[发明专利]一种集装箱箱顶洞识别方法

说明书

本发明公开了一种基于深度学习算法的集装箱箱顶洞识别方法，所述方法包括：S1图像输入；S2采用改进的MobileNetV3作为特征提取的骨架网络进行特征提取；S3使用CNN以及max pooling对提取到的特征进行采样输出特征矩阵；S4特征矩阵进入DualAttention网络进行特征融合；S5特征融合后与MobileNetV3的中间输出层进行合并；S6、对合并后的特征矩阵上采样到原始图片分辨率后输出语义分割结果；S7采用YOLOv5进行边框回归；S8输出箱顶洞中心点所在的坐标。本发明将箱顶洞识别准确率提高到了98.5％，在很大程度上可以对抗吊臂遮挡、集装箱四角吊孔，以及污损、文字的干扰问题，货物的运输安全和验箱的便捷性。

技术领域

本发明涉及图像识别的技术领域，尤其涉及到一种集装箱箱顶洞的识别方法。

背景技术

近年来，在人工智能和机器学习领域，深度学习技术迅速发展，其主要的一个特点是 自动地从训练样本中学习特征，不再需要手工设计，减少了人工干预，同时分类识别的效 果也得到了显著的提升。在计算机视觉领域，采用最多的深度学习技术是深度卷积神经网 络，与传统的卷积神经网络相比，其特点在于网络层数和深度极大地加深。深度卷积神经 网络已广泛的应用于自然场景中的字符检测和识别，取得不错的效果。集装箱在长途运输、 装卸、中转等多频次流转后，非常容易破损，导致船舶和从事相关工作的人员无法及时、 准确地掌握集装箱的状态，不利于集装箱货物运输的安全。同时在查验过程中，箱体检查 最难以触达的地方为箱顶，降低了集装箱的查验效率。在传统的识别技术中，由于照片拍 摄的角度存在差异，为确定箱面朝向、图片矫正造成困难；同时图片中残损东大小、类型多样，一些污损、文字等容易造成干扰。

因此，如何提供一种识别速度快、准确率高，并且能够对抗吊臂遮挡、集装箱四角吊 孔，以及污损、文字的干扰的集装箱箱顶洞识别方法是本领域中亟需解决的技术问题。

发明内容

本发明的目的在于提供一种识别速度快、准确率高，并且能够对抗吊臂遮挡、集装箱 四角吊孔，以及污损、文字的干扰的集装箱箱顶洞识别方法，已解决现有技术中的问题。所述技术方案具体如下：

一种集装箱箱顶洞识别方法，所述方法具体包括如下步骤：

S1、输入图像：以安装在桥吊的摄像头作为视频采集器，通过5个相机分别抓拍集装 箱的左、顶、右、前、后箱的视频流和图像，运用帧之间纹理特征相邻两帧之间的差异选取关键帧，然后进行图像拼接并输入箱顶定位模型；

S2、采用改进的MobileNetV3作为特征提取的骨架网络进行特征提取。从H×W×C的 特征图(feature map)经过凭据池化(averagepool)变成1×1×C的向量，再经过两次1×1 的卷积后，获得1×1×C的权重。最后将原来的特征图逐层与该向量相乘，获得最终的结 果。所述步骤中采用的激活函数如下：

优选地所述步骤S2具体为：

第一步，将原先输入的12×12×3拆分成12×12×1的单层；

第二步，将5×5×3的卷积核拆分成5×5×1，逐层进行卷积获得3个8×8×1的特征；

第三步，采用256个1×1的卷积获取256个8×8的特征。

S3、使用1×1、3×3大小的卷积神经网络(CNN)以及最大池化(max pooling)对提取 到的特征进行采样输出特征矩阵；所述最大池化先对原图像进行填充再做卷积。填充值的 大小根据卷积核大小以及滑动步长决定，当滑动步长大于1时填充数＝K-I％S(K卷积核边 长，I输入图像的边长，S为滑动步长)。当滑动步长为1时，卷积核边长直接减1，当差偶数个元素时，首尾各补一半，差奇数个时前边补奇数个，后边补偶数个。所述特征矩阵的 计算方法如下：