[发明专利]一种基于深度学习的字符比对方法和比对系统

说明书

本发明涉及深度学习领域，提出了一种基于深度学习的字符比对方法，包括以下步骤：获取图纸字符块和实物字符块的特征向量；计算图纸字符块特征向量和实物字符块特征向量之间的距离值；根据图纸字符块特征向量和实物字符块特征向量的距离值，获得字符块相似性结果。本发明通过神经网络特征提取以及相似性度量，可以自动的对图纸字符和实物字符比对，查找是否出现漏刻，错刻等情况，可以大大的减少人工的比对，减少人力资源的浪费，同时提高比对的精度和效率。本发明还提出了一种基于深度学习的字符比对系统。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于深度学习的字符比对方法和比对系统。

背景技术

制造业中往往涉及根据图纸在实物表面刻印字符，特别是在机械化生产过程中，会因为刻印工具的断电、卡停以及断裂等意外情况导致刻印过程中出现丢刻字符、漏刻字符以及刻印错误等情况。在质检阶段将进行图纸和实物刻印字符的比对，来检测这些不合格情况。

但目前，质检阶段的比对和检测工作往往由人工承担，不仅耗费大量的人力资源，同时检测效率极低。

随着目前机器学习技术的深入研究，如何利用深度学习技术代替人工检测，改用机器进行视觉字符比对，是目前亟待解决的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度学习的字符比对方法和比对系统，将采集的图纸图像块和实物字符图像块输入系统，通过深度学习做出相似性度量，根据阈值加以判断是否匹配，一次判断是否出现漏刻、错刻等情况。

本发明的技术方案是这样实现的：

一种基于深度学习的字符比对方法，包括以下步骤：获取图纸字符块和实物字符块的特征向量；计算图纸字符块特征向量和实物字符块特征向量之间的距离值；根据图纸字符块特征向量和实物字符块特征向量的距离值，获得字符块相似性结果。

可选地，所述获取图纸字符块和实物字符块的特征向量的步骤，包括：调用预先训练好的特征向量提取模型，对输入的图纸字符块图像或者实物字符块图像进行处理。

可选地，所述特征向量提取模型包括：实物字符块图像或者图纸字符块图像输入到特征向量提取模型后，依次经过64×64、32×32、16×16、8×8、1×1的降采样卷积层，得到多维特征矩阵，随后进行上采样操作过程，上采样操作过程包括依次经过8×8、16×16、32×32、64×64、1×1的5层上采样卷积层和4个合并层，5层上采样卷积层和4个合并层交替相接；合并层是对上一层卷积层输出的特征矩阵与同大小的降采样卷积层得到的结果做一个多维矩阵元素加和，然后在保持特征矩阵第三维大小的基础上将1、2维通道扩充为原来的二倍，然后再输入下一层的上采样卷积层；最终得到64×64的特征矩阵，然后拉长为特征向量。

可选地，所述计算图纸字符块特征向量和实物字符块特征向量之间的距离值的步骤，包括：计算图纸字符块特征向量和实物字符块特征向量之间的欧式距离和余弦距离，并将欧式距离和余弦距离按照权重比例拟合，获得最终的距离值。

可选地，所述基于深度学习的字符比对方法还包括预处理步骤，预处理步骤包括：对需要比对的图纸字符块和实物字符块进行预处理，字符块尺度缩放统一为标准输入网络的像素尺度，特殊字符块进行二值化处理，预处理完毕后进行特征向量的提取。

本发明还提出了一种基于深度学习的字符比对系统，调用预先训练好的孪生网络模型进行相似性度量，孪生网络模型包括特征向量提取模块和相似性度量模块；特征向量提取模块用于获取图纸字符块特征向量和实物字符块特征向量；相似性度量模块用于计算图纸字符块特征向量和实物字符块特征向量之间的距离值；还包括阈值判断模块，阈值判断模块用于根据图纸字符块特征向量和实物字符块特征向量的距离值，获得字符块相似性结果。