[发明专利]一种复杂工作条件下运动容器编号识别方法

说明书

本发明提供了一种复杂工作条件下运动容器编号识别方法，涉及图像检测技术领域，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：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。本发明通过图像预处理排除了复杂工作条件所带来的外部干扰，将目标检测模型与CNN模型结合，排除了识别模型对未出现容器进行误识别的干扰，提升了复杂工作条件下的运动容器编号识别的准确率。

技术领域

本发明涉及图像检测技术领域，具体而言，尤其涉及一种复杂工作条件下运动容器编号识别方法。

背景技术

运动容器是指处于运动状态中用来装物品的器具，用它来完成物品的运输与投放。在工业生产等领域，经常使用带有编号的器具来装载相应物料，通过识别编号来得知物品质量、成分等信息，准确把握物料信息能提高生产效率、便于产品质量溯源。运动容器编号识别被广泛地应用于各种工作条件复杂的场景。复杂的工作条件包括但不限于：待识别容器处于高温、潮湿、光线变化强烈等其他严苛工作环境；待识别容器的背景复杂与容器运动导致的编号倾斜等。

运动容器编号识别目前主要有射频识别、图像识别与人工识别三种方式。射频识别需要在目标容器上安装射频标签，同时在合适位置安装射频接收装置。射频识别的方法在面对含有金属和水分的物件时应用难度较高，另外射频识别还局限于成本高与技术标准不统一。图像识别分为传统图像处理的方式以及基于深度学习的方式，传统图像处理方式提取的图像特征不如深度学习的方式可靠，准确率和速度都相对较差。人工识别是指用人来识别运动容器的编号，将识别到的编号输入到计算机中，这会带来安全、成本、效率等方面的问题。

然而，现有的运动容器编号识别方法存在着一定的问题：1、现有的基于深度学习的图像识别方式会存在空识别，即目标区域没出现运动容器，但是却把背景等类似编号的特征识别成编号，或者识别到其他仪器编号的情况，这两种情况都会影响待识别编号的准确率，对实际生产带来干扰，进而造成经济损失。2、现有的基于深度学习的图像识别方式会受到光线和编号倾斜的影响，实际工作现场会由于不同时段的光照、灯光强度不同带来光线变化，这会导致编号特征难以提取，从而降低识别准确率；编号倾斜是指目标容器处于运动过程中，容器倾斜会导致其上的编号倾斜问题，这也会降低最终的编号识别准确率。

发明内容

有鉴于此，本发明的目的在于提出一种复杂工作条件下运动容器编号识别方法，以解决现有的技术问题。

本发明采用的技术手段如下：

一种复杂工作条件下运动容器编号识别方法，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。

进一步地，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。

进一步地，S200包括如下步骤：

S210：制作目标检测模型的数据集；