基于深度學(xué)習(xí)的集裝箱編號(hào)識(shí)別

姚礪　李莉莉　萬(wàn)燕

摘 要： 針對(duì)集裝箱編號(hào)圖像存在光照不均、背景復(fù)雜、模糊、污損、斷裂等問題，本文提出，先采用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法（YOLOv4）來實(shí)現(xiàn)集裝箱編號(hào)區(qū)域定位，接著對(duì)定位后的集裝箱編號(hào)圖像進(jìn)行預(yù)處理，采用連通域分割法分割字符，然后把一個(gè)個(gè)的字符送入模板匹配算法中進(jìn)行字符識(shí)別。通過理論分析以及實(shí)驗(yàn)證明了本文方法的有效性，識(shí)別準(zhǔn)確率相比其他方法明顯提高。

關(guān)鍵詞： 集裝箱編號(hào); 字符識(shí)別; 深度學(xué)習(xí); 模板匹配; 編號(hào)區(qū)域定位

文章編號(hào)： 2095-2163（2021）07-0095-07中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼： A

Container number recognition based on deep learning

YAO Li， LI Lili，? WAN Yan

（School of Computer Science and Technology， Donghua University， Shanghai 201620， China）

【Abstract】In order to solve the problems of uneven illumination， complex background， blur， stain， fracture and so on in the container number images， this paper firstly uses the object detection algorithm based on deep learning （YOLOV4） to locate the container number area， preprocesses the located container number image， and uses the connected domain segmentation method to segment the characters. Then the characters are sent to the template matching algorithm for character recognition. Through theoretical analysis and experiments， the effectiveness of this method is proved， and compared with other methods，? the recognition accuracy is significantly improved.

【Key words】container number; OCR; deep learning; template matching; location of numbering area

0 引 言

隨著國(guó)內(nèi)進(jìn)出口業(yè)務(wù)量的迅猛增長(zhǎng)，集裝箱的需求量也日益增大，已然成為全球最大的運(yùn)輸載體。在2020年全球集裝箱吞吐量排名前25位的港口中，中國(guó)港口位列前茅，在前8位中占據(jù)了6個(gè)席位。其中，上海為全球最大集裝箱港口[1]，盡管受到近期疫情影響，港口的總體增長(zhǎng)依舊持平、甚至略有上漲。集裝箱的巨大吞吐量無(wú)疑會(huì)對(duì)港口造成嚴(yán)重堵塞，因此需要快速識(shí)別集裝箱編號(hào)的系統(tǒng)，從而完成對(duì)集裝箱的調(diào)度及排放。傳統(tǒng)集裝箱運(yùn)輸主要靠人工識(shí)別集裝箱編號(hào)，存在易出誤差、影響進(jìn)出口速率引發(fā)港口集裝箱堆積等眾多缺點(diǎn)，為了解決這些問題，智能集裝箱編號(hào)識(shí)別系統(tǒng)即已成為時(shí)下這一領(lǐng)域的熱門研究方向。但由于集裝箱編號(hào)圖像與普通的文字識(shí)別不同，存在光照不均、編號(hào)的偏轉(zhuǎn)、傾斜、扭曲、斷裂和模糊等因素，給編號(hào)的識(shí)別研究帶來不小的影響。

為了使得物流集裝箱在流通以及利用的過程中便于識(shí)別管理、單據(jù)編制和信息傳輸，國(guó)際標(biāo)準(zhǔn)化組織采用ISO6346（1995）標(biāo)準(zhǔn)，制定了集裝箱的標(biāo)記、即集裝箱編號(hào)，典型的集裝箱編號(hào)圖像如圖1所示。由圖1可知，集裝箱編號(hào)是由4位字母和7位數(shù)字組成的，一個(gè)集裝箱只有一個(gè)編號(hào)，相當(dāng)于人的身份證，即一箱一號(hào)，獨(dú)一無(wú)二，可以在后期運(yùn)輸過程中通過編號(hào)來查找集裝箱目前的物流情況，與現(xiàn)如今利用快遞單號(hào)查詢快遞是一個(gè)道理。

