论文部分内容阅读
集装箱箱号自动识别技术对于集装箱运输领域的智能化管理起着十分重要的作用,是智慧港口和铁路自动化管理系统的重要组成部分。传统的箱号识别算法抗干扰能力较差、鲁棒性不高,在光照不均、箱号倾斜、箱号区域被污损等复杂场景下不能准确地进行箱号定位与识别,因此研究一种在复杂场景下具有高识别率和强鲁棒性的箱号识别算法具有重要意义。本文采用基于深度学习的目标检测算法实现箱号识别,其关键技术为箱号区域定位和箱号字符识别,具体工作包括以下方面:针对箱号区域特点,设计基于改进YOLOv3的箱号区域定位网络。引入随机空间采样池化的方法对特征图进行下采样,最大概率保留特征图的空间信息,提高网络在复杂场景下的泛化能力;通过优化先验框尺寸对多尺度识别进行改进,解决YOLOv3对箱号区域定位不准确的问题;减少部分卷积操作和引入跳跃连接机制避免在网络层数较深时箱号区域特征消失的情况出现。针对箱号字符特点,设计基于改进Faster R-CNN的箱号字符识别网络。引入深度残差网络ResNet50作为特征提取网络,通过其独特的网络连接方式使得更深层网络对字符特征的提取能力显著提升;优化RPN中候选窗口的面积来解决Faster R-CNN对于箱号字符定位不准确的问题;考虑到与箱号字符具有相似特征的小目标干扰,通过选择合适的置信度阈值来提高识别准确率;降低输入图像分辨率和优化候选区域数量来加快字符检测速度。在TensorFlow框架下进行两个网络模型的测试,测试结果表明:箱号区域定位网络与未改进的YOLOv3相比,定位时间减少了7ms,定位准确率提高了6.77%;箱号字符识别网络与未改进的Faster R-CNN相比,识别准确率提升了9.55%,检测速度提高了3倍;本文设计的集装箱箱号识别算法在复杂场景下的表现远远优于传统算法,识别准确率达到96.73%,平均识别时间为208ms,具有较强的泛化能力和很强的鲁棒性,对于集装箱箱号自动识别系统能够在复杂场景下稳定工作具有实际应用价值。