[发明专利]一种基于卷积神经网络工业产品标签号的识别方法

权利要求书

1.一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，包括训练建立模型和标签号识别，

所述训练建立模型具体包括以下步骤：

S1.采集工业产品的图像信息；

S2.对图像信息依次进行去噪、灰度化、二值化处理；

S3.采用基于图像轮廓的数字标签区域定位的方法定位出工业产品上的数字标签区域，并将该区域裁剪出来，然后归一化处理，得到图像数据集；

S4.从图像数据集中筛选出部分图像作为训练集，部分图像作为测试集；

S5.利用训练集对VGG-16网络进行训练，每隔一个epoch均利用测试集进行测试，循环进行训练、测试，直至测试得到的精度不小于97％，停止测试，得到训练好的模型；

所述标签号识别具体包括以下步骤：

S1.采集工业产品的图像信息；

S2.对图像信息依次进行去噪、灰度化、二值化处理；

S3.采用基于图像轮廓的数字标签区域定位的方法定位出工业产品上的数字标签区域，并将该区域裁剪出来，然后归一化处理；

S4.从归一化处理的图像输入训练好的模型中进行检测，即可识别工业产品对应的标签号。

2.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，通过工业相机采集工业产品的图像信息。

3.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，在训练建立模型的步骤S2中，在对图像信息依次进行去噪、灰度化、二值化处理后，再做形态学处理，通过腐蚀以及膨胀处理进一步去除图像中的杂质。

4.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，在训练建立模型的步骤S3中，将图像归一化处理为156×156像素。

5.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，在训练建立模型的步骤S4中，训练集中包含所有类型的标签号，且不同类型标签号的数量相同；测试集中包含所有类型的标签号，且不同类型标签号的数量相同。

6.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，在训练建立模型的步骤S4中，若图像数据集的图像数量不足以构成测试集或训练集，通过数据增强的方法来增加数据集的图像数量。

7.根据权利要求6所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，所述数据增强的方法包括对比度调整、旋转、翻转、加入噪声。

8.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，在训练建立模型的步骤S5中，利用训练集对VGG-16网络进行训练前，对VGG-16网络的损失函数进行修改，向VGG-16网络的损失函数中加入Batch-normalization层中的重构因子γ的惩罚项，得到函数

其中，其中x为输入，y为真实标签，R表示激活函数，W为权重矩阵，l为正常的损失函数，L为新损失函数，λ为10^-4；然后才进行训练。

9.根据权利要求1所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，在训练建立模型的步骤S5中，在循环进行训练和测试至精度不小于97％后得到的模型，通过网络剪枝的方法对模型进行压缩，然后再次循环进行训练和测试，直至精度达到97％，得到训练好的模型。

10.根据权利要求9所述的一种基于卷积神经网络工业产品标签号的识别方法，其特征在于，所述网络剪枝具体为，对每一层设置一个剪枝率a，a为0.01～1，即每层所需要的移出通道或者滤波器的百分比，再对每一层的通道按γ值从大到小进行排序，以位于(100×a)％的γ值作为每一层通道剪枝的阈值，如果γ因子小于该层的阈值，则认为该通道以及对应的滤波器对模型最终的精度影响甚微，因而可以移除，移出每一层中γ因子小于阈值的通道，得到剪枝后的模型。