現(xiàn)階段，集裝箱編號(hào)識(shí)別的關(guān)鍵技術(shù)一般包括3個(gè)部分，分別是：集裝箱編號(hào)的區(qū)域定位、集裝箱編號(hào)字符的分割、集裝箱編號(hào)的識(shí)別。眾多學(xué)者根據(jù)這3個(gè)部分展開了相關(guān)的研究，并取得了不錯(cuò)的效果。其中，集裝箱編號(hào)的區(qū)域定位是整個(gè)識(shí)別的關(guān)鍵。目前，集裝箱編號(hào)區(qū)域定位分為3個(gè)方法，即：基于數(shù)學(xué)形態(tài)學(xué)[2]、基于連通域分析的方法[3]、基于邊緣與滑動(dòng)窗[4]，但這些方法都會(huì)受到光照、陰影、背景復(fù)雜等的影響，導(dǎo)致集裝箱編號(hào)區(qū)域定位不夠準(zhǔn)確。

近年來，深度學(xué)習(xí)發(fā)展迅速，卷積神經(jīng)網(wǎng)絡(luò)在圖像處理中展現(xiàn)出了獨(dú)特的優(yōu)勢(shì)，通過學(xué)習(xí)海量的訓(xùn)練數(shù)據(jù)，逐層提取有用的特征，并自動(dòng)將低層特征組合形成對(duì)數(shù)據(jù)有著更本質(zhì)刻畫的高層特征，從而有利于可視化或分類[5]。Wang等人[6]采用了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法Faster-RCNN對(duì)集裝箱編號(hào)進(jìn)行檢測(cè)和識(shí)別;Wang等人[7]利用改進(jìn)的Faster-RCNN和區(qū)域生成網(wǎng)絡(luò)（RPN）實(shí)現(xiàn)編號(hào)檢測(cè)和識(shí)別。以上的研究成果表明，采用深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可以準(zhǔn)確地定位出集裝箱編號(hào)區(qū)域，不會(huì)受到光照、背景等的影響，且定位準(zhǔn)確率高，但基于深度學(xué)習(xí)的字符識(shí)別方法卻會(huì)因?yàn)榫幪?hào)斷裂或者背景復(fù)雜以及字符間距長(zhǎng)短不一等因素影響識(shí)別率。

為此，本文結(jié)合集裝箱編號(hào)自身的特點(diǎn)對(duì)圖像進(jìn)行標(biāo)注，為了增強(qiáng)定位的魯棒性，采用深度目標(biāo)檢測(cè)算法YOLOv4[8]對(duì)集裝箱編號(hào)區(qū)域進(jìn)行定位，再進(jìn)行預(yù)處理，為了提高識(shí)別準(zhǔn)確率，文中又采用了模板匹配方法來識(shí)別編號(hào)字符。實(shí)驗(yàn)結(jié)果表明，本文方法能準(zhǔn)確快速地定位出集裝箱編號(hào)的位置，并準(zhǔn)確識(shí)別出編號(hào)字符，抗干擾能力強(qiáng)。

1 基于深度學(xué)習(xí)的集裝箱編號(hào)識(shí)別方法

集裝箱編號(hào)識(shí)別系統(tǒng)的難點(diǎn)在于定位和識(shí)別上，如圖2所示，主要有以下幾點(diǎn)：

（1）集裝箱編號(hào)沒有明顯的邊緣特性，不像車牌有較清楚的邊緣，所以集裝箱編號(hào)定位比車牌定位要更加困難。

（2）集裝箱編號(hào)字符是噴刷的印刷體字符，其大小、顏色、字體以及排列方式各不相同，都會(huì)影響到字符識(shí)別的準(zhǔn)確性。

（3）光照條件以及背景顏色的復(fù)雜性都不利于集裝箱編號(hào)的定位。

（4）集裝箱編號(hào)周圍存在大量的噪聲干擾，例如銹蝕、斷裂、污損等。

（5）集裝箱編號(hào)的周圍還存在著其他干擾，例如門鎖桿、集裝箱型號(hào)以及集裝箱大小代碼等。

基于以上問題，本文提出了基于深度學(xué)習(xí)的集裝箱編號(hào)識(shí)別的方法，取得了理想的識(shí)別效果。設(shè)計(jì)流程如圖3所示。

