基于深度信任網(wǎng)絡(luò)模型的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別方法

摘"要：精準(zhǔn)識(shí)別鐵路車(chē)號(hào)可以為煤廠(chǎng)裝車(chē)提供依據(jù)，從而保證裝車(chē)環(huán)節(jié)高效順利地完成。為此，提出了基于深度信任網(wǎng)絡(luò)模型的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別方法。首先，利用高速攝像機(jī)設(shè)備采集原始的車(chē)號(hào)圖像，并利用索貝爾算子檢測(cè)圖像邊界；然后，根據(jù)列車(chē)車(chē)號(hào)的字體筆畫(huà)寬度特點(diǎn)，采筆畫(huà)寬度變換算法定位確定圖像中的車(chē)號(hào)區(qū)域，并利用LBP算法提取車(chē)號(hào)區(qū)域內(nèi)的特征；最后，將提取的特征輸入到深度信任網(wǎng)絡(luò)模型中，在訓(xùn)練網(wǎng)絡(luò)模型并不斷更新參數(shù)后，準(zhǔn)確識(shí)別車(chē)號(hào)圖像。實(shí)驗(yàn)表明：該方法能夠精準(zhǔn)識(shí)別烏東選煤廠(chǎng)鐵路列車(chē)車(chē)號(hào)圖像。在深度信任網(wǎng)絡(luò)模型中，當(dāng)受限玻爾茲曼機(jī)網(wǎng)絡(luò)為4層、隱含層節(jié)點(diǎn)個(gè)數(shù)為128個(gè)時(shí)，該模型的分類(lèi)識(shí)別能力最強(qiáng)，訓(xùn)練損失最小，性能最佳。

關(guān)鍵詞：深度信任網(wǎng)絡(luò)；邊界檢測(cè)；車(chē)號(hào)定位；圖像識(shí)別；筆畫(huà)寬度變換；特征提取

中圖分類(lèi)號(hào)：TP751""""""文獻(xiàn)標(biāo)識(shí)碼：A

Image"Recognition"Method"of"Railway"Car"Number"of"Wudong"

Coal"Preparation"Plant"Based"on"Deep"Trust"Network"Model

WEI"Weijie1，"QI"Jian1，"ZHOU"Nan1，"LIU"Huanan1，"GAO"Huiying2

（1.National"Energy"Group"Xinjiang"Energy"Co.，"Ltd.，"washing"Center，Urumqi，"Xinjiang"830000，"China;

2.Tianjin"Meiteng"Technology"Co.，Ltd.，"Tianjin"300000，China）

Abstract：Accurate"identification"of"railway"vehicle"number"can"provide"basis"for"coal"plant"loading，"thus"ensuring"the"efficient"and"smooth"completion"of"the"loading"process."Therefore，"a"method"of"railway"vehicle"number"image"recognition"based"on"deep"trust"network"model"in"Wudong"Coal"Preparation"Plant"is"proposed."Firstly，"the"original"vehicle"number"image"is"collected"by"highspeed"camera"equipment，"and"the"image"boundary"is"detected"by"Sobel"operator;"Then，"based"on"the"font"stroke"width"characteristics"of"the"train"number，"a"stroke"width"transformation"algorithm"is"used"to"locate"and"determine"the"train"number"area"in"the"image，"and"the"LBP"algorithm"is"used"to"extract"features"within"the"train"number"area;"Finally，"the"extracted"features"are"input"into"the"deep"trust"network"model."After"training"the"network"model"and"constantly"updating"the"parameters，"the"vehicle"number"image"is"accurately"recognized."The"experiment"shows"that"this"method"can"accurately"recognize"the"train"number"image"of"Wudong"Coal"Preparation"Plant."In"the"deep"trust"network"model，"when"the"restricted"Boltzmann"network"is"4"layers"and"the"number"of"hidden"layer"nodes"is"128，"the"model"has"the"strongest"classification"recognition"ability，"the"minimum"training"loss"and"the"best"performance.

