System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像识别,尤其涉及一种基于深度学习的热铸坯号识别方法及系统。
技术介绍
1、在钢铁生产中,热态铸坯是一个重要的中间产品,其质量直接影响着最终钢铁产品的质量和性能。在目前的热轧炼钢流水线中,首先为每一块刚出炉的铸坯编上惟一的坯号,坯号一般是由字母和数字组成的字符串。坯号中包含了铸坯的生产批次、生产炉号、喷印日期、浇注钢种等信息,用于生产中的铸坯管理和质量监测。然后经过冷却等一系列操作后,在入库存放前对铸坯进行识别并和重量、材质等信息一同录入数据库,以便日后的统一管理。
2、学术界和工业界一直都在努力研究热铸坯号识别的各种方法,确保每块热铸坯都能被标识和追踪。然而,由于热铸坯的坯号是由自动喷号机喷印在红热状态的铸坯表面,坯号与红热背景对比度低,同时由于生产现场的光照条件不均匀,导致工业相机拍摄的图片质量低,坯号识别困难。另外,铸坯本身的高温会使坯号氧化变形,造成字符粘连、模糊失真,无法对热铸坯号做出准确、高效的识别。
3、随着钢铁生产线的自动化改造,采用计算机技术来自动识别热铸坯号已逐渐成为趋势,该技术不仅大大减少了操作工劳动强度,同时也可以保证产销系统数据的准确性和完整性。目前,热铸坯号自动识别主要是利用图像处理和模式识别相关技术,其中,深度学习方法特别是卷积神经网络(cnn),已经成为热铸坯号识别的主要方法。
4、由于热铸坯号拍摄相机不在热铸坯正面,拍出来的图像,坯号会有一定的角度倾斜,会对后续模型训练以及坯号识别均会对结果造成影响,坯号的识别准确率不足。另外,目前的卷积神经网络
技术实现思路
1、有鉴于此,本专利技术提供一种基于深度学习的热铸坯号识别方法及系统,通过采用vgg19网络模型进行迁移训练检测文字朝向,使用rs-block对特征提取网络进行改进,设置激活函数lglu函数,将残差结构特征与senet注意力机制相结合,在序列预测阶段采用双向gru模块,使用enctc损失函数来进行转录解码,来增强模型特征提取能力,对文本序列的建模能力和识别准确性,提升模型的泛化能力和训练过程中的探索能力,从而提高了热铸坯号的识别准确率。
2、本专利技术的技术目的是这样实现的:
3、本专利技术提供一种基于深度学习的热铸坯号识别方法,包括以下步骤:
4、s1、获取所述热铸坯号的原始图像;
5、s2、对所述原始图像进行去噪、剪切和零均值化处理,得到第一图像;
6、s3、将所述第一图像导入vgg19网络模型,对所述热铸坯号的文字朝向进行检测,计算所述热铸坯号的倾斜角度,并根据倾斜角度旋转所述热铸坯号的文字朝向,得到第二图像;
7、s4、构建并训练rs-rcnn模型,将所述第二图像导入训练后的rs-rcnn模型,对所述热铸坯号进行识别。
8、优选的,所述步骤s3包括:
9、s31、对所述第一图像进行灰度化,同时进行等比例缩放;
10、s32、对缩放后的第一图像进行归一化处理;
11、s33、计算归一化处理后的第一图像每行灰度值的均值向量与方差向量,得到所述热铸坯号的倾斜角度;
12、s34、根据所述热铸坯号的倾斜角度,旋转所述热铸坯号的文字朝向,得到第二图像。
13、优选的,所述训练rs-rcnn模型包括以下步骤:
14、a、建立热铸坯号的图像样本库,图像样本库包含真实序列结果;
15、b、将图像样本库划分为训练样本和验证样本,设置损失函数并对rs-rcnn模型进行初始化;
16、c、选择一个训练样本输入到初始化后的rs-rcnn模型,通过前向传播得到训练样本的预测序列结果,根据预测序列结果和真实序列结果计算损失函数,得到训练误差;
17、d、将训练误差进行反向传播,并在反向传播过程中根据损失函数计算模型参数的梯度;
18、e、根据模型参数的梯度更新rs-rcnn模型的模型参数;
19、f、重复步骤c至步骤e,直至所有的训练样本都被用于训练,得到预训练的rs-rcnn模型;
20、g、利用验证样本验证预训练的rs-rcnn模型,根据验证样本的验证误差判断是否达到训练停止条件,若是,则得到训练后的rs-rcnn模型;若否,则重新划分训练样本和验证样本并回到步骤c。
21、优选的,rs-rcnn模型包括rs-block模块、双向gru模块和转录模块,步骤c中,rs-rcnn模型对训练样本的处理过程为:
22、利用rs-block模块对输入的训练样本进行特征提取和编码,输出特征序列,其中,所述rs-block模块将残差结构特征与senet注意力机制相结合,并将激活函数设置为lglu函数;