由圖3可知，整個(gè)流程分為3部分：編號(hào)區(qū)域定位、編號(hào)字符分割、編號(hào)字符識(shí)別。在定位階段，采用深度學(xué)習(xí)方法，此方法準(zhǔn)確率高、速度快且具有很強(qiáng)的抗干擾能力。首先采集大量帶有集裝箱的圖像，然后對(duì)這些圖像中的編號(hào)區(qū)域打上標(biāo)簽，做好標(biāo)注作為訓(xùn)練的樣本，把這些樣本送入目標(biāo)檢測(cè)算法YOLOv4的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得出適應(yīng)集裝箱編號(hào)檢測(cè)的模型，用于集裝箱編號(hào)區(qū)域的定位。在分割階段，采用連通域分割法，此方法對(duì)斷裂、模糊以及傾斜等字符能準(zhǔn)確分割，先對(duì)定位后的圖像進(jìn)行預(yù)處理，利用連通域分割法分割集裝箱編號(hào)字符，然后對(duì)分割后的字符進(jìn)行去留白處理。在字符識(shí)別階段，采用模板匹配方法，此方法準(zhǔn)確率高，速度快，且對(duì)硬件要求不高，即把分割后的字符分成2類，字母送入字母模板中進(jìn)行匹配，數(shù)字送入數(shù)字模板中進(jìn)行匹配，從而完成整個(gè)編號(hào)字符的識(shí)別。

1.1 基于深度學(xué)習(xí)的集裝箱編號(hào)定位

現(xiàn)實(shí)中采集到的集裝箱編號(hào)圖像會(huì)受到光照不均、編號(hào)有污漬、破損以及編號(hào)傾斜等眾多因素的影響，此時(shí)提取集裝箱編號(hào)字符的信息有難度。

傳統(tǒng)定位方法分為3種，即：基于邊緣和滑動(dòng)窗、基于數(shù)學(xué)形態(tài)學(xué)、基于連通域分析。其中，基于邊緣與滑動(dòng)窗的定位方法是用邊緣檢測(cè)算子檢測(cè)出圖像中編號(hào)字符的邊緣，再結(jié)合滑動(dòng)窗來找到有高區(qū)分度的字符特征實(shí)現(xiàn)集裝箱編號(hào)的區(qū)域定位?；跀?shù)學(xué)形態(tài)學(xué)的定位方法更適合用在碼頭或者堆場(chǎng)等背景復(fù)雜的地方。基于連通域分析的定位方法是通過最大穩(wěn)定極值（MSER）去粗區(qū)分編號(hào)字符和箱體背景，再用連通域分析篩選出編號(hào)字符所在的區(qū)域。以上3種傳統(tǒng)定位方法在清晰簡(jiǎn)單的集裝箱圖像上，對(duì)編號(hào)定位取得不錯(cuò)的效果，但當(dāng)有光照影響或復(fù)雜背景影響時(shí)，都會(huì)導(dǎo)致定位失敗。鑒于此，本文采用基于深度學(xué)習(xí)的YOLOv4集裝箱編號(hào)定位，其技術(shù)路線如圖4所示，YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示。

由圖4可知，YOLOv4定位需要訓(xùn)練模型，但在訓(xùn)練深度學(xué)習(xí)的模型時(shí)，需要有大量的帶標(biāo)注的樣本圖像輸入網(wǎng)絡(luò)中，由于目前沒有公開的集裝箱數(shù)據(jù)集，所以需要拍攝采集大量集裝箱圖像，并對(duì)圖像進(jìn)行標(biāo)注。由集裝箱圖像可知，其編號(hào)具有特殊性，前面四個(gè)英文字母和后面七位數(shù)字相隔較遠(yuǎn)，有時(shí)噴畫在兩行，字母一行，數(shù)字一行，故在進(jìn)行數(shù)據(jù)標(biāo)注時(shí)，把英文字母和數(shù)字分開標(biāo)注，英文字母的標(biāo)簽為letter，數(shù)字的標(biāo)簽為number。

