一种基于深度学习的高温板坯制造技术

本发明专利技术提供一种基于深度学习的高温板坯

【技术实现步骤摘要】
一种基于深度学习的高温板坯ID字符识别方法和系统


[0001]本专利技术涉及钢坯制造
、
深度学习和字符识别
，更具体地，涉及一种基于深度学习的高温板坯
ID
字符识别方法和系统
。

技术介绍

[0002]板坯库是钢铁企业连铸
‑
热轧生产工序间的缓冲环节，起着承上启下的关键作用，其管理自动化水平的高低，直接影响着连铸
‑
热轧的生产连续性和一体化生产的成本
。
目前，库存优化是板坯库管理中存在的主要问题，其中关键的物流步骤是板坯入库
、
出库和倒垛，对板坯库从入库到出库的跟踪
、
调度与管理从而实现对整个板坯库的无人化管理逐渐成为一种趋势
。
[0003]在板坯生产过程中，每个板坯对应一个
ID
字符，用于表示其生产批次
、
尺寸
、
型号等相关信息
。
板坯
ID
能够方便检测人员进行质量检查，通过
ID
字符的识别来实现产品质量的跟踪和管理
。
[0004]板坯库实现无人化管理的首要前提是实现高精度的高温板坯
ID
字符识别，然而由于板坯的温度较高，
ID
字符易发生形变，且实际拍摄的板坯
ID
图像和背景图像随产品的变化
、
批次的变化和环境的变化差异巨大；同时，拍摄的图片存在亮度太暗
、
字迹模糊和字迹缺失等问题，进一步加大了
ID
字符识别的困难，容易识别错误
。
因此，亟需开发一种用于高温板坯
ID
字符识别的高精度
、
高稳定性的方案
。
[0005]现有技术中公开了一种板坯号自动识别方法，包括以下步骤：步骤一，图像预处理；步骤二，板坯号区域截取与透视变换；步骤三，图像灰度处理；步骤四，二值化处理；步骤五，数字符号切割；步骤六，字符标准化；步骤七，相似度计算和字符识别；步骤八，判定板坯号是否有误；该现有技术中的方法仅通过计算板坯
ID
与预设模板之间的相似度来进行字符识别，由于模板有限，因此对于
ID
图像复杂多变的高温板坯则具有一定的局限性，泛用性较低；另外，该方法并未引入神经网络模型，检测精度和自动化程度也较低，无法满足板坯库无人化管理的要求
。
[0006]现有技术中还公开了一种钢卷标号识别方法及系统，包括步骤：
S01、
实时检测钢卷是否出现；当检测到钢卷时，截取钢卷图像；
S02、
检测钢卷图像中的钢卷边缘，然后计算钢卷图形的梯度，得到钢卷圆周线，最终提取钢卷圆心；
S03、
基于深度学习的语义分割模型和钢卷圆心，对钢卷不同位置上的标号字符进行定位和方位调整；
S04、
基于端到端神经网络模型，对方位调整好的钢卷标号字符进行识别；尽管该现有技术中的识别方法能够识别易形变
、
长宽比不统一等
ID
字符，但其仅通过单一模型进行字符识别，缺少有效的监督策略，鲁棒性较差，且模型需要大量数据进行训练，识别效率较低
。

