基于机器学习的港口集装箱号识别方法及系统与流程

本发明涉及图像识别技术，尤其涉及一种基于机器学习的港口集装箱号识别方法及系统。

背景技术：

1、目前，集装箱号识别通常依赖于光学字符识别（ocr）技术，但是在复杂的港口环境中，由于光照条件不佳、集装箱表面磨损、污损或者画面中遮挡等问题，识别准确率受到很大影响。手动输入集装箱号耗时且容易出错，而现有自动识别系统在处理大规模、实时的集装箱图像时，效率可能不足以满足工业需求。由于港口环境的多变性，例如天气条件、时间（白天或夜晚）、季节等因素，集装箱图像的质量受到影响，导致识别精度下降。

技术实现思路

1、本发明提供一种基于机器学习的港口集装箱号识别方法及系统，至少能够解决现有技术中部分问题。

2、本发明的第一方面，

3、提供一种基于机器学习的港口集装箱号识别方法，包括：

4、获取目标区域的港口集装箱的原始图像，基于预设的采样编码模型分别对所述原始图像进行上、下特征采样得到上、下采样特征图以及对所述原始图像进行密集编码得到密集编码图，基于所述上、下采样特征图以及所述密集编码图对所述原始图像进行图像增强，得到增强图像；

5、根据所述增强图像，通过预设的超分辨率重构模型对所述增强图像进行深度可分离卷积，确定所述增强图像对应的深度卷积图，并根据预设的缩放因子对所述深度卷积图进行缩放操作，并将进行缩放操作后的深度卷积图输入到所述超分辨率重构模型的生成对抗模块中，确定小尺度图像集合；

6、基于所述小尺度图像集合，按照不同比例融合小尺度图像中多个维度的特征，并提取所述小尺度图像集合中多个潜在目标的边界框，通过聚类算法调整所述边界框的尺寸，生成多个初始聚类中心，重复调整所述边界框的尺寸直至新生成的聚类中心不再发生变化，对所述边界框中的集装箱的箱号进行识别。

7、优选的，基于预设的采样编码模型分别对所述原始图像进行上、下特征采样得到上、下采样特征图以及对所述原始图像进行密集编码得到密集编码图，基于所述上、下采样特征图以及所述密集编码图对所述原始图像进行图像增强，得到增强图像包括：

8、以所述原始图像为基础，通过上采样操作，基于像素增减因子，放大所述原始图像，得到上采样特征图；以所述原始图像为基础，通过下采样操作，基于像素增减因子，缩小所述原始图像，得到下采样特征图；

9、确定所述原始图像中各个像素点的图像深度，以及拍摄所述原始图像时大气光值的衰减量，对所述原始图像进行密集编码确定密集编码图；

10、基于所述上、下采样特征图以及所述密集编码图滤除所述原始图像中潜在目标位置的雾气遮挡，得到所述增强图像。

11、优选的，基于所述上、下采样特征图以及所述密集编码图滤除所述原始图像中潜在目标位置的雾气遮挡，得到所述增强图像包括：

12、；

13、其中， j[(x,y)]表示所述增强图像的像素点， i(x,y)表示所述原始图像的像素点， a(x,y)表示所述上、下采样特征图的集合的像素点， t(x,y)表示所述密集编码图的像素点，其中， (x,y)表示像素点在所述原始图像中的位置。

14、优选的，所述超分辨率重构模型包括基于残差网络构建的生成器、基于卷积神经网络构建的判别器和特征提取器，所述方法还包括对所述超分辨率重构模型进行训练：

15、采用若干组低分辨率图像和与所述低分辨率图像对应的原始高分辨率图像作为训练数据，对所述训练数据进行预处理操作；

16、使用所述低分辨率图像作为输入，训练所述生成器生成感知高分辨率图像，计算所述生成器对应的感知损失，并优化所述生成器最小化感知损失，其中，所述生成器包括多个残差块，每个所述残差块中有卷积层、批归一化层和relu激活函数，在每个所述残差块中加入注意力机制，所述注意力机制包括通道注意力机制和空间注意力机制，用于聚焦图像的小目标部分；