Key"words：deep"trust"network;"boundary"detection;"vehicle"number"positioning;"image"recognition;"stroke"width"change;"feature"extraction

烏東選煤廠(chǎng)坐落于新疆，是我國(guó)西部地區(qū)規(guī)模最大的動(dòng)力煤選煤廠(chǎng)[1，2]。在該煤廠(chǎng)原裝車(chē)系統(tǒng)中，已配備了RFID車(chē)號(hào)識(shí)別系統(tǒng)，正常情況下可以滿(mǎn)足日常作業(yè)需求，但是車(chē)廂射頻識(shí)別IC卡消磁或RFID系統(tǒng)出現(xiàn)故障時(shí)，則無(wú)法對(duì)煤廠(chǎng)鐵路車(chē)號(hào)進(jìn)行識(shí)別，進(jìn)而影響裝車(chē)作業(yè)進(jìn)度。另外在自動(dòng)化改造的大環(huán)境下，對(duì)鐵路車(chē)號(hào)實(shí)行自動(dòng)化識(shí)別改造也是一種趨勢(shì)，所以提出另外一種鐵路車(chē)號(hào)圖像識(shí)別方法對(duì)原有RFID車(chē)號(hào)識(shí)別系統(tǒng)進(jìn)行補(bǔ)充非常必要[3-5]。

近年來(lái)，國(guó)內(nèi)外學(xué)者關(guān)于車(chē)號(hào)圖像識(shí)別問(wèn)題進(jìn)行了較多研究，并取得了一定的研究成果，如李猛坤等[6]利用車(chē)載視頻獲取原始車(chē)號(hào)圖像，再通過(guò)濾鏡算法對(duì)原始車(chē)號(hào)圖像實(shí)行預(yù)處理，去除圖像噪聲及畸變影響，再將去噪后的圖像輸入至深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中識(shí)別車(chē)號(hào)。王志明等[7]依據(jù)YOLOv3算法將車(chē)號(hào)圖像的識(shí)別過(guò)程分為兩個(gè)階段，首先是利用全局檢測(cè)確定車(chē)號(hào)所在區(qū)域，然后通過(guò)局部檢測(cè)獲取車(chē)號(hào)字符，依據(jù)字符的空間關(guān)系確定最終的車(chē)號(hào)。上述兩種方法雖然可以對(duì)車(chē)號(hào)圖像起到一定的識(shí)別作用，但是第一種方法在對(duì)車(chē)號(hào)圖像進(jìn)行識(shí)別前沒(méi)有對(duì)車(chē)號(hào)所在區(qū)域進(jìn)行定位，這會(huì)導(dǎo)致算法在對(duì)車(chē)號(hào)進(jìn)行識(shí)別時(shí)，不能直接找到準(zhǔn)確位置，影響識(shí)別效率；第二種方法則沒(méi)有對(duì)原始車(chē)號(hào)圖像進(jìn)行預(yù)處理，這樣會(huì)影響最終的識(shí)別效果。

此外，文獻(xiàn)[8]中提出了一種基于深度學(xué)習(xí)的模糊車(chē)牌字符識(shí)別方法，該方法首先將卷積循環(huán)神經(jīng)網(wǎng)絡(luò)中的常規(guī)卷積神經(jīng)網(wǎng)絡(luò)改為深度可分離的微改模型，并引入CTC損失函數(shù)訓(xùn)練網(wǎng)絡(luò)模型?；诖?，為避免模型訓(xùn)練過(guò)程過(guò)擬合，在損失函數(shù)中加入L2正則項(xiàng)。最后，引入批量歸一化算法來(lái)加快訓(xùn)練過(guò)程中的學(xué)習(xí)速度，使得該方法可以在復(fù)雜場(chǎng)景下識(shí)別模糊車(chē)牌字符。文獻(xiàn)[9]中提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜光照變化車(chē)牌圖像識(shí)別方法。該方法針對(duì)復(fù)雜光照變化環(huán)境，首先對(duì)車(chē)牌圖像的核心目標(biāo)實(shí)施聚類(lèi)增強(qiáng)，并將其輸入到深度可分離卷積網(wǎng)絡(luò)中，獲取車(chē)牌圖像特征圖。然后，將其變換為特征序列，通過(guò)雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與預(yù)測(cè)過(guò)程，得到車(chē)牌圖像特征序列，從而實(shí)現(xiàn)對(duì)車(chē)牌圖像的識(shí)別?；谏鲜龇治?，考慮到深度信任網(wǎng)絡(luò)模型是深度學(xué)習(xí)模型的一種，該模型兼具了無(wú)監(jiān)督學(xué)習(xí)與有監(jiān)督學(xué)習(xí)的優(yōu)點(diǎn)，具有學(xué)習(xí)深度高、分類(lèi)識(shí)別能力強(qiáng)的特點(diǎn)[10]，因此，本文提出基于深度信任網(wǎng)絡(luò)模型的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別方法，可以實(shí)現(xiàn)對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的精準(zhǔn)識(shí)別，具有較強(qiáng)的應(yīng)用性。

