论文部分内容阅读
随着港口运输越来越发达，为适应港口集装箱业务的发展需求，集装箱作业自动化的程度也越来越高，正确高效地识别集装箱箱号是自动化作业的基础。随着人工智能在港口领域得到广泛应用，机器学习作为人工智能的关键核心技术，受到了前所未有的重视和快速发展。基于机器学习方式识别集装箱箱号，需要足够的集装箱箱号数据集，目前在港口领域，还没有成熟的集装箱箱号数据集。因此研究集装箱箱号图像样本扩充方法对于基于机器学习的集装箱箱号识别研究有着重要意义。本文主要研究内容如下：
(1)集装箱箱号字符样本生成对抗网络(C-SAGAN)
针对港口现场收集到的集装箱箱号图像数量较少，不足以用做识别训练的样本的问题，在分析集装箱箱号特征的基础上，设计一种用于集装箱箱号字符图像生成的生成对抗网络C-SAGAN。先将收集到的集装箱箱号图像中的字符划分成36种数据集，然后将这些数据集作为C-SAGAN模型的训练数据集。C-SAGAN基于SAGAN网络，将自注意力机制加入到生成器和判别器中，再加入字符的类别标签作为条件信息，以实现集装箱箱号字符图像样本的生成。实验结果表明，C-SAGAN生成的字符图像样本比CGAN生成的质量要更好。
(2)基于TextBoxes++的集装箱箱号定位方法
针对集装箱箱号的排序不唯一、箱体表面凹凸不平等的问题，设计一种基于TextBoxes++的集装箱箱号定位方法。采集的集装箱箱号图像中只有一个集装箱箱号出现，这便于箱号的定位。本文基于TextBoxes++算法上进行改进，把原生模型中的VGG网络更换成能够解决深度网络退化问题的残差网络(ResNet)，再根据集装箱箱号的排列情况指定默认框的长宽比，进而快速定位箱号。实验结果表明，该算法相较于现有的集装箱箱号定位算法，有着较高的准确率。
(3)基于CRNN的集装箱箱号识别方法
针对集装箱箱号识别的问题，本文对CRNN卷积循环神经网络进行改进。CRNN是由CNN、BiLSTM和CTC结合而成的网络，本文在CRNN中引入BiGRU网络替换BiLSTM网络，GRU网络保持了LSTM网络的效果同时又使结构更加简单，降低训练的难度。实验结果表明，本文集装箱箱号识别方法比现有的基于人工智能的识别方法在准确率上有所提升。
(1)集装箱箱号字符样本生成对抗网络(C-SAGAN)
针对港口现场收集到的集装箱箱号图像数量较少，不足以用做识别训练的样本的问题，在分析集装箱箱号特征的基础上，设计一种用于集装箱箱号字符图像生成的生成对抗网络C-SAGAN。先将收集到的集装箱箱号图像中的字符划分成36种数据集，然后将这些数据集作为C-SAGAN模型的训练数据集。C-SAGAN基于SAGAN网络，将自注意力机制加入到生成器和判别器中，再加入字符的类别标签作为条件信息，以实现集装箱箱号字符图像样本的生成。实验结果表明，C-SAGAN生成的字符图像样本比CGAN生成的质量要更好。
(2)基于TextBoxes++的集装箱箱号定位方法
针对集装箱箱号的排序不唯一、箱体表面凹凸不平等的问题，设计一种基于TextBoxes++的集装箱箱号定位方法。采集的集装箱箱号图像中只有一个集装箱箱号出现，这便于箱号的定位。本文基于TextBoxes++算法上进行改进，把原生模型中的VGG网络更换成能够解决深度网络退化问题的残差网络(ResNet)，再根据集装箱箱号的排列情况指定默认框的长宽比，进而快速定位箱号。实验结果表明，该算法相较于现有的集装箱箱号定位算法，有着较高的准确率。
(3)基于CRNN的集装箱箱号识别方法
针对集装箱箱号识别的问题，本文对CRNN卷积循环神经网络进行改进。CRNN是由CNN、BiLSTM和CTC结合而成的网络，本文在CRNN中引入BiGRU网络替换BiLSTM网络，GRU网络保持了LSTM网络的效果同时又使结构更加简单，降低训练的难度。实验结果表明，本文集装箱箱号识别方法比现有的基于人工智能的识别方法在准确率上有所提升。