一种基于无锚框算法的轻量化文字检测方法及装置制造方法及图纸

本发明专利技术涉及无锚框算法技术领域，公开了一种基于无锚框算法的轻量化文字检测方法，包括：步骤S1.获取工业产品上文字被框选的工业产品图像样本作为工业产品数据集，对工业产品数据集进行标注并将工业产品数据集分为测试集和训练集；步骤S2.将无锚点检测头网络工业产品数据集的训练集输入网络模型获取训练后的网络模型，无锚点检测头网络网络模型包括依次连接的主干网络、特征金字塔网络和无锚点检测头网络；步骤S3.使用无锚点检测头网络测试集测试训练后的网络模型得到文字检测模型；步骤S4.将待处理数据输入文字检测模型进行检测并输出检测结果。本发明专利技术还公开了一种基于无锚框算法的轻量化文字检测装置。框算法的轻量化文字检测装置。框算法的轻量化文字检测装置。

【技术实现步骤摘要】
一种基于无锚框算法的轻量化文字检测方法及装置


[0001]本专利技术涉及无锚框算法
，具体地说，是一种基于无锚框算法的轻量化文字检测方法及装置，用于对工业产品的文字进行实时检测。

技术介绍

[0002]工业产品检测方法主要分为传统方法和人工智能方法。传统方法也分两种，一种完全由人眼检测，这种方法检测结果不稳定，检测人员的主观因素占比很大，而且随着产品产量的增加，检测人员会出现视觉疲劳，造成大量误检；另外一种是对工业产品提取手工特征进行分类，是一种应用传统图像处理衍生的技术，但是一些产品上面的文字或图案，由于模具不一致以及图像模糊等原因，使用传统的图像匹配算法容易出错，造成误检。人工智能方法是指使用基于深度学习的方法进行检测，通过深度神经网络模型对采集的工业产品图像数据进行分析，定位出检测目标，在数据量较大且复杂的情况下，也能通过加深加宽网络模型，提高模型的特征表达能力，从而精准检测产品，得到了令人满意的检测效果。基于深度学习的检测技术主要分为两阶段算法和单阶段算法，两阶段算法中代表算法有Fater R
‑/>CNN、MTCN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无锚框算法的轻量化文字检测方法，其特征在于，包括以下步骤： 步骤S1：获取工业产品上文字被框选的工业产品图像样本作为工业产品数据集，对工业产品数据集进行标注，并将工业产品数据集分为测试集和训练集； 步骤S2：基于Anchor
‑
Free算法将所述工业产品数据集的训练集输入网络模型获取训练后的网络模型，所述网络模型包括依次连接的主干网络、特征金字塔网络和无锚点检测头网络，所述无锚点检测头网络引入了广义焦点损失，并去掉了FCOS检测器使用的焦点损失中的Centerness分支； 步骤S3：使用所述测试集测试训练后的网络模型得到文字检测模型； 步骤S4：将待处理数据输入文字检测模型进行检测并输出检测结果。2.根据权利要求1所述的一种基于无锚框算法的轻量化文字检测方法，其特征在于，所述步骤S1包括：对所述工业产品图像样本进行数据增强处理得到增强后的工业产品图像样本作为工业产品数据集；所述数据增强处理的方法包括依次对工业产品图像样本进行镜像操作和尺寸调整操作，所述尺寸调整操作为随机扩充或者随机裁剪。3.根据权利要求1所述的一种基于无锚框算法的轻量化文字检测方法，其特征在于，所述步骤S2包括： 步骤S21：将所述工业产品数据集的训练集输入到主干网络获取不同尺寸的提取特征图； 步骤S22：将所述提取特征图输入到特征金字塔网络进行多级预测获取融合特征图； 步骤S23：将所述融合特征图输入到无锚点检测头网络进行分析和回归计算获取检测特征图； 步骤S24：计算无锚点检测头网络获取的检测特征图和多层特征图集中各图之间的误差，根据所述误差采用反向传播算法对所述网络模型进行训练，把检测特征图的每个位置作为训练样本，对于检测特征图中的每个位置对应原图的边框都进行回归，最终获取训练后的网络模型。4.根据权利要求3所述的一种基于无锚框算法的轻量化文字检测方法，其特征在于，所述步骤S21中的主干网络包括ShuffleNetV2网络；所述ShuffleNetV2网络从前至后依次设置卷积层、批标准化层、激活函数层和若干个ShuffleNet基本单元，并去掉了最后一层卷积，抽取8、16、32倍下采样的特征对工业产品数据集的训练集进行多尺度的特征融合，获取不同尺寸的提取特征图；所述ShuffleNet基本单元包括从前至后依次设置的分组卷积层、通道随机混合操作层、深度可分离卷积层、卷积层和特征相加层。5.根据权利要求3所述的一种基于无锚框算法的轻量化文字检测方法，其特征在于，所述步骤S22中的特征金...

【专利技术属性】
技术研发人员：张晓武，陈斌，李伟，徐朝彬，
申请(专利权)人：浙江霖研精密科技有限公司，
类型：发明
国别省市：