1"烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別

1.1"烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別基本框架

通常情況下，列車(chē)車(chē)號(hào)由字母和數(shù)字混合組成，采用噴繪的方式標(biāo)識(shí)在列車(chē)上[11，12]，烏東選煤廠(chǎng)也采用此種方法對(duì)鐵路列車(chē)車(chē)號(hào)進(jìn)行標(biāo)識(shí)。列車(chē)車(chē)號(hào)的特點(diǎn)主要為：

①車(chē)號(hào)字符容易受到光照條件影響；

②車(chē)號(hào)字符采用水平方式進(jìn)行排列，但沒(méi)有明顯輪廓邊框；

③車(chē)號(hào)區(qū)域周?chē)臋M向紋理較為顯著；

④車(chē)號(hào)字符的筆畫(huà)寬度大致相同，但大小未必相同。

根據(jù)烏東選煤廠(chǎng)鐵路列車(chē)運(yùn)行實(shí)際情況，結(jié)合列車(chē)車(chē)號(hào)的特點(diǎn)，設(shè)計(jì)了烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別基本框架，如圖1所示。

圖1"車(chē)號(hào)圖像識(shí)別基本框架

根據(jù)此基本框架可知，對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像進(jìn)行識(shí)別主要分為五個(gè)部分，即車(chē)號(hào)圖像的采集、圖像預(yù)處理、車(chē)號(hào)區(qū)域定位、圖像特征提取、字符識(shí)別。其中，車(chē)號(hào)區(qū)域定位是整個(gè)識(shí)別方法中較為重要的部分，它是進(jìn)行鐵路車(chē)號(hào)圖像識(shí)別的前提，只有精準(zhǔn)定位了車(chē)號(hào)所在區(qū)域，才能實(shí)現(xiàn)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的正確識(shí)別。

1.2"烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的采集與預(yù)處理

1.2.1"車(chē)號(hào)圖像采集

烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的采集可以通過(guò)高速攝像機(jī)、數(shù)碼相機(jī)等設(shè)備來(lái)實(shí)現(xiàn)，具體做法為：在拍攝區(qū)域內(nèi)安裝可調(diào)節(jié)支架，將裝有拍攝設(shè)備的保護(hù)箱固定在支架上，根據(jù)實(shí)際情況對(duì)支架高度與角度進(jìn)行調(diào)整，并利用LED光源對(duì)拍攝區(qū)域的光線(xiàn)進(jìn)行補(bǔ)償，以此提升拍攝圖像的質(zhì)量。

1.2.2"車(chē)號(hào)圖像預(yù)處理

由于采集到的烏東選煤廠(chǎng)鐵路原始車(chē)號(hào)圖像通常為連續(xù)的動(dòng)態(tài)圖像，圖像的邊界較為模糊，不利于車(chē)號(hào)的識(shí)別。為了增強(qiáng)車(chē)號(hào)圖像邊界，避免圖像干擾，就需要對(duì)采集到的原始車(chē)號(hào)圖像進(jìn)行邊界檢測(cè)。車(chē)號(hào)圖像邊界實(shí)際就是某些像素點(diǎn)的集合，這些像素點(diǎn)描述了四周像素灰度值出現(xiàn)階躍或屋頂?shù)母淖?，使圖像灰度具有間斷性。圖像邊界檢測(cè)的結(jié)果直接影響后續(xù)圖像的定位與識(shí)別。本文采用在邊界問(wèn)題中應(yīng)用較為廣泛的索貝爾（Sobel）算子對(duì)烏東選煤廠(chǎng)鐵路原始車(chē)號(hào)圖像進(jìn)行邊界檢測(cè)。

