[发明专利]一种复杂工作条件下运动容器编号识别方法

权利要求书

1.一种复杂工作条件下运动容器编号识别方法，其特征在于，包括如下步骤：

S100：实时获取工作现场的视频流并进行实时图像采样，得到采样后图像；

S200：构建目标检测模型并对所述目标检测模型进行训练，得到训练后的目标检测模型，得到含有目标容器的图像；

S300：对所述含有目标容器的图像进行预处理，得到预处理后的图像；

S400：构建CNN模型并根据实际场景对CNN模型进行训练，得到训练后的CNN模型；将所述预处理后的图像输入至训练后的CNN模型中进行编号识别，输出运动容器编号。

2.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，S100包括如下步骤：

S110：通过工业相机实时监控工作现场；

S120：通过工业相机的网络接口获取工作现场的视频流；

S130：从所述视频流中定时获取单帧图像作为采样后图像。

3.根据权利要求2所述的复杂工作条件下运动容器编号识别方法，其特征在于，S200包括如下步骤：

S210：制作目标检测模型的数据集；

S220：构建目标检测模型；

S230：对目标检测模型进行训练，得到训练后的目标检测模型；

S240：用训练后的目标检测模型对采样后图像进行检测，得到含有目标容器的图像。

4.根据权利要求3所述的复杂工作条件下运动容器编号识别方法，其特征在于，S230包括如下步骤：

S231：加载预训练模型，利用所述预训练模型进行目标检测模型参数初始化；

S232：输入目标检测模型的数据集至所述目标检测模型中；

S233：通过前向传播，损失计算，得到当前目标检测模型的平均精度；

S234：进行误差反向传播，利用随机梯度下降法对训练模型进行模型优化，更新当前目标检测模型的平均精度，并重复S233和S234，直到迭代轮次达到预设值后将此时的目标检测模型保存后结束训练，得到训练后的目标检测模型。

5.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，所述目标检测模型的损失函数为：

其中：loss_CIOU为矩形框损失，loss_BCE(S,B)为置信度损失，S1为预测框和真实框相交的面积，S2为预测框和真实框相并的面积，ρ为预测框和真实框的中心点距离，c为预测框和真实框的最小包围矩形的对角线长度，α为影响因子，w_l为真实框的宽，h_l为真实框的高，w_p为测框的宽，h_p为预测框的高，L(S,B)为置信度标签矩阵，P(S,B)为预测置信度矩阵，S为特征点，B为预测框。

6.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，S300包括如下步骤：

S310：自适应调整图片亮度；计算灰度直方图，根据直方图计算直方图的累积分布，确定参数，将参数作用于RGB图像，从而进行图片的亮度调整；

S320：感兴趣区域获取；根据目标检测模型检测出的目标容器位置信息来确定识别区域，再通过动态阈值分割后的二值化图像获取像素最密集区域的外接矩形，最后通过截取子图的方式获得感兴趣区域；

S330：二次阈值分割；根据基于动态阈值分割后的二值化图像有效像素面积大小进行阈值重设，根据重设的阈值进行二次分割；

S340：图像去噪；通过中值滤波去除二次阈值分割后感兴趣区域的椒盐噪声，利用开、闭运算排除编号外孤立点以及填补编号中由于光线原因带来的部分空缺；

S350：掩膜处理；根据感兴趣区域设定相应尺寸的掩膜，通过像素投影获得掩膜中待保留的编号区域，去掉非编号区域的其他干扰；

S360：霍夫变换，利用霍夫变换来对运动过程中的倾斜编号进行矫正。