[发明专利]一种快速识别石墨电极标签的方法

说明书

一种快速识别石墨电极标签的方法，涉及计算机视觉领域。本发明针对石墨电极标签自动识别问题，提出了一种标签自动快速识别方法。本方法使用了新的快速语义分割网络AL‑UNet，保留了UNet网络所具有的高精度分割能力，同时又结合了MobileNet的轻量化特点，大幅提升了网络速度。为了提高网络的鲁棒性，网络使用扩充的数据集，使其能够适应更多的环境。语义分割后，使用新型的校正方法校正字符图像的角度；使用投影法切分字符，送入LeNet‑5识别网络，获得识别结果。本发明所提出的方法实现了石墨电极标签的自动识别。

技术领域

本发明涉及一种石墨电极标签识别方法，特别是一种快速识别石墨电极标签的方法，该方法基于AL-UNet网络，涉及计算机视觉领域。

背景技术

现深度学习广泛应用于智能家居、医疗、自动驾驶、物理、游戏制作等各种领域当中。在智能家居方面，有智能语音回复AI、人脸识别智能锁等；在医疗方面，有病例图像分割、癌细胞筛查、药物筛查等；在自动驾驶方面，有路径自动规划，目标检测与识别等；在物理方面，有深度学习辅助计算筛选材料等；在游戏制作方面，有智能生成游戏场景、生成游戏原画及游戏角色等。深度学习已经发展到了多个领域，这些领域中大多离不开语音识别及图像处理。随着深度学习的不断发展，原本图像处理中存在的难题获得了新的解决方法。

近些年，由于深度学习技术的逐渐成熟，深度学习逐渐应用到了工业领域，工业生产中的技术难题有了解决方法。在工业生产中，如何使用较少的资源更快的获得精确的结果，实现生产流程的自动化，是一个热门的研究方向。人工智能的加入，轻量化网络模型的应用，使自动化技术更加成熟。

石墨电极编号的自动识别是传统算法不能解决的问题之一。由于石墨电极具有纹理复杂、反光明显、编号难以辨认等特点，传统算法无法处理石墨电极图像，进而无法准确识别其上的编码。实现石墨电极编号自动识别能够明显降低工人的工作量，提高工人的工作效率，并减低由于人工所产生的错误率。工人只需使用移动手持设备拍摄石墨电极编号部分即可直接识别编号。

发明内容

针对现有传统算法的不足，本发明提出一种快速识别石墨电极标签的方法。

为达到上述目的，本发明提出如下技术方案：快速识别石墨电极标签的技术方案，包含步骤如下：

（1）使用相机拍摄待分割图像，由人工对图像中的待分割物体手动标记获得图像标签，与原图组成成对的训练集，通过镜像、翻转、添加噪点、调整亮度的方法，扩充数据集，以此数据集训练AL-UNet网络，获得网络模型；

（2）由训练好的AL-UNet网络模型，获得真实图像的语义分割图，使用旋转投影方法校正此图的倾斜角度；

（3）使用投影法切分出单个字符图像；

（4）使用缩放、添加噪点的方式对数据集进行扩充，扩充后的数据集用于训练LeNet-5网络，获得识别字符的网络模型，其后使用训练好的LeNet-5对输入字符进行识别，完成图像至计算机字符串的转变。

本发明所构建的AL-UNet网络结构为：

可选的，网络基干部分：输入层，两个卷积层，第一次下采样层，BatchNormalization深度可分离卷积层，BatchNormalization卷积层，第二次下采样层，BatchNormalization深度可分离卷积层，BatchNormalization卷积层，第三次下采样层，两个BatchNormalization深度可分离卷积层，第一次上采样张量拼接层，卷积层，深度可分离卷积层，第二次上采样张量拼接层，卷积层，深度可分离卷积层，第三次上采样张量拼接层，两个卷积层，网络卷积注意力模块部分：卷积层，下采样卷积层，卷积层，下采样卷积层，卷积层，下采样卷积层，卷积层。上述卷积层中，除最后一层卷积层为输出层无激活函数外，激活函数均使用Leaky-ReLU。网络基干部分整体形成一个对称的U型网络结构。注意力模块结构由卷积层，及三个重复的池化层与卷积层组成。从注意力模块中引出未经Leaky-ReLU函数激活的特征张量，在使用sigmoid函数激活后，作为注意力权重与基干网络对应尺寸的特征张量相乘。