【技术实现步骤摘要】
本申请涉及计算机视觉，尤其涉及一种基于深度学习的线缆字符检测方法。
技术介绍
1、线缆制造过程中，通常会在线缆上打印电压、电流、类型、长度、厂家、相关编码等信息字符，方便相关人员进行快速识别，避免使用不当，从而减少相关电气事故的发生。同时，线缆上完整、准确的字符信息也有利于库存管理。
2、在实际生产中，在对线缆进行字符喷印或压印时，不可避免会出现字符特征缺陷，例如字符错印、漏印、打印模糊、跳米等缺陷情况。因此，对于印刷后的线缆还需要进行质检，对存在字符缺陷的线缆进行重新印刷字符。
3、在线缆字符质检时采用ocr(即，光学字符识别)技术进行字符识别能够显著提高质检的效率。
4、现有的ocr模型鲁棒性较差，线缆的字符特征存在缺陷或拍摄的线缆图像质量的不同，会导致现有的基于深度学习的ocr算法误检率较高，也就是将字符正确的线缆误检为字符错误。
5、由于字符沿线缆周向印刷，线缆表面是弯曲曲面而非平面，也就导致线缆字符和平面字符形状不一样。在线缆上，字符的顶部和底部会沿字符高度方向压缩，字符的中部则扩大，类似于地球的平面展开地图，靠近两极的地区在展开地图上面积更大，而靠近赤道的地区在展开地图上显得更小。也就因此，ocr模型在识别形状变形的字符时，误检率较高。
6、为了提高ocr模型对线缆字符的识别准确率，本申请提供一种基于深度学习的线缆字符检测方法及系统。
技术实现思路
1、为克服相关技术中存在的问题，本申请提供一种基于深度学习的线
2、s1、获取字符区域图像；
3、s2、对所述字符区域图像进行字符分割，得到n个字符图像；n为大于等于0的整数；
4、s3、对n个所述字符图像进行分类，得到m个类型的字符图像集；所述字符图像集的类型包括：中文字符图像集、英文字符图像集、数字字符图像集以及符号字符图像集；m为大于等于1的整数；
5、s4、通过预训练的神经网络分别识别不同类型的所述字符图像，输出识别到的字符；所述神经网络包括有m个类型的字符识别模型，所述字符识别模型分别通过不同类型的字符图像训练集进行预训练得到；
6、s5、比对识别得到的字符确定线缆质检结果。
7、在一种实施方式中，在所述获取字符区域图像之后，还包括：对所述字符区域图像进行预处理。
8、在一种实施方式中，对所述字符区域图像进行预处理，具体包括：根据所述字符区域图像的像素灰度值进行二值化处理；
9、消除所述字符区域图像的离散噪点。
10、在一种实施方式中，所述字符图像标记有图像分割前的字符坐标；所述比对识别得到的字符确定线缆质检结果，具体包括：
11、按照所述字符坐标对所述字符进行排序，输出字符检测序列；
12、判断所述字符检测序列与预设字符序列的字符是否一致，若是，则确定当前检测线缆为合格，若否，则确定当前检测线缆为不合格。
13、在一种实施方式中，对所述字符区域图像进行字符分割，具体包括：
14、获取线缆印刷数据；
15、根据所述线缆印刷数据确定字符间隔长度和字符序列长度；
16、根据所述字符间隔长度和所述字符序列长度，分割裁剪得到所述字符图像。
17、在一种实施方式中，所述通过预训练的神经网络分别识别不同类型的所述字符图像之前，还包括：
18、构建m个所述字符识别模型；
19、获取m个类型的字符图像训练集；
20、根据不同类型的所述字符图像训练集对不同所述字符识别模型进行单独训练；所述字符识别模型为中文识别模型、英文识别模型、数字识别模型或者字符识别模型。
21、在一种实施方式中，所述字符识别模型基于paddleocr模型进行训练。
22、在一种实施方式中，多个所述字符识别模型安装在线缆检测设备上，所述线缆检测设备通过多线程并行多个所述字符识别模型。
23、本申请提供的技术方案可以包括以下有益效果：
24、在本申请中，首先分别通过不同类型的字符图像训练集对字符识别模型进行预训练。在质检线缆字符时，对线缆上的字符区域拍照，然后对字符区域图像进行逐个字符分割，将字符图像按照字符类型分类，收集到不同类型的字符图像集中。将不同类型的字符图像集分别输入相应的字符识别模模型进行字符识别。最后，比对识别得到的字符以确定质检结果为合格或不合格。
25、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的线缆字符检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，在所述获取字符区域图像之后，还包括：
3.根据权利要求2所述的一种基于深度学习的线缆字符检测方法，其特征在于，对所述字符区域图像进行预处理，具体包括：
4.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，所述字符图像标记有图像分割前的字符坐标；
5.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，对所述字符区域图像进行字符分割，具体包括：
6.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，所述通过预训练的神经网络分别识别不同类型的所述字符图像之前，还包括：
7.根据权利要求6所述的一种基于深度学习的线缆字符检测方法，其特征在于，所述字符识别模型基于PaddleOCR模型进行训练。
8.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，
【技术特征摘要】
1.一种基于深度学习的线缆字符检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，在所述获取字符区域图像之后，还包括：
3.根据权利要求2所述的一种基于深度学习的线缆字符检测方法，其特征在于，对所述字符区域图像进行预处理，具体包括：
4.根据权利要求1所述的一种基于深度学习的线缆字符检测方法，其特征在于，所述字符图像标记有图像分割前的字符坐标；
5.根据权利要求1所述的...
【专利技术属性】
技术研发人员：岳翔，张义伟，刘敏，徐洋，沈宝诚，金怀国，刘振洗，魏保良，
申请(专利权)人：中国电子科技集团公司第四十一研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。