23、通过双向gru模块提取文本特征,将所述特征序列转换为所述热铸坯号中各类型字符的预测序列结构,其中,所述双向gru模块分别计算正向和反向两个方向的隐含层状态;
24、使用转录模块对所述预测序列结构进行转录解码,将所述预测序列结构转换成标签序列,引入空白标签参与转换,并使得标签序列与预测序列结构对齐,得到预测序列结果。
25、优选的,利用rs-block模块对输入的训练样本进行特征提取和编码,输出特征序列包括如下步骤:
26、输入大小为h′×w′×c′的特征图x;
27、经过卷积操作得到大小为h×w×c的特征图u;
28、对所述特征图u的每个通道应用全局平均池化操作,得到特征图fsq;
29、对所述特征图fsq进行缩放的操作,得到特征图fscale;
30、将特征图u与特征图fscale逐元素相乘,得到一个大小为1×1×c的特征图z;
31、对特征图z进行编码,则得到特征序列。
32、优选的,所述lglu函数的表达式如下:
33、lglu函数的公式
34、lglu函数的导函数
35、其中,x为激活函数的输入变量。
36、优选的,所述损失函数为enctc损失函数,所述enctc损失函数通过如下公式计算:
37、
38、lctc=-logp(l|y)
39、
40、
41、其中,lenctc是enctc损失函数,l是数据的维度,a为比列系数,pn是网络输出结果的其中一个元素值,lctc是ctc损失函数,x是输入序列,y=y1,y2...yt-1,yt为目标序列,t为序列长度,本文档来自技高网...
【技术保护点】
1.一种基于深度学习的热铸坯号识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述步骤S3包括:
3.如权利要求1所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述训练RS-RCNN模型包括以下步骤:
4.如权利要求3所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述RS-RCNN模型包括RS-block模块、双向GRU模块和转录模块,步骤C中,RS-RCNN模型对训练样本的处理过程为:
5.如权利要求4所述的一种基于深度学习的热铸坯号识别方法,其特征在于,利用RS-block模块对输入的训练样本进行特征提取和编码,输出特征序列包括如下步骤:
6.如权利要求4所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述LGLU函数的表达式如下:
7.如权利要求3所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述损失函数为EnCTC损失函数,所述EnCTC损失函数通过如下公式计算:
8.一种基于深度学习的热铸坯号识别系
9.一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储一个或多个程序,其特征在于:所述处理器执行所述一个或多个程序时,实现如权利要求1-7中任一项所述的基于深度学习的热铸坯号识别方法。
10.一种计算机可读存储介质,其存储有至少一个程序,其特征在于,所述至少一个程序被处理器执行时,实现如权利要求1-7中任一项所述的基于深度学习的热铸坯号识别方法。
...【技术特征摘要】
1.一种基于深度学习的热铸坯号识别方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述步骤s3包括:
3.如权利要求1所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述训练rs-rcnn模型包括以下步骤:
4.如权利要求3所述的一种基于深度学习的热铸坯号识别方法,其特征在于,所述rs-rcnn模型包括rs-block模块、双向gru模块和转录模块,步骤c中,rs-rcnn模型对训练样本的处理过程为:
5.如权利要求4所述的一种基于深度学习的热铸坯号识别方法,其特征在于,利用rs-block模块对输入的训练样本进行特征提取和编码,输出特征序列包括如下步骤:
6.如权利要求4所述的一种基于深度学习的热铸坯号识别...
【专利技术属性】
技术研发人员:易灿灿,肖涵,王志鹏,刘琳,黄涛,刘洋,柳坤,
申请(专利权)人:武汉科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。