技术实现思路

[0007]本专利技术为克服上述现有技术在识别高温板坯
ID
时存在识别精度和效率较低
、
鲁棒性和稳定性较差的缺陷，提供一种基于深度学习的高温板坯
ID
字符识别方法和系统，能够
有效提升
ID
字符识别的效率
、
准确率和稳定性
。
[0008]为解决上述技术问题，本专利技术的技术方案如下：
[0009]一种基于深度学习的高温板坯
ID
字符识别方法，包括以下步骤：
[0010]S1
：获取板坯图像数据集；
[0011]所述板坯图像数据集包括若干张带有板坯
ID
字符的板坯图像；
[0012]S2
：建立板坯
ID
字符识别模型，包括依次连接的
OCR
文本检测模型
、OCR
方向分类器和
OCR
文本识别模型；
[0013]S3
：将板坯图像数据集输入所述
OCR
文本检测模型中进行
ID
文本区域检测和互学习优化训练，获取
ID
文本区域数据集，以及最优的
OCR
文本检测模型；
[0014]所述
ID
文本区域数据集包括若干张
ID
文本区域图像，
ID
文本区域图像与所述板坯图像一一对应；
[0015]S4
：将获取到的
ID
文本区域数据集输入所述
OCR
方向分类器中进行
ID
文本区域的方向旋转调整和训练，获取方向调整后的
ID
文本区域数据集，以及最优的
OCR
方向分类器；
[0016]S5
：将方向调整后的
ID
文本区域数据集输入所述
OCR
文本识别模型中进行
ID
文本识别和联合互学习优化训练，获取最优的
OCR
文本识别模型；
[0017]将所述最优的
OCR
文本检测模型
、
最优的
OCR
方向分类器和最优的
OCR
文本识别模型共同保存为最优的板坯
ID
字符识别模型；
[0018]S6
：在高温板坯生产过程中，利用工业相机拍摄带有板坯
ID
字符的待识别板坯图像；将待识别板坯图像输入最优的板坯
ID
字符识别模型中进行
ID
检测和识别，获取板坯
ID
字符识别结果，完成高温板坯的
ID
字符识别
。
[0019]优选地，所述步骤
S1
中，获取板坯图像数据集的具体方法为：
[0020]利用训练好的
yolov5
神经网络模型生成初始板坯图像数据集，并对初始板坯图像数据集依次进行二值化处理
、
灰度处理
、
尺寸裁剪和随机旋转操作，获取所述板坯图像数据集
。
[0021]优选地，所述步骤
S2
中的
OCR
文本检测模型具体为：
[0022]所述
OCR
文本检测模型包括：教师网络，以及结构相同且并列设置的第一学生网络和第二学生网络；
[0023]所述教师网络的结构包括依次连接的：第一输入层
、Resn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高温板坯
ID
字符识别方法，其特征在于，包括以下步骤：
S1
：获取板坯图像数据集；所述板坯图像数据集包括若干张带有板坯
ID
字符的板坯图像；
S2
：建立板坯
ID
字符识别模型，包括依次连接的
OCR
文本检测模型
、OCR
方向分类器和
OCR
文本识别模型；
S3
：将板坯图像数据集输入所述
OCR
文本检测模型中进行
ID
文本区域检测和互学习优化训练，获取
ID
文本区域数据集，以及最优的
OCR
文本检测模型；所述
ID
文本区域数据集包括若干张
ID
文本区域图像，
ID
文本区域图像与所述板坯图像一一对应；
S4
：将获取到的
ID
文本区域数据集输入所述
OCR
方向分类器中进行
ID
文本区域的方向旋转调整和训练，获取方向调整后的
ID
文本区域数据集，以及最优的
OCR
方向分类器；
S5
：将方向调整后的
ID
文本区域数据集输入所述
OCR
文本识别模型中进行
ID
文本识别和联合互学习优化训练，获取最优的
OCR
文本识别模型；将所述最优的
OCR
文本检测模型
、
最优的
OCR
方向分类器和最优的
OCR
文本识别模型共同保存为最优的板坯
ID
字符识别模型；
S6
：在高温板坯生产过程中，利用工业相机拍摄带有板坯
ID
字符的待识别板坯图像；将待识别板坯图像输入最优的板坯
ID
字符识别模型中进行
ID
检测和识别，获取板坯
ID
字符识别结果，完成高温板坯的
ID
字符识别
。2.
根据权利要求1所述的一种基于深度学习的高温板坯
ID
字符识别方法，其特征在于，所述步骤