由于拍攝的集裝箱圖像比較大，且經(jīng)過實(shí)驗(yàn)證明輸入圖像規(guī)格為608×608的定位效果較好，所以本文選擇使用608×608的規(guī)格把圖像輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，且由標(biāo)注步驟可知，網(wǎng)絡(luò)訓(xùn)練的類別選取參數(shù)為2，即letter和number，把字母和數(shù)字分開定位，能更準(zhǔn)確地定位出集裝箱編號(hào)區(qū)域。本文基于YOLOv4的集裝箱編號(hào)定位的基本思想是：首先，會(huì)對(duì)輸入的集裝箱圖像進(jìn)行一系列的卷積和殘差堆疊操作來提取集裝箱編號(hào)的特征。其次，對(duì)最后一個(gè)特征層進(jìn)行三次卷積，分別利用4個(gè)不同尺度的最大池化（13×13、9×9、5×5、1×1）進(jìn)行處理，此步驟能極大地增大感受野，分離出集裝箱圖片上編號(hào)區(qū)域和背景的特征。然后，對(duì)提取出的3個(gè)有效特征層上進(jìn)行上采樣后、又進(jìn)行下采樣，而與此同時(shí)則進(jìn)行特征的融合，產(chǎn)生3個(gè)不同尺寸像素的輸出層，分別為（19，19，21）、（38，38，21）、（76，76，21），最后一個(gè)維度為21是因?yàn)獒槍?duì)集裝箱圖像的特殊性，類別設(shè)為2，即letter和number。隨后對(duì)3個(gè)輸出層進(jìn)行解碼操作，即把集裝箱圖像分為19×19、38×38、76×76的網(wǎng)格，每個(gè)網(wǎng)格點(diǎn)負(fù)責(zé)檢測(cè)一個(gè)區(qū)域。若集裝箱編號(hào)的中心落在這個(gè)區(qū)域，則集裝箱編號(hào)的位置就由該網(wǎng)格點(diǎn)來確定，且每個(gè)網(wǎng)格點(diǎn)都會(huì)生成3個(gè)先驗(yàn)框，對(duì)先驗(yàn)框進(jìn)行調(diào)整，并利用得分排序和非極大值抑制法來篩選候選框，由于集裝箱圖像上對(duì)定位編號(hào)產(chǎn)生干擾的字符很多，所以在非極大值抑制法中的參數(shù)設(shè)置為0.2，使篩選條件更加嚴(yán)格，得到更加準(zhǔn)確的預(yù)測(cè)框。定位結(jié)果如圖6所示。

1.2 集裝箱編號(hào)字符分割

常用的字符分割算法為投影直方圖法、邊界跟蹤法、連通域分割法等。其中，直方圖分割法[9]是計(jì)算字符圖像的投影直方圖，選取直方圖中高度小于某個(gè)閾值的點(diǎn)作為分割點(diǎn)，此方法具有局限性，對(duì)有傾斜度的集裝箱編號(hào)圖像的分割準(zhǔn)確率較低。邊界跟蹤法[10]是尋找字符的邊界來分割字符，此方法具有很大的不確定性。

綜合前文所述，針對(duì)集裝箱編號(hào)字符圖像存在著的傾斜、字符間距長(zhǎng)短不一等現(xiàn)象，本文選用連通域分割法對(duì)集裝箱編號(hào)字符進(jìn)行分割，具有較好的準(zhǔn)確率。

