[发明专利]基于Tiny-YOLO v3的焊缝胶片字符识别方法

说明书

本发明属于焊缝胶片字符识别相关技术领域，其公开了一种基于Tiny‑YOLO v3的焊缝胶片字符识别方法，该方法包括：将Tiny‑YOLO v3网络中除上层预设层数外的多层3×3卷积层替换为特征融合提取的GCF模块，将预测层替换为小尺度预测层，并更新了网络中的anchor值，获得了优化后的Tiny‑YOLO v3网络；对优化后的Tiny‑YOLO v3网络进行训练获得训练完成的Tiny‑YOLO v3网络；采用训练完成的Tiny‑YOLO v3网络对待测试焊缝胶片数据进行识别即可获得焊缝胶片上的字符。本发明可以在确保网络对目标具备高检测精度的同时，具有更小的模型尺寸，更快的训练和检测速度。

技术领域

本发明属于焊缝胶片字符识别相关技术领域，更具体地，涉及一种基于Tiny-YOLOv3的焊缝胶片字符识别方法。

背景技术

特种设备等公司所使用的焊缝图像大多都是使用X射线进行投射得到的胶片图像，焊缝胶片图像上包含着用于识别焊缝信息的文字或符号，对这些字符进行准确识别对于追溯整个焊缝检测过程有着决定性作用。目前深度神经网络结构日益复杂，在提高检测精度的同时增大了对高性能硬件的依赖性，出于对成本的考虑，大部分企业不会购置计算与存储能力更强设备用于检测任务，故现有的卷积神经网络不能满足特种设备企业信息检测的实用性要求，尽管已有一些针对该任务的轻量化网络，但其网格模型大小仍旧超过了50MB，且识别准确率在95％以下，模型各方面能力均还有待提高。因此，需要设计一种更加轻量化性能更高的神经网络，在保证神经网络准确率的基础上对网络进行压缩，使之满足检测任务准确性、实时性与检测设备便携性和经济性的要求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于Tiny-YOLO v3的焊缝胶片字符识别方法，可以提供了一种更加轻量化，识别准确性更高的焊缝胶片字符识别方法，极大的降低了检测模型在工业应用过程中对高性能硬件的依赖。

为实现上述目的，按照本发明的一个方面，提供了一种基于Tiny-YOLO v3的焊缝胶片字符识别方法，所述方法包括：S1，将Tiny-YOLO v3网络中除上层预设层数外的多层3×3卷积层替换为特征融合提取的GCF模块；S2，将所述Tiny-YOLO v3网络的大尺度和中尺度的预测层替换为小尺度预测层；S3，根据样本的尺寸替换所述Tiny-YOLO v3网络的anchor值，至此完成了所述Tiny-YOLO v3网络的优化；S4，对优化后的所述Tiny-YOLO v3网络进行训练以更新所述Tiny-YOLO v3网络的权重值获得训练完成的Tiny-YOLO v3网络；S5，采用训练完成的Tiny-YOLO v3网络对待测试焊缝胶片数据进行识别即可获得焊缝胶片上的字符。

优选地，并将所述Tiny-YOLO v3网络的每个栅格中的anchor的数量设置为1个。

优选地，所述GCF模块由Ghost模块和CSP特征融合模块结合而成，具体结合步骤如下：所述GSP特征融合模块将输入特征图在维度上均分为两部分，其中第一部分不进行任何操作，第二部分输入Ghost模块进行特征提取后与所述第一部分进行堆叠。

优选地，所述第二部分输入Ghost模块进行特征提取的步骤为：第二部分特征图依次输入卷积层、归一化层和激活层后获得中间特征图，将所述中间特征图依次进入深度卷积层、归一化层和激活层后与所述中间特征图堆叠后输出。

优选地，步骤S1中具体为将Tiny-YOLO v3网络的除第一层外的多层3×3卷积层替换为特征融合提取的GCF模块。

优选地，所述步骤S3中所述根据样本的尺寸替换所述Tiny-YOLO v3网络的anchor值具体步骤为：S3’，获取具有焊缝胶片图像数据集中的每个真实标注框的长度和宽度，并求取其平均值，将该平均值加入到所述焊缝胶片图像数据集中重新求取平均值，将获得的平均值加入上一焊缝胶片图像数据集中再次求解平均值，以此方式不断向所述焊缝胶片图像数据集中添加平均值数据，直至求解的平均值与求解的上一平均值误差小于预设值，则根据最终求解的平均值尺寸获取anchor值。