[发明专利]大场景下集装箱号识别方法

说明书

本发明提出了一种大场景下集装箱号识别方法，包括以下步骤：S1，大场景下获取实时的相机图像；S2,对所述实时图像提取图像特征；利用经过训练后的resNet残差神经网络模型，对图像特征进行检测；判断检测结果是否属于预设分类结果；如果检测结果属于预设分类结果，则提取图像特征中的集装箱号区域坐标信息；并从获取的实时相机图像中截取该坐标区域图像；如果不属于则返回上一步；S3,根据提取的集装箱号区域坐标信息，使用训练后的LSTM网络模型识别，对所截取的区域坐标图像进行集装箱号识别；S4，将识别的集装箱号字符生成文本文件，并将文本文件推送显示。通过深度学习神经网络技术，克服了传统算法存在的缺陷，提高了大场景下的集装箱号识别率。

技术领域

本发明涉及集装箱识别技术领域，特别涉及一种大场景下集装箱号识别方法。

背景技术

集装箱作为国际运输业的重要组成部分，其应用范围和数量都在大幅度增加，目前国内的集装箱运输呈现出了飞跃式发展，货物量的大幅度增加给集装箱的追踪和自动化装卸提出了更高标准的要求。使得智能集装箱识别系统的研究和开发成为迫切需求。

目前的集装箱号识别都是基于硬件设备实现的，例如，在卡口设置摄像机，通过摄像机采集集装箱的图像信息，实现了图像的信息采集，进而对图像进行特征提取，获取集装箱箱号；该系统只能近距离提取集装箱的图像信息；无法实现在大场景下获取集装箱的箱号。

目前在大场景下集装箱号识别技术都是在传统算法的基础上研发的，传统算法在复杂场景下的鲁棒性差；所谓鲁棒性是指在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。传统算法对于大场景下获取的图像，按照像素点进行分割，按照数字和字符进行分割后，直接识别为集装箱号，所以在大场景下的集装箱号识别存在较大的误差。并且需要大量计算。

发明内容

本发明的目的旨在至少解决所述的技术缺陷之一。

为此，本发明的一个目的在于提出一种大场景下集装箱号识别方法；通过深度学习神经网络技术，克服了传统算法存在的缺陷，提高了大场景下的集装箱号识别率。

为了实现上述目的，本发明一方面的实施例提供一种大场景下集装箱号识别方法，包括以下步骤：

S1，大场景下获取实时的相机图像；

S2,对所述实时图像提取图像特征；利用经过训练后的resNet残差神经网络模型，对图像特征进行检测；判断检测结果是否属于预设分类结果；如果检测结果属于预设分类结果，则提取图像特征中的集装箱号区域坐标信息；并从获取的实时相机图像中截取该坐标区域图像；如果不属于则返回上一步；

S3,根据提取的集装箱号区域坐标信息，使用训练后的LSTM网络模型，对所截取的坐标区域图像进行集装箱号识别；

S4，将识别的集装箱号字符生成文本文件，并将文本文件推送显示。

在上述任意一项实施例中优选的是，在S2中，所述预设分类结果包括集装箱箱号、集装箱前门、集装箱后门、集装箱开关门状态、集装箱侧面。

在上述任意一项实施例中优选的是，在S2中，所述图像特征进行提取时，在tensorflow框架下，利用训练后的resNet残差神经网络模型，构建深度卷积神经网络算法，进行字符识别、字符定位、数字识别和数字定位；并按照集装箱号特点进行区域划分。

在上述任意一项实施例中优选的是，在S3中，集装箱号识别后，将集装箱号划分为4个子区域，分别是4位英文字母区域，6位数字区域，1位数字校验码区域和4位集装箱信息码区域。

5在上述任意一项实施例中优选的是，在S3中，还包括在LSTM网络模型下采用CTC算法识别集装箱号区域的集装箱号。