連通域分割法有2種分割方法：基于4連通域和基于8連通域。由于集裝箱編號(hào)字符會(huì)出現(xiàn)缺損、傾斜等影響分割的因素，為了更好地找全整個(gè)字符區(qū)域，本文采用8連通域的分割法。8連通域分割法是對(duì)二值化后的集裝箱編號(hào)圖像進(jìn)行深度遍歷，首先找到一個(gè)黑色像素，然后對(duì)此像素周圍的8個(gè)像素進(jìn)行判斷，是否被訪問過，如果沒有被訪問過，就保存到一個(gè)數(shù)組中，最后這個(gè)數(shù)組的最小X和最大X就是橫軸X上的切割位置，對(duì)不合理的切割位置進(jìn)行篩選，隨后依次進(jìn)行分割，得到分割后的集裝箱編號(hào)單個(gè)字符圖像，再次對(duì)單個(gè)字符圖像進(jìn)行判斷篩選，是否為11個(gè)字符圖像，如不是，則統(tǒng)計(jì)高度的最大值，把異常高度的干擾物圖像去掉，留下正確的字符圖像。具體流程如圖7所示。與垂直分割法進(jìn)行對(duì)比后可知該方法的優(yōu)點(diǎn)是可以分割傾斜的集裝箱編號(hào)圖像。

1.3 集裝箱編號(hào)字符識(shí)別

由于集裝箱編號(hào)區(qū)域定位成功，且對(duì)集裝箱編號(hào)圖像進(jìn)行一系列預(yù)處理后的圖像具有簡(jiǎn)單特征，故采用準(zhǔn)確率高的模板匹配。字符識(shí)別時(shí)，最先想到的就是近年來流行的深度學(xué)習(xí)算法，包括CRNN、Faster-RCNN、CNN等，但由于有些字母和數(shù)字存在相似性，例如：6和G;8、0和D、C;7和1等，這些深度學(xué)習(xí)方法在識(shí)別時(shí)會(huì)有誤差。BP神經(jīng)網(wǎng)絡(luò)也是字符識(shí)別常用方法之一，但其識(shí)別的關(guān)鍵在于網(wǎng)絡(luò)參數(shù)取值比較敏感以及字符識(shí)別前的圖像處理效果，故本文采用準(zhǔn)確率高的模板匹配算法，實(shí)驗(yàn)表明本文方法識(shí)別速度快。研究得到的識(shí)別流程如圖8所示。

模板匹配是通過現(xiàn)有的模板與圖像進(jìn)行比較找出所匹配的圖像，顧名思義就是模板在待檢測(cè)的集裝箱編號(hào)字符圖像左上角開始，每次都以模板左上角像素點(diǎn)為單位，從左到右，從上向下滑動(dòng)，每次到達(dá)一個(gè)像素點(diǎn)，就會(huì)以該像素點(diǎn)的左上角為頂點(diǎn)從待檢測(cè)的集裝箱編號(hào)字符圖像上截取出與模板一樣大小的圖像與模板進(jìn)行像素的比較運(yùn)算，兩者匹配程度越高，相同的可能性越大。模板在滑動(dòng)匹配的過程中，把模板和當(dāng)前截取到圖像的比較結(jié)果儲(chǔ)存在一個(gè)矩陣R（x，y）中。設(shè)輸入圖像的大小為W×H，模板的大小為w×h，則輸出圖像的大小為（W-w+1，H-h+1）。R中的每一個(gè)位置（x，y）的值都表示以這個(gè)點(diǎn)為左上角頂點(diǎn)截取到的圖像和模板像素計(jì)算后的計(jì)算結(jié)果。

本文采用的模板匹配算法為相關(guān)系數(shù)匹配，此方法是把模板圖像和其均值的相對(duì)值，與輸入的集裝箱編號(hào)字符圖像和其均值的相關(guān)值進(jìn)行匹配，1表示匹配程度高，-1表示匹配程度低，0則表示沒有任何相關(guān)性。此方法計(jì)算公式如下：

