[发明专利]一种基于改进的YOLOv4算法的集装箱锁孔识别方法

说明书

本发明公开了一种基于改进的YOLOv4算法的集装箱锁孔识别方法，包括：步骤1：采集该集装箱锁孔的样本信息；步骤2：基于K‑means算法，根据集装箱锁孔的样本信息，构建基准框；步骤3：基于改进的YOLOv4算法，对该基准框进行识别提取，获取集装箱锁孔的目标特征信息；步骤4：基于损失函数，对集装箱锁孔的目标特征信息进行损失计算，获得集装箱锁孔的目标识别结果，实现集装箱锁孔的高精度和高效率的检测识别。此发明解决了传统YOLOv4算法目标识别的精确度和效率差的问题，通过改进的YOLOv4算法与损失函数相结合，避免了网络加深导致梯度消失，提高了检测锁孔的速度，提升了目标检测识别的效率，提高了自动化码头装卸效率，增加了国内港口的进出口量。

技术领域

本发明涉及港口船舶自动化技术领域，具体涉及一种基于改进的YOLOv4算法的集装箱锁孔识别方法。

背景技术

近些年来，随着国际贸易的增加，我国出国量急剧加大，进而推动了自动化装箱船港口的建设。由于，集装箱的运营成本低，运输货物大，便于海上运输等优点，集装箱船普遍适用于各国大部分出口以及国际贸易中。同时，我国在各大沿海城市建立了大型港口，自动化港口的建设已成为全球港口建设趋势。为了加快货物卸载，港口大型起重设备也朝着自动化和智能化的方向去发展，越来越多的相关的科研工作者从事于这方面相关的研究。

传统的港口起货设备主要为港口起重机，在装卸过程中，能快速对准四个集装箱锁孔成为关键，然而，港口吞吐量大，传统装卸技术需要人工对准，不仅工作量太大，而且效率又低，已经远远不能满足现在所需的工作量。

因此，随着自动化和智能化快速发展，机器视觉成为集装箱装卸的重要技术。然而，机器视觉传统算法对集装箱船锁孔的定位缺陷也比较多，例如：

由方向梯度直方图(HOG)或者尺度不变特征变换(SIFT)手工设计特征输入支持向量机(SVM)中进行识别，但是传统的目标检测算法，普遍存在特征表达不准确，分类错误比较大，精度较低，鲁棒性也差，已经不能满足实际要求。

Girshick等人将候选区域和卷积神经网络相结合起来，取代了传统的目标检测算法，当前深度学习目标检测算法主要分为两种，一种是目标检测一步法(one-stage)算法、YOLO(You Only Look Once)算法和SSD(Single Shot Multi-Box Detector)算法为代表的目标检测算法，另一种是目标检测两步法(two-stage)算法、RCNN(Regions with CNNfeatures)算法、Fast-RCNN算法、Faster-RCNN算法的为代表的算法，以上深度学习目标检测算法极大提高了目标检测的精度，速度，准确度。

YOLOv4算法在YOLOv3目标检测算法的架构上，从主干网络，网络训练，激活函数，损失函数等方面引入一些优化的方法，YOLOv4算法进行目标检测即使在光照条件下，遮挡物情况下，都具有不错的检测效果。然而，传统的YOLOv4算法进行目标检测识别网络结构繁琐，且在目标检测识别过程中由于网络结构加深，会出现梯度消失的问题，影响目标识别的精确度和效率。

发明内容

本发明的目的是提供一种基于改进的YOLOv4算法的集装箱锁孔识别方法。此方法旨在解决传统YOLOv4算法目标识别的精确度和效率差的问题，通过改进的YOLOv4算法与损失函数相结合，避免网络加深导致梯度消失，提高检测锁孔的速度，提升目标检测识别的效率，提高自动化码头装卸效率，增加国内港口的进出口量。

为达到上述目的，本发明提供了一种基于改进的YOLOv4算法的集装箱锁孔识别方法，包括以下步骤：

步骤1：采集该集装箱锁孔的样本信息；

步骤2：基于K均值聚类(K-mean)算法，根据集装箱锁孔的样本信息，构建基准框；

步骤3：基于改进的YOLOv4算法，对该基准框进行识别提取，获取集装箱锁孔的目标特征信息；