[发明专利]一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统

说明书

本发明公开了一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统，为了解决包埋盒在运输流程中容易丢失无法追溯，人工记录信息费时费力效率低下的问题，对包埋盒脱水过程进行监管。针对密集目标检测能力不足、模型泛化能力有限的问题，本发明采用高斯模糊处理和光照变换处理的训练图像增强方式。为了解决目标检测网络前向推理速度慢和特征提取能力不足的问题，本发明改进了目标检测模型的主干特征提取网络结构，并在模型前部分添加了空间池化金字塔模块。本发明还提出了适合本场景的二维码检测方法，以解决二维码检测和识别准确率不高的问题。

技术领域

本发明涉及信息识别技术领域，尤其涉及一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统。

背景技术

病理标本运输流程的监管是医院病理科管理的一个重要组成部分，目前病理科对包埋盒脱水流程没有较好的信息化手段进行监管，造成包埋盒出现异常情况无法进行追溯，容易造成包埋盒丢失；为了加强包埋盒脱水流程的管理，需要对包埋盒流程信息进行记录，但是人工输入包埋盒标签信息的方法费时费力，效率低下。

现有方法对包埋盒标签进行检测和识别过程中，往往需要目标检测技术。目前基于深度学习的目标检测的技术目前大多使用旋转、缩放、平移等常规通用的数据增强方式，对于某些场景模型泛化能力有限，针对密集目标检测能力不足；通用的目标检测模型结构复杂，前向推理时间过长，不能满足实际生成环境的对于模型速度性能的需求。在对包埋盒标签检测完成之后，需要对标签上的二维码进行检测和识别，目前算法通常只针对二维码进行解析，而检测准确率不高。

发明内容

为了解决包埋盒在运输流程中容易丢失无法追溯，人工记录信息费时费力效率低下的问题，发明了一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统，对包埋盒脱水过程进行监管。针对密集目标检测能力不足、模型泛化能力有限的问题，本发明采用高斯模糊处理和光照变换处理的训练图像增强方式。为了解决目标检测网络前向推理速度慢和特征提取能力不足的问题，本发明改进了目标检测模型的主干特征提取网络结构，并在模型前部分添加了空间池化金字塔模块。本发明还提出了适合本场景的二维码检测方法，以解决二维码检测和识别准确率不高的问题。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本公开第一方面提供了一种基于深度学习和机器视觉的包埋盒标签批量识别方法，包括以下步骤：

步骤1：获得包埋盒数字图像；

步骤2：对获得的包埋盒数字图像进行目标检测，获得整张包埋盒数字图像中每个包埋盒标签的具体坐标，并根据位置坐标裁剪出每个包埋盒标签的图像；

步骤3：对获得的每个包埋盒标签图像进行文字识别，获得每个包埋盒标签的字符编号信息；

步骤4：对获得的每个包埋盒标签图像进行二维码检测和识别，获得每个包埋盒标签的二维码标识信息；

步骤5：将得到的每个包埋盒标签的字符编号信息和二维码标识信息，录入系统，进行病理标本包埋盒信息的登记和记录。

进一步的，步骤1中，获得包埋盒数字图像后，将采集到的包埋盒数字图像传入系统进行标签信息识别或者用于图像标注和模型训练。

进一步的，步骤2中，采用深度学习技术对获得的包埋盒数字图像进行目标检测，具体包括，图像采集和标注、数据预处理和增强、模型搭建和训练以及模型预测。

更进一步的，图像采集和标注为利用步骤1中采集的包埋盒数字图像作为模型的训练数据，对采集图像中的包埋盒标签进行矩形框标注。

更进一步的，数据处理和增强为对标注完的图像使用旋转、缩放、平移和颜色干扰对标注图像进行增强，以获得更多样的训练数据，提高模型泛化能力。

优选的，数据处理和增强步骤中，使用高斯滤波随机选取图像中的部分区域作模糊处理。