在此基礎(chǔ)上，研究得到算法的偽代碼參見如下。

算法：基于模板匹配的集裝箱編號(hào)字符識(shí)別算法

Begin

輸入 單個(gè)集裝箱編號(hào)字符圖像，模板

If R（x，y） = -1則兩者匹配度低

If R（x，y） = 0 [DW]則兩者沒有相關(guān)性

If R（x，y） = 1 [DW]則兩者匹配度高

輸出 識(shí)別結(jié)果

End

由集裝箱編號(hào)定位時(shí)的標(biāo)注可知，本文方法一開始就把字母和數(shù)字分開，防止字母和數(shù)字存在相似性從而引起識(shí)別錯(cuò)誤。在進(jìn)行模板匹配前，建立模板庫(kù)，并對(duì)模板進(jìn)行歸一化處理，對(duì)字母和數(shù)字分開匹配，縮短了每個(gè)字符匹配的時(shí)間，從而提高了模板匹配的速度。由于在分割后進(jìn)行字符圖像的處理時(shí)，研究發(fā)現(xiàn)1的寬高比特殊，所以1不放入識(shí)別，直接就能判斷，此方法避免了7和1的識(shí)別錯(cuò)誤。本文的識(shí)別算法解決了集裝箱斷裂、部分缺失對(duì)識(shí)別的影響，且避免了因字母和數(shù)字的相似性而發(fā)生識(shí)別錯(cuò)誤，提高了集裝箱編號(hào)字符識(shí)別的準(zhǔn)確率。識(shí)別結(jié)果如圖9所示。

2 實(shí)驗(yàn)結(jié)果和分析

2.1 實(shí)驗(yàn)環(huán)境

本文的實(shí)驗(yàn)平臺(tái)采用的是Linux操作系統(tǒng)Ubuntu18.04，GPU為2*NVIDIA GeForce RTX 2080 Ti，32 G內(nèi)存，512硬盤，CUDA的版本為10.2，集成開發(fā)環(huán)境使用PyCharm，集成包使用的是Anaconda3，Python的版本是3.6.0。

2.2 數(shù)據(jù)集

由于目前國(guó)際上還沒有公開的集裝箱數(shù)據(jù)集，并且國(guó)內(nèi)也沒有建立相關(guān)統(tǒng)一的集裝箱圖像樣本庫(kù)，因此，本文需要自行收集并制作出可用于集裝箱編號(hào)區(qū)域檢測(cè)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集。本文數(shù)據(jù)集包含各種復(fù)雜條件下拍攝到的圖像，能滿足研究的需求。拍攝所使用的設(shè)備有所不同，其分辨率也會(huì)有所不同，本文使用了包括Olympus相機(jī)、iphone5c、平板、vivo手機(jī)、臺(tái)電平板以及小米手機(jī)在內(nèi)所拍攝的集裝箱圖像。這些圖像中含有編號(hào)字符單行排列、編號(hào)區(qū)域被瓦楞部分遮擋、箱體傾斜、編號(hào)豎直排列、分辨率低、編號(hào)多行排列以及編號(hào)字符斷裂等各種場(chǎng)景下拍攝的圖像，如圖10所示。

由于采集到的圖像有編號(hào)字符不完整的圖像，所以經(jīng)過篩選后共得到253張圖像，對(duì)這些圖像通過數(shù)據(jù)增強(qiáng)的方式來擴(kuò)張數(shù)據(jù)集。數(shù)據(jù)增強(qiáng)的方法為：增強(qiáng)圖像的亮度、降低圖像的亮度、改變圖像的色度、改變圖像的對(duì)比度以及改變圖像的銳度，最終得到的數(shù)據(jù)集為7 590張集裝箱圖像。

在進(jìn)行訓(xùn)練前，需要對(duì)集裝箱數(shù)據(jù)集圖像標(biāo)注，本文采用LabelImg對(duì)集裝箱圖像進(jìn)行編號(hào)區(qū)域標(biāo)注，由于集裝箱編號(hào)的特點(diǎn)是前4位字符為字母，后7位字符為數(shù)字，因此本文有2個(gè)標(biāo)注類別：字母和數(shù)字。標(biāo)注圖像如圖11所示。

