一种基于图像卷积神经网络技术的仓库标示牌识别方法技术

本发明专利技术公开了一种基于图像卷积神经网络技术的仓库标示牌识别方法，主要包括以下步骤：首先从图片流中提取出对照片的感兴趣部分，之后对图片进行缩放处理，转换成同样大小的图片；基于光流方法对于标识牌图片进行检测，当检测到图片发生变化时，提取出发生变化时刻图片以及前一帧与后一帧的图片；将这三幅图片作为输入，利用卷积神经网络进行图片计算，最终判断标识牌发生如何变化。本发明专利技术方法通过提取标识牌场景图片中感兴趣区域，将图片缩放至固定大小，检测标识牌变化，并利用卷积神经算法进行分块处理，避免了大型仓储中标识牌数量多，情景复杂所导致的难以检测的问题，极大的提高了测试精度。本发明专利技术可广泛应用于仓储管理领域。

An identification method of warehouse signs based on image convolution neural network technology

The invention discloses an image convolution neural network recognition method based on warehouse signs, mainly includes the following steps: first extract the photos of some interest from the image stream, after image zoom processing, into the same size image; based on optical flow method for signage image detection, when detecting the picture changes, extract the changed images and pictures before a moment frame and one frame; the three images as the input image is calculated by convolution neural network, the final judgment sign to change. The method of the invention by extracting the sign scene image region of interest, the picture zoom to a fixed size detection, signage changes, and block processing using convolutional neural algorithm, avoiding large storage in identification card number, due to the complex situation is difficult to detect, which greatly improves the testing accuracy. The invention can be widely used in the field of storage management.

【技术实现步骤摘要】
一种基于图像卷积神经网络技术的仓库标示牌识别方法
：本专利技术涉及仓库管理，尤其是仓储标识牌识别领域，具体涉及一种基于图像卷积神经网络技术的仓库标示牌识别方法。
技术介绍
：随着我国市场经济体制的不断完善，生产力的高速发展，作为企业管理的核心：仓库管理已成为企业发展竞争力的关键因素。但是在管理中，大型仓库经常有发错料，发串料的情况发生，其中难免有保管人员粗心大意的主观成分，而最重要的原因应该是货位与标识不清楚，而这种货位与标识不对称，一方面是因为放置标识牌的时候发生了错误，另一方面更多的是因为标识牌在使用过程中发生了误移。但是，仓储物品的标识牌使用是仓储管理中必不可少的一个方面，因此，企业迫切需要对仓储物品标识牌实现管理与监控。以往的仓储物品标识牌的管理主要聚焦在货位与标识牌对称，标识牌的现代化手段等上面，但是标识牌的误操作作为一个出现概率较多的错误，却一直没有有效的手段来规避，由于这些环节会产生大量且不易操作的信息，这给企业的管理带来了极大的不便。随着图像识别技术的发展，可以通过现有图像识别技术手段，可以实现标识牌的精确识别。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。仓储标识牌管理难点：一般大型仓库仓储标识牌种类多并且数量大，仓库管理员人数精力有限，无法时刻观测货位标识牌的变化，一旦标识牌发生了误移，很可能给仓储管理带来了不可逆转的后果。因此采用图像检测手段下的仓储标识牌观测方法，实时监控仓储标识牌变化。
技术实现思路
：本专利技术的目的是为了克服以上的不足，提供一种基于卷积神经网络下的仓储标识牌高精度识别方法。本专利技术的目的通过以下技术方案来实现：一种基于图像卷积神经网络技术的仓库标示牌识别方法，具体步骤如下：A.首先从图片流中提取出对照片的感兴趣部分，之后对图片进行缩放处理转换成同样大小的图片；B.基于光流方法对于标识牌图片进行检测，当检测到图片发生变化时，提取出发生变化时刻图片以及前一帧与后一帧的图片；C.将这三幅图片作为输入，利用卷积神经网络进行图片计算，最终判断标识牌发生如何变化。本专利技术的进一步改进在于：步骤A具体为：A1.提取图片中感兴趣的区域存储为新图片；A2.将新图片统一缩放至32mm×32mm大小；A3.重复执行A1，得到新图片；A4.重复执行A2，将新图片转换为相同大小。本专利技术的进一步改进在于：步骤B具体为：利用光流法对A步骤中提取出的新图片进行检测，当检测到新图片中轮廓发生变化时，将轮廓发生明显变化的图像与之前一帧图像与之后一帧图像同时保存下来。本专利技术的进一步改进在于：步骤C具体为：卷积神经网络识别方法，卷积神经网络包括7层，依次为S1卷积层、S1下采样层、S2卷积层、S2下采样层、S3卷积层、特征向量层与输出层。本专利技术的进一步改进在于：光流法是通过二维速度场与图像灰度相联系，引入光流约束方程，得到的计算光流的基本方法，主要用于跟踪目标轮廓。本专利技术的进一步改进在于：一副32mm×32mm大小的图片，经由S1卷基层变为6个28mm×28mm的特征图，S1采样层包含6个14mm×14mm特征图，经由S2卷基层变为16个10mm×10mm的特征图，S1采样层包含16个5mm×5mm特征图，第三个卷基层包含300个神经元。本专利技术与现有技术相比具有以下优点：本专利技术方法通过提取标识牌场景图片中感兴趣区域，将图片缩放至固定大小，检测标识牌变化，并利用卷积神经算法进行分块处理，避免了大型仓储中标识牌数量多，情景复杂所导致的难以检测的问题，极大的提高了测试精度。附图说明：图1为本专利技术方法的步骤流程图；图2为本专利技术网络中的卷积神经网络的流程示意图；图3为本专利技术网络中的卷积过程示意图。具体实施方式：为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。在本专利技术的一种实施方式中描述的元素和特征可以与一个或更多个其它实施方式中示出的元素和特征相结合。应当注意，为了清楚的目的，说明中省略了与本专利技术无关的、本领域普通技术人员已知的部件和处理的表示和描述。基于本专利技术中的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，一种基于图像卷积神经网络技术的仓库标示牌识别方法，包括以下步骤：A.首先从图片流中提取出对照片的感兴趣部分，之后对图片进行缩放处理转换成同样大小的图片；B.基于光流方法对于标识牌图片进行检测，当检测到图片发生变化时，提取出发生变化时刻图片以及前一帧与后一帧的图片；C.将这三幅图片作为输入，利用卷积神经网络进行图片计算，最终判断标识牌发生如何变化。卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。是在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。现在，卷积神经网络已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。步骤B为利用光流法对A步骤中提取出的新图片进行检测，当检测到新图片中轮廓发生变化时，将轮廓发生明显变化的图像与之前一帧图像与之后一帧图像同时保存下来。步骤C具体为卷积神经网络包括7层，依次为C1卷积层，S1下采样层，C2卷积层，S2下采样层，C3卷积层，特征向量层与输出层。神经网络如图2所示，每一个神经网络模型都是由神经网络单元组成的，图2所示为具有隐含层的神经网络。如图3所示，卷积过程可以描述为：用滤波器f卷积输入图像，之后添加一个偏置b，得到卷积层Cx。从一个平面到下一个平面的映射可以看作是做卷积运算，下采样层可看作是模糊滤波器，起到二次特征提取的作用。隐层与隐层之间空间分辨率递减，而每层所含的平面数递增，这样可用于检测更多的特征信息。用一个固定大小的卷积核去感知输入图像中的每一个神经元(即每个像素)，卷积后在C1层产生特征图，然后特征图中每组的四个像素再进行求和，加权值，加偏置，通过一个函数得到S2层的特征图，这些特征图再经过卷积得到C3层。这个层级结构再和S2一样产生S4，将S4层的每一个特征图与卷积层C5中的每一个神经元连接，这样可以防止过拟合的发生。最终，这些像素值在特征向量层被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。一般地，C层为特征提取层，即卷积层，用一个由权值组成的卷积核去感知前面一层的每个特征图，这就提取出了图像的特征，并且生成该卷积层的特征图；S层是下采样层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。最后应说明的是：虽然以上已经详细说明了本专利技术及其优点，但是应当理解在不超出由所附的权利要求所限定的本专利技术的精神和范围的情况下可以进行各种改变、替代和变换。而且，本专利技术的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实施例。本领域内的普通技术人员从本专利技术的公开内容将容易理解，根据本专利技术可以使用执行与在此所述的相应实施本文档来自技高网...