令G（x，y）表示烏東選煤廠(chǎng)鐵路原始車(chē)號(hào)圖像，選定相同尺寸區(qū)域中的數(shù)據(jù)，在3×3的矩陣模板中得到梯度值A(chǔ)。用A與設(shè)置好的臨界值C作對(duì)比。當(dāng)Agt;C時(shí)，該區(qū)域就是車(chē)號(hào)圖像的邊界；當(dāng)A≤C時(shí)，該區(qū)域不是車(chē)號(hào)圖像的邊界。另外，不同場(chǎng)景中，A與C的值也不一樣，應(yīng)根據(jù)車(chē)號(hào)圖像實(shí)際的拍攝條件對(duì)臨界值進(jìn)行相應(yīng)的設(shè)置。針對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的灰度值，可將上一幀圖像的平均梯度值當(dāng)作目前幀圖像的梯度臨界值，再采用模板對(duì)檢測(cè)后的烏東選煤廠(chǎng)鐵路車(chē)號(hào)二值圖像實(shí)行腐蝕操作，去除孤立點(diǎn)并細(xì)化圖像邊緣，得到邊界清晰的車(chē)號(hào)圖像。

1.3"基于SWT算法的烏東選煤廠(chǎng)鐵路車(chē)號(hào)區(qū)域定位

由于列車(chē)車(chē)號(hào)具有字體筆畫(huà)寬度較為相近的特點(diǎn)，為此本文從車(chē)號(hào)圖像的邊界特征著手，通過(guò)筆畫(huà)寬度變換（Stroke"Width"Transform，SWT）算法對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)進(jìn)行定位。SWT算法首先通過(guò)運(yùn)算得到關(guān)于筆畫(huà)寬度的車(chē)號(hào)圖像檢測(cè)圖，然后根據(jù)車(chē)號(hào)字符筆畫(huà)的寬度對(duì)檢測(cè)圖進(jìn)行挑選，形成連通域，提取所有具有可能性的候選車(chē)號(hào)區(qū)域，并分析這些候選區(qū)域的集合特征，從而獲取車(chē)號(hào)區(qū)域位置。

利用SWT算法對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)進(jìn)行定位的步驟如下。

步驟1：將經(jīng)過(guò)邊界檢測(cè)的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像輸入至SWT算法中。

步驟2：計(jì)算所有車(chē)號(hào)圖像邊界點(diǎn)的筆劃寬度。設(shè)定車(chē)號(hào)圖像邊界像素點(diǎn)用P描述，沿梯度方向的射線(xiàn)用H=P+nDP（n≥0）描述，其中，筆劃寬度用D描述，搜尋范圍用n=5D描述。由P開(kāi)始沿H進(jìn)行搜尋，若搜尋到另一個(gè)邊界像素Q，如果Q和P的梯度指向相反且DP+DQlt;π2，則終止搜尋，二者構(gòu)成一個(gè)筆畫(huà)，其寬度D=‖P－Q‖。如果在ngt;5D時(shí)，仍未找到符合要求的P，則選擇新的邊界點(diǎn)進(jìn)行上述操作。

步驟3：利用步驟2遍歷整個(gè)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像，得到SWT檢測(cè)圖，并進(jìn)行二值化操作。如果拐角位置出現(xiàn)同一邊界點(diǎn)存在多個(gè)筆畫(huà)寬度，且每個(gè)寬度值均不正確，那么就需要對(duì)其進(jìn)行二次運(yùn)算，得到合理的筆畫(huà)寬度值。

步驟4：根據(jù)車(chē)號(hào)字符筆畫(huà)的寬度對(duì)檢測(cè)圖進(jìn)行挑選，形成連通域。

步驟5：將獲取的分散的連通域形成車(chē)號(hào)區(qū)域。根據(jù)車(chē)號(hào)字體筆畫(huà)寬度較為相近的分布特點(diǎn)，通過(guò)閉運(yùn)算去掉中間間隔，初步篩選連通域，然后將符合筆畫(huà)寬度條件的像素點(diǎn)通過(guò)高斯濾波直接聚合成車(chē)號(hào)區(qū)域，再根據(jù)車(chē)號(hào)區(qū)域的幾何特征進(jìn)行二次篩選，最終鎖定車(chē)號(hào)區(qū)域位置。

1.4"烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別

為了減少模型的運(yùn)算量，提升車(chē)號(hào)圖像的識(shí)別效率，在對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像進(jìn)行識(shí)別前，先對(duì)其進(jìn)行特征提取。