2.3 實(shí)驗(yàn)結(jié)果與分析

2.3.1 定位分析

雖然本文的數(shù)據(jù)集量少，但包含了各種條件下的集裝箱圖像，例如集裝箱編號(hào)不同排列方式、噴刷位置的不同、光照不均、圖片像素低、箱體表面有污損干擾、集裝箱傾斜以及集裝箱編號(hào)被瓦楞所遮擋等等。經(jīng)實(shí)驗(yàn)證明，本文算法對(duì)不同排列方式的集裝箱編號(hào)區(qū)域定位準(zhǔn)確，并且對(duì)傾斜的以及分辨率低的集裝箱編號(hào)區(qū)域也能獲得準(zhǔn)確定位，甚至還能準(zhǔn)確定位出被箱楞遮擋的集裝箱編號(hào)區(qū)域。此算法為后續(xù)的識(shí)別奠定了良好的基礎(chǔ)。

為了驗(yàn)證本文算法在集裝箱編號(hào)的定位性能，文中又與多特征箱號(hào)定位算法、Faster R-CNN以及MSER算法與本文提出的算法進(jìn)行對(duì)比，雖然數(shù)據(jù)集不同，但都包含各種條件下的集裝箱圖片。實(shí)驗(yàn)結(jié)果對(duì)比見表1。

由表1可知，相比其他的定位算法而言，本文算法的準(zhǔn)確率較高，而且定位時(shí)間快，說明本文定位算法有較好的抗干擾能力，但仍然存在一些錯(cuò)誤，沒有達(dá)到百分百的準(zhǔn)確率。定位錯(cuò)誤是因?yàn)橛胁糠植杉募b箱圖像被強(qiáng)光照射，以至于人眼都無(wú)法準(zhǔn)確地看見編號(hào)的位置，如圖12所示。

2.3.2 識(shí)別分析

在集裝箱編號(hào)識(shí)別階段，本文采用改進(jìn)的模板匹配算法，解決了集裝箱字符斷裂、部分缺失等因素對(duì)編號(hào)識(shí)別的影響，提高了識(shí)別的準(zhǔn)確率。本文識(shí)別算法與模板匹配法、特征匹配算法、BP神經(jīng)網(wǎng)絡(luò)、SVM算法[11]的比較結(jié)果見表2。雖然數(shù)據(jù)集不同，但都包含各種條件下截取的集裝箱編號(hào)圖像。

由表2可知，本文識(shí)別算法的識(shí)別準(zhǔn)確率達(dá)到了96.1%，比原始模板匹配算法、特征匹配算法、BP神經(jīng)網(wǎng)絡(luò)以及SVM算法的準(zhǔn)確率都要高。但識(shí)別速度沒有特征匹配算法快，還有待改進(jìn)。

3 結(jié)束語(yǔ)

本文針對(duì)集裝箱采集環(huán)境以及集裝箱自身特點(diǎn)，研究了集裝箱編號(hào)識(shí)別的關(guān)鍵技術(shù)，并最終采用YOLOv4對(duì)集裝箱編號(hào)區(qū)域進(jìn)行定位，解決了集裝箱編號(hào)圖像光照不均、背景復(fù)雜等問題，達(dá)到精準(zhǔn)定位，接著對(duì)圖像進(jìn)行預(yù)處理，最后采用改進(jìn)的模板匹配算法對(duì)集裝箱編號(hào)進(jìn)行字符識(shí)別，解決了相似字符的干擾性。實(shí)驗(yàn)測(cè)試結(jié)果表明，本文提出的基于深度學(xué)習(xí)的集裝箱編號(hào)識(shí)別算法準(zhǔn)確率高，魯棒性好，具有較好的實(shí)用價(jià)值。

參考文獻(xiàn)

[1]中國(guó)港口協(xié)會(huì)集裝箱分會(huì). 中國(guó)主要港口集裝箱碼頭吞吐量快報(bào)（2020年1月）[J]. 集裝箱化， 2020，32（3）：2-25.

[2]王炎，賀俊吉. 基于數(shù)學(xué)形態(tài)學(xué)的集裝箱箱號(hào)快速定位算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2015，36（8）：2162-2166.

