申请/专利权人：湖南天桥嘉成智能科技有限公司

申请日：2023-09-01

公开（公告）日：2024-03-26

公开（公告）号：CN117173716B

主分类号：G06V30/19

分类号：G06V30/19;G06V30/148;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08;G06T7/66

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2023.12.22#实质审查的生效;2023.12.05#公开

摘要：本发明提供一种基于深度学习的高温板坯ID字符识别方法和系统，方法包括：获取板坯图像数据集；建立板坯ID字符识别模型，包括依次连接的OCR文本检测模型、OCR方向分类器和OCR文本识别模型；将板坯图像数据集板坯ID字符识别模型中进行互学习训练；完成训练后将待识别板坯图像输入最优的板坯ID字符识别模型中进行ID检测和识别，获取板坯ID字符识别结果，完成高温板坯的ID字符识别；本发明通过建立板坯ID字符识别模型，并对其检测模型和识别模型进行优化，在训练时引入深度互学习等策略进行训练，能够有效提升ID字符识别的效率、准确率和稳定性。

主权项：1.一种基于深度学习的高温板坯ID字符识别方法，其特征在于，包括以下步骤：S1：获取板坯图像数据集；所述板坯图像数据集包括若干张带有板坯ID字符的板坯图像；S2：建立板坯ID字符识别模型，包括依次连接的OCR文本检测模型、OCR方向分类器和OCR文本识别模型；所述的OCR文本检测模型具体为：所述OCR文本检测模型包括：教师网络，以及结构相同且并列设置的第一学生网络和第二学生网络；所述教师网络的结构包括依次连接的：第一输入层、Resnet子网络、LK-PAN子网络和第一输出层；所述Resnet子网络包括依次连接的：第一残差卷积块、第二残差卷积块、第三残差卷积块、第四残差卷积块和第五残差卷积块；所述LK-PAN子网络包括：卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、卷积层7、卷积层8、卷积层9、卷积层10、卷积层11、卷积层12、卷积层13、卷积层14、卷积层15和第一全连接层；所述卷积层1~4参数相同，卷积层5~12参数相同，卷积层13~15参数相同；所述LK-PAN子网络包括并列设置的支路1、支路2、支路3和支路4，支路1具体为依次连接的卷积层1、卷积层5和卷积层9；支路2具体为依次连接的卷积层2、卷积层6和卷积层10；支路3具体为依次连接的卷积层3、卷积层7和卷积层11；支路4具体为依次连接的卷积层4、卷积层8和卷积层12；卷积层9~12的输出端分别连接第一全连接层的输入端，第一全连接层的输出端连接教师网络的第一输出层；所述卷积层2的输出还上采样至卷积层5的输入，卷积层3的输出还上采样至卷积层6的输入，卷积层4的输出还上采样至卷积层7的输入；所述卷积层5的输出还经卷积层13下采样至卷积层10的输入，卷积层6的输出还经卷积层14下采样至卷积层11的输入，卷积层7的输出还经卷积层15下采样至卷积层12的输入；每个所述学生网络的结构均包括依次连接的：第二输入层、MobileNet子网络、RSE-FPN子网络和第二输出层；所述MobileNet子网络包括依次连接的：卷积层16、第一批归一化层、第一h-swish激活层、bneck通道注意力卷积模块、第一全局平均池化层、第一FC层、第二批归一化层、第二h-swish激活层、第二FC层和第二全连接层；所述RSE-FPN子网络包括：RSE卷积层1、RSE卷积层2、RSE卷积层3、RSE卷积层4、RSE卷积层5、RSE卷积层6、RSE卷积层7、RSE卷积层8和第三全连接层；RSE卷积层1~8的结构和参数相同；所述RSE-FPN子网络包括并列设置的支路5、支路6、支路7和支路8，支路5具体为依次连接的RSE卷积层1和RSE卷积层5，支路6具体为依次连接的RSE卷积层2和RSE卷积层6，支路7具体为依次连接的RSE卷积层3和RSE卷积层7，支路8具体为依次连接的RSE卷积层4和RSE卷积层8，RSE卷积层4~8的输出端分别连接第三全连接层的输入端，第三全连接层的输出端连接对应的学生网络的第二输出层；所述RSE卷积层2的输出还上采样至RSE卷积层5的输入，RSE卷积层3的输出还上采样至RSE卷积层6的输入，RSE卷积层4的输出还上采样至RSE卷积层7的输入；所述上采样均为2倍上采样；每个所述RSE卷积层的结构均包括依次连接的第三输入层、SE激励块和第三输出层；所述SE激励块包括依次连接的第二全局平均池化层、SE卷积层1、ReLU激活层、SE卷积层2和HardSigmoid激活层；SE卷积层1和SE卷积层2的参数相同；第二全局平均池化层的输入还与HardSigmoid激活层的输出进行加权相乘操作，将加权相乘结果作为SE激励块的输出；所述第三输入层的输出还与SE激励块的输出构成残差加和连接；所述的OCR文本识别模型具体为：所述OCR文本识别模型包括依次连接的：第四输入层、PP-LCNet网络、卷积层17、第三全局平均池化层、SVTR全局混合块、第四全连接层和第四输出层；所述PP-LCNet网络包括依次连接的：卷积层17、DepthSep卷积层1、DepthSep卷积层2、DepthSep卷积层3、DepthSep卷积层4、DepthSep卷积层5、DepthSep卷积层6、DepthSep卷积层7、DepthSep卷积层8、DepthSep卷积层9、DepthSep卷积层10、DepthSep卷积层11、DepthSep卷积层12、DepthSep卷积层13、GAP层和第五全连接层；所述SVTR全局混合块包括依次连接的：第一LN层、混合层、第二LN层、多层感知器MLP层；所述第一LN层的输入还与混合层的输出构成残差连接，第二LN层的输入还与多层感知器MLP层的输出构成残差连接；S3：将板坯图像数据集输入所述OCR文本检测模型中进行ID文本区域检测和互学习优化训练，获取ID文本区域数据集，以及最优的OCR文本检测模型；所述ID文本区域数据集包括若干张ID文本区域图像，ID文本区域图像与所述板坯图像一一对应；S4：将获取到的ID文本区域数据集输入所述OCR方向分类器中进行ID文本区域的方向旋转调整和训练，获取方向调整后的ID文本区域数据集，以及最优的OCR方向分类器；S5：将方向调整后的ID文本区域数据集输入所述OCR文本识别模型中进行ID文本识别和联合互学习优化训练，获取最优的OCR文本识别模型；将所述最优的OCR文本检测模型、最优的OCR方向分类器和最优的OCR文本识别模型共同保存为最优的板坯ID字符识别模型；S6：在高温板坯生产过程中，利用工业相机拍摄带有板坯ID字符的待识别板坯图像；将待识别板坯图像输入最优的板坯ID字符识别模型中进行ID检测和识别，获取板坯ID字符识别结果，完成高温板坯的ID字符识别。

全文数据：

权利要求：

百度查询： 湖南天桥嘉成智能科技有限公司 一种基于深度学习的高温板坯ID字符识别方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD