一种面向定位的标识牌识别方法及系统技术方案

本发明专利技术公开了一种面向定位的标识牌识别方法及系统，包括以下步骤：采集初始标识牌图片并生成初始标识牌图片集；基于生成的初始标识牌图片集预测后续标识牌元素；根据预测的后续标识牌元素生成新标识牌图片，并生成新标识牌图片的尺寸与位置信息；基于目标识别算法构建目标识别模型，将初始标识牌图片集和新标识牌图片输入到目标识别模型进行训练，获得输出模型；基于输出模型对目标标识牌图片进行检测，获得检测结果。本方法可以在施工时按照其大小和比例制作标识牌，以便后续的识别、定位。定位。定位。

【技术实现步骤摘要】
一种面向定位的标识牌识别方法及系统


[0001]本专利技术属于人工智能识别
，特别是涉及一种面向定位的标识牌识别方法及系统。

技术介绍

[0002]标识牌常见于日常生产生活的各个领域，如港口贝位号、高速公路和国省干道的里程碑等。下面以港口贝位号和公路里程碑为例说明现有
技术介绍
。
[0003]港口是位于海、江、河、湖、水库沿岸，具有水陆联运设备以及条件以供船舶安全进出和停泊的运输枢纽。港口是水陆交通的集结点和枢纽处，是工农业产品和外贸进出口物资的集散地，也是船舶停泊、装卸货物、上下旅客、补充给养的场所。
[0004]港口贝位号位于港口的陆侧，是港口管理方在港口陆侧地面划定的一定大小的矩形框，内将预先设置的元素编码填入，目的是准确描述集装箱位于港口的具体位置，以便于港口装卸类设备的计算视觉系统的神经网络模型识别，成功使得设备执行装卸对应集装箱的指令。
[0005]随着社会经济的快速发展，我国外贸经济的增长带动各大港口的业务量与日俱增，港口已有的规模无法满足集装箱快速准确的装卸任务。为了缓解业务量快速增加带来的工作量增加以及巨大工作量引发的工作失误、效率迟缓等问题，需要对港口进行扩建解决这一系列问题。
[0006]伴随着扩容，港口贝位号的数目增多。由于未经原视觉系统的神经网络训练和测试，新标记的港口贝位号在被原有的计算视觉系统所检测时，准确率低，检测速度慢，如此便会降低港口集装箱吞吐效率。如果在港口扩容完成后对新标记的港口贝位号图片逐个采样，和原有的港口贝位号图片集合为一体，形成新图片集重新训练和测试，生成新的神经网络模型，也需要一定时间，且采样新标记的贝位号图片需要打断港口日常的生产节奏。
[0007]公路是我国交通运输的命脉，起着沟通我国大江南北，传递往来人流、物流、信息流的重大作用。
[0008]公路里程碑是国家高速公路和国省干道旁表示道路的里程提示标志，每1000米设一个，设置在道路顺路线方向的右侧。高速公路单柱里程牌，版面为绿底，白字白边框，绿色衬边。国省干道里程碑的颜色，国道为白底红字；省道为白底蓝字；县道为白底黑字。公路里程碑一旦建成，每一块里程碑都将是独一无二的，这为定位提供了方便。
[0009]随着我国基础设施建设的推进，更多新公路的建成使得里程碑数目快速增长。新产生的里程碑在被原系统识别时，也会有准确率低和检测速度慢的情况发生。所以，依赖于新里程碑而产生的车辆定位需求不断上升。

