[发明专利]基于深度学习的零件喷码字符端到端识别方法

权利要求书

1.一种基于深度学习的零件喷码字符端到端识别方法，其特征在于：所述方法包括以下步骤：

S1：采用卷积层提取目标图片的图像特征，所述目标图片为含有待识别字符的图片；

S2：采用循环神经网络RNN，以所述图像特征为输入，识别图像特征的感受野信息，获得所述图像特征的特征序列；

S3：利用联结主义时间分类CTC训练后的循环神经网络对所述特征序列进行学习，获得所述特征序列的预测序列；

S4：根据CTC Beam Search Decoding算法，以所述预测序列为输入，获得字符序列。

2.根据权利要求1所述基于深度学习的零件喷码字符端到端识别方法，其特征在于：所述卷积层包括7个卷积层和4个池化层，其网络架构从输入到输出依次为输入、卷积1、池化1、卷积2、池化2、卷积3、卷积4、池化3、卷积5、卷积6、池化4、卷积7；

其中，卷积1、卷积2、卷积3、卷积4、卷积5和卷积6的卷积核大小均为(3，3)、步长均为1和周边填充系数均为1，卷积7的卷积核大小为(2，2)、步长为1和周边填充系数为0；

池化1和池化2的系数为(2，2)，池化3和池化4的系数为(2，1)。

3.根据权利要求1所述基于深度学习的零件喷码字符端到端识别方法，其特征在于：所述步骤S3包括如下步骤：

S31：联结主义时间分类CTC定义CTC Loss损失函数，构建预测的字符序列和训练标签之间的多对一映射；

S32：联结主义时间分类CTC采用了动态规划算法计算CTC Loss，实现循环神经网络RNN端到端训练。

4.根据权利要求3所述基于深度学习的零件喷码字符端到端识别方法，其特征在于：所述CTC Loss损失函数采用如下方法确定：

其中，L表示CTC Loss损失函数，x表示输入特征序列，Z表示预测结果，S表示训练数据集，π_t表示t时刻预测序列π中对应的字符，表示BiLSTM网络预测得到的概率矩阵y中时序为t时预测结果为π_t的概率；

所述动态规划算法计算CTC Loss采用如下方法确定：

其中，x表示输入特征序列，Z表示图像的标签，S表示训练数据集，表示BiLSTM网络预测得到的概率矩阵y中时序为t时预测结果为π_t的概率，β_t(s)表示后向传播时在时刻t经过节点s的全部子路径的概率总和，α_t(s)表示前向传播时在时刻t经过节点s的全部子路径的概率总和。