【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。