[3]WENG Maonan， LIU Qing， GUO Jianming. MSER and connected domain analysis based algorithm for container code locating process[C]// 2017 International Conference on Industrial Informatics - Computing Technology， Intelligent Technology， Industrial Information Integration （ICIICII）. Wuhan， China：IEEE， 2018.

[4]KOO K M ， CHA E Y . A novel container ISO-code recognition method using texture clustering with a spatial structure window[J]. International Journal of Software Engineering & Its Applications， 2013， 7（3）：51-62.

[5]丁小虎. 基于深度學(xué)習(xí)的集裝箱立體識(shí)別與定位技術(shù)[D]. 廈門：集美大學(xué)，2019.

[6]WANG Zhiming， WANG Wuxi， XING Yuxiang. Automatic container code recognition via faster-RCNN[C]//2019 5th International Conference on Control， Automation and Robotics （ICCAR）. Beijing， China：IEEE， 2019： 870-874.

[7]WANG Zhenpeng， WANG Yongli. FRCA： High-efficiency container number detection and recognition algorithm with enhanced attention[C]// Eleventh International Conference on Graphics and Image Processing. Hangzhou China：SPIE，2020：1137306.

[8]BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv：2004.10934，2020.

[9]李豐林，畢訓(xùn)銀. 基于BP神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別[J].淮海工學(xué)院學(xué)報(bào)（自然科學(xué)版），2010，19（1）：24-27.

[10]唐曉東. 基于BP神經(jīng)網(wǎng)絡(luò)的集裝箱箱號(hào)識(shí)別研究[D]. 武漢：武漢理工大學(xué)，2007.

[11]安博文， 李丹， 龐然. 基于SVM分類器的集裝箱箱號(hào)識(shí)別法[J]. 上海海事大學(xué)學(xué)報(bào)， 2011， 32 （1） ：25-29.

[12]黃深廣，翁茂楠，史俞，等. 基于計(jì)算機(jī)視覺的集裝箱箱號(hào)識(shí)別[J]. 港口裝卸，2018（1）：1-4.

[13]曹林根，宓超. 集裝箱箱號(hào)字符識(shí)別算法研究[J/OL]. 計(jì)算機(jī)工程與應(yīng)用：1-11[2021-08-25].http：//kns.cnki.net/kcms/detail/11.2127.TP.20200805.1034.004.html.

[14]沈寒蕾， 徐婕， 鄒斌. 基于MSER的集裝箱號(hào)低秩矯正研究[J]. 工程數(shù)學(xué)學(xué)報(bào)， 2018，35 （2） ：123-136.

[15]崔循，景文博，于洪洋，等. 基于改進(jìn)Faster R-CNN的集裝箱箱號(hào)定位算法[J]. 長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，43（1）：45-50.

[16]谷秋頔. 基于模板匹配的車牌字符識(shí)別及其判別函數(shù)的研究[D]. 太原：中北大學(xué)， 2012.

[17]張金鳳. 基于MATLAB的車牌識(shí)別系統(tǒng)設(shè)計(jì)[J]. 信息與電腦（理論版），2021，33（2）：153-155.

[18]MUOZ-GEA J P， MANZANARES-LOPEZ P， MALGOSA J，et al. Design and implementation of a P2P communication infrastructure for WSN-based vehicular traffic control applications[J]. Journal of Systems Architecture， 2013， 59（10）： 923-930.

[19]CHEN Honglong， MA Guolei， WANG Zhibo， et al. Probabilistic detection of missing tags for anonymous multi-Category RFID systems[J]. IEEE Transactions on Vehicular Technology， 2017，66（12）：11295-11305.

作者簡(jiǎn)介： 姚 礪（1967-），男，博士，副教授，主要研究方向：圖像處理; 李莉莉（1996-），女，碩士研究生，主要研究方向：圖像處理; 萬(wàn) 燕（1970-），女，博士，教授， 主要研究方向：圖像處理。

通訊作者： 李莉莉Email：18790465812@163.com

收稿日期： 2021-04-27