[发明专利]一种基于卷积神经网络的货物图像识别方法和系统

说明书

本发明公开了一种基于卷积神经网络的货物图像识别方法和系统，属于人工智能技术领域。获取被检集装箱的X射线图像，采用已训练的基于U‑Net架构的2D卷积神经网络模型，对每张待处理X射线图像进行图像分割，得到若干分割图像，基于BOW和K‑means的相似图像检测，将各分割图像与货物数据库中的标准图片进行匹配，将相似度最高的作为识别结果，上述分割模型和相似图像检测模型组合，面对物流货物清点场景，分割效果极大改善，进而提高货物识别的准确率。

技术领域

本发明属于人工智能技术领域，更具体地，涉及一种基于卷积神经网络的货物图像识别方法和系统。

背景技术

由于成本的限制，物流公司只能聘请极少的人对货物进行清点，因此基于图像的物流自动判别系统就尤为重要。

专利CN 115035129 A公开出一种货物的识别方法，包括：通过监控设备获取包含至少一个货物的待处理图像；通过已训练的实例分割模型对待处理图像进行处理，以生成货物的实例分割结果；根据实例分割结果，生成货物的货堆轮廓；将货堆轮廓与货物数据库之中的数据进行匹配，获取货物的信息。其分割模型由一个检测网络(Detector module)和一个掩码分支(BlendMask module)构成，检测网络采用fcos(Fully Convolutional One-Stage Object Detection，全卷积的、以每个像素预测物体的方式的目标检测)算法。Fcos算法采用比如FPN(Feature Pyramid Networks，特征图金字塔网络)的多级检测，在初度不同的特征层检测不同尺寸的目标。

然而，该方法存在以下缺陷和不足：针对的仓储管理的智能看货，获取的图像是通过监控设备直接拍摄，分割匹配的是钢筋、钢卷、橡胶、农作物这类数量大、结构简单的货物，与物流货物清点的场景差别较大，其分割网络转用于物流货物清点时，分割效果差、准确率低。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于卷积神经网络的货物图像识别方法和系统，旨在解决现有识别方法分割效果差、准确率低的问题。

为实现上述目的，第一方面，本发明提供了一种基于卷积神经网络的货物图像识别方法，该方法包括：

获取被检集装箱的X射线图像；

采用已训练的基于U-Net架构的2D卷积神经网络模型，对每张待处理X射线图像进行图像分割，得到若干分割图像；

基于BOW和K-means的相似图像检测，将各分割图像与货物数据库中的标准图片进行匹配，将相似度最高的作为识别结果。

优选地，所述基于BOW和K-means的相似图像检测具体如下：

首先用SIFT算法生成图像数据库中每幅图的特征点和描述符；

再用K-means算法对图像库中的特征点进行聚类，聚类中心为K个，将这些聚类中心组合在一起，形成一部字典，根据IDF原理，计算每个视觉单词TF-IDF权重来表示视觉单词对区分图像的重要程度；

对于图像数据库中的每幅图像，统计字典中每个单词在其特征集中出现的次数，将每张图像表示为直方图；

得到每幅图的直方图向量后，构造特征到图像的倒排表，通过倒排表快速索引相关候选的图像；

对于待检测的图像，计算出sift特征，并根据TF-IDF转化为频率直方图，根据索引结果进行直方图向量的相似性判断。

优选地，所述基于U-Net架构的2D卷积神经网络模型包括：

编码器，其由多个卷积层和池化层组成，用于提取输入图像的特征；

解码器，其由多个反卷积层和卷积层组成，用于将编码器中提取的特征图进行上采样，并恢复到输入图像的大小，并且通过卷积层输出预测的分割结果；