S1
中，获取板坯图像数据集的具体方法为：利用训练好的
yolov5
神经网络模型生成初始板坯图像数据集，并对初始板坯图像数据集依次进行二值化处理
、
灰度处理
、
尺寸裁剪和随机旋转操作，获取所述板坯图像数据集
。3.
根据权利要求2所述的一种基于深度学习的高温板坯
ID
字符识别方法，其特征在于，所述步骤
S2
中的
OCR
文本检测模型具体为：所述
OCR
文本检测模型包括：教师网络，以及结构相同且并列设置的第一学生网络和第二学生网络；所述教师网络的结构包括依次连接的：第一输入层
、Resnet
子网络
、LK
‑
PAN
子网络和第一输出层；所述
Resnet
子网络包括依次连接的：第一残差卷积块
、
第二残差卷积块
、
第三残差卷积块
、
第四残差卷积块和第五残差卷积块；所述
LK
‑
PAN
子网络包括：卷积层
1、
卷积层
2、
卷积层
3、
卷积层
4、
卷积层
5、
卷积层
6、
卷积层
7、
卷积层
8、
卷积层
9、
卷积层
10、
卷积层
11、
卷积层
12、
卷积层
13、
卷积层
14、
卷积层
15
和第一全连接层；所述卷积层1～4参数相同，卷积层5～
12
参数相同，卷积层
13
～
15
参数相同；所述
LK
‑
PAN
子网络包括并列设置的支路
1、
支路
2、
支路3和支路4，支路1具体为依次连接的卷积层
1、
卷积层5和卷积层9；支路2具体为依次连接的卷积层
2、
卷积层6和卷积层
10
；支路3具体为依次连接的卷积层
3、
卷积层7和卷积层
11
；支路4具体为依次连接的卷积层
4、
卷积层8和卷积层
12
；卷积层9～
12
的输出端分别连接第一全连接层的输入端，第一全连接层的输出端连接教师网络的第一输出层；所述卷积层2的输出还上采样至卷积层5的输入，卷积层3的输出还上采样至卷积层6的
输入，卷积层4的输出还上采样至卷积层7的输入；所述卷积层5的输出还经卷积层
13
下采样至卷积层
10
的输入，卷积层6的输出还经卷积层
14
下采样至卷积层
11
的输入，卷积层7的输出还经卷积层
15
下采样至卷积层
12
的输入；每个所述学生网络的结构均包括依次连接的：第二输入层
、MobileNet
子网络
、RSE
‑
FPN
子网络和第二输出层；所述
MobileNet
子网络包括依次连接的：卷积层
16、
第一批归一化层
、
第一
h
‑
swish
激活层
、bneck
通道注意力卷积模块
、
第一全局平均池化层
、
第一
FC
层
、
第二批归一化层
、
第二
h
‑
swish
激活层
、
第二
FC
层和第二全连接层；所述
RSE
‑
FPN
子网络包括：
RSE
卷积层
1、RSE
卷积层
2、RSE
卷积层
3、RSE
卷积层
4、RSE
卷积层
5、RSE
卷积层
6、RSE
卷积层
7、RSE
卷积层8和第三全连接层；
RSE
卷积层1～8的结构和参数相同；所述
RSE
‑
FPN
子网络包括并列设置的支路
5、
支路
6、
支路7和支路8，支路5具体为依次连接的
RSE
卷积层1和
RSE
卷积层5，支路6具体为依次连接的
RSE
卷积层2和
RSE
卷积层6，支路7具体为依次连接的
RSE
卷积层3和
RSE
卷积层7，支路8具体为依次连接的
RSE
卷积层4和
RSE
卷积层8，
RSE
卷积层4～8的输出端分别连接第三全连接层的输入端，第三全连接层的输出端连接对应的学生网络的第二输出层；所述
RSE
卷积层2的输出还上采样至
RSE
卷积层5的输入，
RSE
卷积层3的输出还上采样至
RSE
卷积层6的输入，
RSE
卷积层4的输出还上采样至
RSE
卷积层7的输入；所述上采样均为2倍上采样；每个所述
RSE
卷积层的结构均包括依次连接的第三输入层
、SE
激励块和第三输出层；所述
SE
激励块包括依次连接的第二全局平均池化层
、SE
卷积层
1、ReLU
激活层
、SE
卷积层2和
HardSigmoid
激活层；
SE
卷积层1和
SE
卷积层2的参数相同；第二全局平均池化层的输入还与
HardSigmoid
激活层的输出进行...

【专利技术属性】
技术研发人员：邱永峰，刘伟力，彭康，沈国腾，朱海曦，郑祎，
申请(专利权)人：湖南天桥嘉成智能科技有限公司，
类型：发明
国别省市：