【技术保护点】
一种基于图像卷积神经网络技术的仓库标示牌识别方法，其特征在于：具体步骤如下：A.首先从图片流中提取出对照片的感兴趣部分，之后对图片进行缩放处理转换成同样大小的图片；B.基于光流法对于标识牌图片进行检测，当检测到图片发生变化时，提取出发生变化时刻图片以及前一帧与后一帧的图片；C.将这三幅图片作为输入，利用卷积神经网络进行图片计算，最终判断标识牌发生如何变化。

【技术特征摘要】
1.一种基于图像卷积神经网络技术的仓库标示牌识别方法，其特征在于：具体步骤如下：A.首先从图片流中提取出对照片的感兴趣部分，之后对图片进行缩放处理转换成同样大小的图片；B.基于光流法对于标识牌图片进行检测，当检测到图片发生变化时，提取出发生变化时刻图片以及前一帧与后一帧的图片；C.将这三幅图片作为输入，利用卷积神经网络进行图片计算，最终判断标识牌发生如何变化。2.根据权利要求1所述一种基于图像卷积神经网络技术的仓库标示牌识别方法，其特征在于：步骤A具体为：A1.提取图片中感兴趣的区域存储为新图片；A2.将新图片统一缩放至32mm×32mm大小；A3.重复执行步骤A1，得到新图片；A4.重复执行步骤A2，将新图片转换为相同大小。3.根据权利要求1所述一种基于图像卷积神经网络技术的仓库标示牌识别方法，其特征在于：步骤B具体为：利用光流法对A步骤中提取出的新图片进行检测，当检测到新图片中轮廓发生变化时，将轮廓发生明显变...

【专利技术属性】
技术研发人员：王震，唐玉婷，洪叶，俞忠，刘小龙，朱张蓓，凌一，朱卫，胡广，徐晓轶，徐冰，
申请(专利权)人：国网江苏省电力公司南通供电公司，
类型：发明
国别省市：江苏,32