本专利技术涉及一种基于深度学习的船用低速机传感器铭牌识别方法，属于人工智能


技术介绍

[0002]在生产中，需要对现有船用低速机传感器铭牌进行有效识别与统计，现在基本采用人工识别统计的方式，无法实现低速机传感器铭牌信息自动化采集，人工传感器铭牌信息采集的效率与精确度不高，不能满足现代化大生产的要求。
[0003]深度学习是当前人工智能领域机器学习最热门的方法，深度神经网络在各个领域都取得了前所未有的成果。在图像的应用中，卷积神经网络的出现加快了训练过程从而使得训练大量的图像数据更为方便，卷积神经网络在图像识别中已经取得了超越人类的效果。本专利技术将深度学习技术用于船用柴油机传感器铭牌的识别，以实现传感器铭牌自动化有效识别。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的船用低速机传感器铭牌识别方法，针对现有船用低速机传感器铭牌不能有效识别与统计的问题，实现了低速机传感器铭牌信息自动化采集，提高了低速机传感器铭牌信息采集的效率与精确度。
[0005]本专利技术的目的通过以下技术方案予以实现：
[0006]一种基于深度学习的船用低速机传感器铭牌识别方法，包括以下步骤：
[0007]一、收集图像：使用成像设备收集低速机传感器铭牌图像，将采集到的传感器彩色图片转化成灰度图像，并将图像随机分为500张训练集和300张测试集；
[0008]二、搭建深度学习模型：使用深度学习框架Tensorflow、开发工具python以及训练集数据搭建传感器铭牌识别模型；其中，搭建的深度学习模型包括输入层、卷积层、池化层、全连接层和输出层，输入层用于把收集到的传感器铭牌图像以张量形式传入深度学习模型；卷积层根据卷积核的大小和步长扫描传感器铭牌图像，对图像进行特征提取和特征映射；池化层用于对输入的特征图进行压缩，包括使特征图变小，简化网络计算复杂度以及进行特征压缩，提取主要特征；全连接层用于连接所有的特征，对特征进行重新拟合，减少特征信息的丢失并将输出值送给分类器；输出层用于输出模型的预测结果；本方法搭建的传感器识别卷积神经网络结构为7层：输入层S1、第一卷积层S2、第一池化层S3、第二卷积层S4、第二池化层S5、全连接层S6、输出层S7，上述结构层次首尾依次相连，前面一层的输出作为当前层的输入；
[0009]其中，卷积层的计算过程为输入数据和卷积核进行卷积操作，输入数据存在三个维度，分别是高、宽、信道，卷积操作中定义卷积核的大小为(3，3，3)：高为3，宽为3，信道为3，用正太分布的方式来定义卷积核的权重参数W的初始值，通过在图像上进行滑移的操作提取特征，卷积计算公式为：
[0010][0011]式中，n和m为图像的大小信息，x、y、z为图像所卷积到的位置信息，a表示图像的像素值，x是内积运算符号，w为卷积核的权重参数；每一张图像都拥有R、G、B三个通道信息，让卷积核在图像上进行滑移操作，每次滑移过程中计算卷积核与所覆盖图像像素值的内积为：
[0012][0013]该式为图像经过一次卷积后加上偏置项参数b，式中b为常量；
[0014]池化层压缩输入的特征图，减少特征，导致参数减少，进而简化卷积网络计算时的复杂度；
[0015]全连接层将两个不同的网络层利用彼此的神经元根据权值进行连接，对特征降维；
[0016]输出层采用Softmax分类方法，输出值为：
[0017][0018]式中，exp(x)是表示e
x
的指数函数，n表示输出层共有n个神经元，softmax函数的分子是输入信号q
k
的指数函数，分母是所有输入信号的指数函数的和；
[0019]三、训练并验证模型：采用搭建好的网络模型对收集到的1000张传感器铭牌训练集进行学习，经过多次训练模型之后，得到训练好的深度学习模型，用此模型预测收集到的300张测试集图像；
[0020]四、传感器铭牌识别：使用传感器铭牌深度学习模型检测铭牌区域，在检测到的铭牌区域内检测铭牌字符并识别铭牌字符。
[0021]本专利技术的目的还可以通过以下技术措施来进一步实现：
[0022]前述基于深度学习的船用低速机传感器铭牌识别方法，步骤一中将采集到的传感器彩色图片转化成灰度图像的方法为：
[0023]循环遍历传感器图像的每个像素点，将三个通道R、G、B的像素值转化为灰度值：
[0024]Gray(i，j)＝0.299*R(i，j)+0.587*G(i，j)+0.144*B(i，j)
