[发明专利]一种基于深度学习的集装箱文本识别方法

说明书

本文发明提出了一种基于深度学习的集装箱文本识别方法，包括如下步骤：制作数据集；使用我们提出的CTDNet(Container Text Detection Network)进行文字检测，采用多任务损失函数对检测模型进行训练；使用我们提出的由编码器和解码器构成的CTRNet(Container Text Recognition Network)进行文字识别；后处理步骤舍弃识别率低的文本框，提高检测和识别的精度。我们提出的基于深度学习的集装箱文本识别方法，可以更加有效的提取图像特征，具有更快的收敛速度，在提高识别准确率的同时保持一张图片的识别速度为在1秒左右。

技术领域

本发明涉及摄像头、集装箱、卷积神经网络、双向长短期记忆神经网络，CTC(Connectionist Temporal Classification)，具体涉及到一种基于深度学习的集装箱文本识别方法。

背景技术

港口拥有众多的集装箱，通过集装箱号对其进行管理。传统的集装箱管理系统需要人工对集装箱号码进行识别和录入，容易出现错误，疏忽，人为干预等问题。随着货运量的增长和现代化管理的需求，准确，可靠的自动化识别系统成为必须的部分。近几年，深度学习得到了飞速的发展，把自然场景下的文字检测和识别推向了一个新方向。与传统的基于光学字符识别方法相比，深度学习方法具有更高的准确性；且该深度学习方法，在识别、分类和自然语言处理等领域大量应用并且取得较好的精确度；近年来最接近本发明的技术有：

(1)Deep TextSpotter模型:此方法实现了文本的检测和识别，对于一些小文本效果不错，但对于集装箱上的文本存在检测不出来导致识别失败的现象。这是由于拍摄距离可能很近导致图像里的字符非常大，此模型对于大目标会出现漏检现象。这使得该方法在检测目标大小变化较大的情况下表现欠佳，无法进行有效的识别。

经济全球化的发展使得货物运输量大大增加。这就对港口集装箱的装卸，通关能力提出了更高的要求。以前人工的方法显然已经无法满足当下的需求，需要改变传统的人工管理模式，转而走向集装箱文本自动识别模式。本方法采用基于长短期记忆神经网络，卷积神经网络以及CTC方法能准确的识别集装箱上的文字。该方法通过自动准确的识别集装箱上的文字，提高港口集装箱的装卸和通过能力；提出的新的网络结构在训练时可以加快收敛速度；

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于深度学习的集装箱文本识别方法，通过采用长短期记忆神经网络和卷积神经网络以及CTC方法，提取文本特征并构建特征工程；通过对构建的网络模型进行训练，学习集装文本的特征并准确的识别集装箱上的文本。

本发明的技术方案为：

步骤(1)、对采集到的集装箱图片进行预处理，制作符合文本检测数据格式的数据集；

步骤(2)、文本检测模块CTDNet采用步骤(1)处理后的数据进行模型的训练，并采用测试集进行测试；

步骤(3)、将检测得到的文本区域进行裁剪，将裁剪得到的图片保存，并制作成文本识别数据格式的数据集；

步骤(4)、文本识别模块CTRNet模块采用步骤(3)处理后的数据进行模型的训练，并采用测试集进行测试；

步骤(5)、利用训练阶段得到的检测和识别模型进行集装箱文本的检测和识别，对识别结果加入后处理操作，舍弃可能是误检的识别结果，从而保证识别准确率。

本发明的有益效果：

(1)构建该特征工程的识别方法在实际中能准确的识别集装箱上的文本，从而提高港口集装箱管理的效率；

(2)本方法通过构建新的网络结构加快训练时网络模型的收敛速度，同时提高了算法精度；

(3)训练不需要字符级的分割，减少了人工标注的工作量。

附图说明