技术实现思路

[0010]为了克服新标记的港口贝位号在被原有的计算视觉系统所检测时准确率低、检测速度慢和现有公路里程碑不能准确定位等新增标识牌无法识别的问题，本专利技术提出一种面
向定位的标识牌识别方法及系统，该方法是面向定位的目标识别模型训练数据生成与使用方法。将学习到的标识牌元素，采用一定的格式标准生成为标识牌图片，并在施工时按照其大小和比例制作标识牌，方便后续的识别、定位。
[0011]为实现上述目的，本专利技术提供了如下方案：一种面向定位的标识牌识别方法，包括以下步骤：
[0012]采集初始标识牌图片并生成初始标识牌图片集；
[0013]基于生成的初始标识牌图片集预测后续标识牌元素；
[0014]根据预测的后续标识牌元素生成新标识牌图片，并生成新标识牌图片定位所需的尺寸与位置信息；
[0015]基于目标识别算法构建目标识别模型，将初始标识牌图片集和新标识牌图片输入到目标识别模型进行训练，获得输出模型；
[0016]基于输出模型对目标标识牌图片进行检测，获得检测结果。
[0017]优选地，所述预测后续标识牌元素的方法包括：
[0018]基于预测算法构建预测模型，将初始标识牌图片集输入到预测模型中，通过运算得到可能会产生的后续标识牌元素。
[0019]优选地，所述生成新标识牌图片，并生成新标识牌图片的尺寸与位置信息的过程包括：
[0020]构建包含竖置框的标识牌图片框，将预测的后续标识牌元素添入到竖置框中，并根据尺寸大小生成新标识牌图片的尺寸与位置信息。
[0021]优选地，所述获得输出模型的方法包括：
[0022]基于目标识别算法构建目标识别模型，基于初始标识牌图片集和新标识牌图片构建总标识牌图片集，将所述总标识牌图片集输入到目标识别模型中进行学习，获得输出模型。
[0023]优选地，所述获得检测结果的过程包括：
[0024]将目标标识牌图片输入所述输出模型，通过输出模型对目标标识牌图片进行检测后，显示目标标识牌图片和目标标识牌图片的尺寸与位置信息。
[0025]本实施例还提供了一种面向定位的标识牌识别系统，包括：
[0026]采集模块，用于采集初始标识牌图片集；
[0027]预测模块，与所述采集模块连接，用于根据采集的初始标识牌图片集预测后续标识牌元素；
[0028]生成模块，与所述预测模块连接，用于根据预测的后续标识牌元素生成新标识牌图片，并根据新标识牌元素生成新标识牌图片定位所需的尺寸与位置信息；
[0029]训练模块，分别与所述采集模块和所述生成模块连接，用于基于初始标识牌图片集和新标识牌图片集进行训练，获得输出模型；
[0030]检测模块，用于将目标标识牌图片集输入所述输出模型，并显示输出模型输出的目标标识牌图片和目标标识牌图片的尺寸与位置信息。
[0031]优选地，所述生成模块包括构建单元、元素填充单元和定位单元；
[0032]所述构建单元用于构建包含竖置框的标识牌图片框；
[0033]所述元素填充单元用于将预测的后续标识牌元素添入到竖置框中；
[0034]所述定位单元用于根据新标识牌尺寸大小生成新标识牌图片的尺寸与位置信息。
[0035]优选地，所述检测模块包括输入单元、检测单元和输出单元；
[0036]所述输入单元用于输入被识别标识牌图片；
[0037]所述检测单元用于检测标识牌类别；
[0038]所述输出单元用于显示被识别标识牌图片的身份信息和被识别标识牌图片定位所需的尺寸与位置信息。
[0039]本专利技术公开了以下技术效果：
[0040]本专利技术提供的一种面向定位的标识牌识别方法及系统，使用生成的标识牌图片用于训练新的模型的同时，按照事先约定的标识牌制作标准制作新标识牌，用于定位。修正了之前标识牌识别的过程中不能兼顾新标识牌进行定位的缺点。
附图说明
[0041]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。
[0042]图1为本专利技术实施例的标识牌识别方法流程图；
[0043]图2为本专利技术实施例的预测流程图；
[0044]图3为本专利技术实施例的生成流程图；
[0045]图4为本专利技术实施例的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向定位的标识牌识别方法，其特征在于，包括以下步骤：采集初始标识牌图片并生成初始标识牌图片集；基于生成的初始标识牌图片集预测后续标识牌元素；根据预测的后续标识牌元素生成新标识牌图片，并生成新标识牌图片定位所需的尺寸与位置信息；基于目标识别算法构建目标识别模型，将初始标识牌图片集和新标识牌图片输入到目标识别模型进行训练，获得输出模型；基于输出模型对目标标识牌图片进行检测，获得检测结果。2.基于权利要求1所述的面向定位的标识牌识别方法，其特征在于，所述预测后续标识牌元素的方法包括：基于预测算法构建预测模型，将初始标识牌图片集输入到预测模型中，通过运算得到可能会产生的后续标识牌元素。3.基于权利要求1所述的面向定位的标识牌识别方法，其特征在于，所述生成新标识牌图片，并生成新标识牌图片定位所需的尺寸与位置信息的过程包括：构建包含竖置框的标识牌图片框，将预测的后续标识牌元素添入到竖置框中，并根据尺寸大小生成新标识牌图片定位所需的尺寸与位置信息。4.基于权利要求1所述的面向定位的标识牌识别方法，其特征在于，所述获得输出模型的方法包括：基于目标识别算法构建目标识别模型，基于初始标识牌图片集和新标识牌图片构建总标识牌图片集，将所述总标识牌图片集输入到目标识别模型中进行学习，获得输出模型。5.基于权利要求1所述的面向定位的标识牌识别方法，其特征在于，所述获得检测结果的过程包括：将目标标识牌图片输入所述输出模型，通过输出模型对目标标...

【专利技术属性】
技术研发人员：盛凯，李嘉正，杨振宁，敖磊，任效江，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：