[0025]式中，(i，j)表示图像中每个像素点的坐标。
[0026]前述基于深度学习的船用低速机传感器铭牌识别方法，其中池化方式采用平均值池化。
[0027]前述基于深度学习的船用低速机传感器铭牌识别方法，其中池化方式采用随机池化。
[0028]前述基于深度学习的船用低速机传感器铭牌识别方法，其中池化方式采用最大值池化方法，即对邻域内的特征点取最大值。
[0029]前述基于深度学习的船用低速机传感器铭牌识别方法，将输出层输出值限定在[0，1]中。
[0030]与现有技术相比，本专利技术的有益效果是：本专利技术的基于深度学习的船用低速机传感器铭牌识别方法，基于卷积神经网络模型构建传感器铭牌识别模型，包括收集传感器铭
牌图像，进行灰度处理，然后搭建7层卷积神经网络模型，对处理过后的图像进行识别分类。所搭建的模型能有效的识别出低速机传感器铭牌图像，具有较高的识别精度，可用于低速机传感器铭牌自动化管理。
附图说明
[0031]图1是本专利技术船用传感器铭牌样图；
[0032]图2是本专利技术所搭建的7层卷积网络学习模型图；
[0033]图3是基于深度学习的船用低速机传感器铭牌识别方法流程图。
具体实施方式
[0034]下面结合附图和具体实施例对本专利技术作进一步说明。
[0035]如图1所示，铭牌图像中的文字是由26个大写英文字母和0
‑
9中的数字组成。
[0036]本专利技术基于深度学习的船用低速机传感器铭牌识别方法，包括以下步骤：
[0037]一、收集图像：使用成像设备收集低速机传感器铭牌图像，将图像随机分为500张训练集和300张测试集；
[0038]二、搭建深度学习模型：使用深度学习框架Tensorflow、开发工具python以及训练集数据搭建传感器铭牌识别模型；其中，搭建的深度学习模型包括输入层、卷积层、池化层、全连接层和输出层，输入层用于把收集到的传感器铭牌图像以张量形式传入深度学习模型；卷积层根据卷积核的大小和步长扫描传感器铭牌图像，对图像进行特征提取和特征映射；池化层用于对输入的特征图进行压缩，包括使特征图变小，简化网络计算复杂度以及进行特征压缩，提取主要特征；全连接层用于连接所有的特征，对特征进行重新拟合，减少特征信息的丢失并将输出值送给分类器；输出层用于输出模型的预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的船用低速机传感器铭牌识别方法，其特征在于，该方法包含下列步骤：一、收集图像：使用成像设备收集低速机传感器铭牌图像，将采集到的传感器彩色图片转化成灰度图像，并将图像随机分为500张训练集和300张测试集；二、搭建深度学习模型：使用深度学习框架Tensorflow、开发工具python以及训练集数据搭建传感器铭牌识别模型；其中，搭建的深度学习模型包括输入层、卷积层、池化层、全连接层和输出层，输入层用于把收集到的传感器铭牌图像以张量形式传入深度学习模型；卷积层根据卷积核的大小和步长扫描传感器铭牌图像，对图像进行特征提取和特征映射；池化层用于对输入的特征图进行压缩，包括使特征图变小，简化网络计算复杂度以及进行特征压缩，提取主要特征；全连接层用于连接所有的特征，对特征进行重新拟合，减少特征信息的丢失并将输出值送给分类器；输出层用于输出模型的预测结果；本方法搭建的传感器识别卷积神经网络结构为7层：输入层S1、第一卷积层S2、第一池化层S3、第二卷积层S4、第二池化层S5、全连接层S6、输出层S7，上述结构层次首尾依次相连，前面一层的输出作为当前层的输入；其中，卷积层的计算过程为输入数据和卷积核进行卷积操作，输入数据存在三个维度，分别是高、宽、信道，卷积操作中定义卷积核的大小为(3，3，3)：高为3，宽为3，信道为3，用正太分布的方式来定义卷积核的权重参数W的初始值，通过在图像上进行滑移的操作提取特征，卷积计算公式为：a
x，y，z
x w
x，y，z
式中，n和m为图像的大小信息，x、y、z为图像所卷积到的位置信息，a表示图像的像素值，x是内积运算符号，w为卷积核的权重参数；每一张图像都拥有R、G、B三个通道信息，让卷积核在图像上进行滑移操作，每次滑移过程中计算卷积核与所覆盖图像像素值的内积为：...

【专利技术属性】
技术研发人员：李肖，李慧，沈加民，陈超，冯洁颖，
申请(专利权)人：中船动力镇江有限公司，
类型：发明
国别省市：