17、交替使用所述感知高分辨率图像和所述原始高分辨率图像训练判别器；

18、同时训练生成器和判别器，确定所述判别器对应的对抗损失，根据训练过程中的感知损失和对抗损失调整生成器参数和判别器参数；

19、通过多次迭代和调整以使所述感知损失最小或者所述对抗损失最小。

20、优选的，计算所述生成器对应的感知损失，并优化所述生成器最小化感知损失包括：

21、；

22、其中， l perceptual表示感知损失， w j、 h j分别表示第 j个特征映射的宽度和高度， φ j表示第 j个卷积层的特征提取函数， p hr表示原始感知高分辨率图像， p lr表示低分辨率图像， g (p lr )表示生成感知高分辨率图像， g()表示生成器， (x,y)表示像素点在所述原始图像中的位置。

23、优选的，基于所述小尺度图像集合，按照不同比例融合小尺度图像中多个维度的特征，并提取所述小尺度图像集合中多个潜在目标的边界框，通过聚类算法调整所述边界框的尺寸，生成多个初始聚类中心，重复调整所述边界框的尺寸直至新生成的聚类中心不再发生变化，对所述边界框中的集装箱的箱号进行识别包括：

24、基于所述小尺度图像集合，通过设置不同的空洞率进行空洞卷积操作，得到多个维度的特征，结合自适应空间特征融合，按照与不同维度对应的特征比例融合小尺度图像中多个维度的特征；

25、提取所述小尺度图像集合中多个潜在目标的边界框，通过聚类算法调整所述边界框的尺寸，生成多个初始聚类中心；

26、对所述小尺度图像集合的任意的数据点集进行区域划分，所述区域划分为按各个数据点到初始聚类中心的最短欧式距离就近划分，生成多个区域，计算每个区域内所有数据点的累加均值，重新生成聚类中心，直到新生成的聚类中心不再发生变化，对所述边界框中的集装箱的箱号进行识别。

27、本发明的第二方面，

28、提供一种基于机器学习的港口集装箱号识别系统，包括：

29、第一单元，用于获取目标区域的港口集装箱的原始图像，基于预设的采样编码模型分别对所述原始图像进行上、下特征采样得到上、下采样特征图以及对所述原始图像进行密集编码得到密集编码图，基于所述上、下采样特征图以及所述密集编码图对所述原始图像进行图像增强，得到增强图像；

30、第二单元，用于根据所述增强图像，通过预设的超分辨率重构模型对所述增强图像进行深度可分离卷积，确定所述增强图像对应的深度卷积图，并根据预设的缩放因子对所述深度卷积图进行缩放操作，并将进行缩放操作后的深度卷积图输入到所述超分辨率重构模型的生成对抗模块中，确定小尺度图像集合；

31、第三单元，用于基于所述小尺度图像集合，按照不同比例融合小尺度图像中多个维度的特征，并提取所述小尺度图像集合中多个潜在目标的边界框，通过聚类算法调整所述边界框的尺寸，生成多个初始聚类中心，重复调整所述边界框的尺寸直至新生成的聚类中心不再发生变化，对所述边界框中的集装箱的箱号进行识别。

32、本发明的第三方面，

33、提供一种电子设备，包括：

34、处理器；

35、用于存储处理器可执行指令的存储器；

36、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

37、本发明的第四方面，

38、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

39、本技术可以计算生成器对应的感知损失并优化生成器以最小化这种损失，从而确保生成的图像在感知质量上更接近真实的高分辨率图像，这有助于生成器捕捉到图像的细节和质感，而不仅仅是像素级别的准确性。在生成器的残差块中加入通道注意力机制和空间注意力机制，有助于模型聚焦于图像的重要区域，尤其是小目标部分，这样的注意力机制可以提高模型对局部细节的敏感性和辨别能力。同时训练生成器和判别器，并根据对抗损失调整它们的参数，可以在生成图像的真实性和感知质量之间找到一个平衡。对抗训练有助于提高生成图像的质量，使其更难以被判别器区分出来。