1.4.1"基于LBP算法提取車(chē)號(hào)圖像特征

局部二值模式（Local"Binary"Patterns，LBP）算法是描述圖像局部特征的非參數(shù)算法，可以較好地表示出特征像素點(diǎn)和所有像素點(diǎn)的灰度關(guān)系，尤其在圖像紋理信息提取方面的表現(xiàn)極為突出[13-15]。而烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的特征主要就表現(xiàn)在紋理特征方面，因此本文利用該算法對(duì)其進(jìn)行特征提取。

通常情況下，LBP算法的鄰域?yàn)?×3的窗口，設(shè)定經(jīng)過(guò)定位后的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像中位于某一區(qū)域的像素點(diǎn)用sm（xm，ym）描述，并將其作為參考值。然后，對(duì)該像素點(diǎn)8個(gè)方向上的鄰域像素點(diǎn)實(shí)施二值化處理，從而獲得各像素點(diǎn)的灰度值s′。如果s′≤sm，那么鄰域點(diǎn)值就設(shè)置成0；如果灰度值s′gt;sm，則鄰域點(diǎn)值設(shè)置成1。關(guān)于LBP的編碼可以描述為：

TLBP（xm，ym）=∑7k=0f（sk－sm）2kf（x）=1，xgt;00，x≤0（1）

式中，位置是k的鄰域像素點(diǎn)用sk描述。

利用LBP算法提取烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像特征的過(guò)程可以描述為：首先利用LBP對(duì)車(chē)號(hào)圖像各像素點(diǎn)進(jìn)行編碼，得到烏東選煤廠(chǎng)鐵路車(chē)號(hào)LBP編碼圖像，然后提取LBP直方圖，利用直方圖描述烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像特征。為了方便后續(xù)運(yùn)算，將提取出的特征轉(zhuǎn)換為數(shù)據(jù)矩陣。

1.4.2"基于深度信任網(wǎng)絡(luò)模型的鐵路車(chē)號(hào)圖像

識(shí)別

深度信任網(wǎng)絡(luò)（Deep"Belief"Network，DBN）在各類(lèi)識(shí)別問(wèn)題中有著廣泛的應(yīng)用，其可以分為兩部分內(nèi)容，分別為受限玻爾茲曼機(jī)（RBM）網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)，其中RBM是無(wú)監(jiān)督網(wǎng)絡(luò)，層數(shù)為多個(gè)，而B(niǎo)P網(wǎng)絡(luò)則為有監(jiān)督網(wǎng)絡(luò)，層數(shù)為1個(gè)。本文采用DBN模型對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像進(jìn)行識(shí)別。

深度信任網(wǎng)絡(luò)的訓(xùn)練分為預(yù)訓(xùn)練與微調(diào)二部分。其中，預(yù)訓(xùn)練主要是針對(duì)RBM的訓(xùn)練，其訓(xùn)練方式為依次訓(xùn)練所有的層次；而微調(diào)部分則是利用對(duì)BP網(wǎng)絡(luò)的訓(xùn)練來(lái)調(diào)節(jié)整個(gè)DBN參數(shù)。總的來(lái)說(shuō)，訓(xùn)練RBM在本質(zhì)上就是對(duì)BP網(wǎng)絡(luò)權(quán)值的初始化，這樣可以解決BP網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)以及易進(jìn)入局部最優(yōu)的問(wèn)題，從而可以快速、準(zhǔn)確地對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像進(jìn)行識(shí)別。

①RBM

RBM的主要結(jié)構(gòu)為可見(jiàn)層和隱含層，二者間以神經(jīng)元互聯(lián)的形式連接，各層內(nèi)部則不存在任何連接。

設(shè)定可見(jiàn)層和隱含層都是二值變量，兩層中神經(jīng)元個(gè)數(shù)用I與J描述，可見(jiàn)層內(nèi)處于位置i的神經(jīng)元用vi描述，隱含層內(nèi)處于位置j的神經(jīng)元用hj描述，那么關(guān)于RBM的能量函數(shù)可以描述成：

E（v，hθ）=－∑Ii=1aivi－∑Jj=1bjhj－

∑Ii=1∑Jj=1wijvihj（2）

式中，vi和hj的連接權(quán)值用wij描述，二者的偏置值分別用ai和bj描述，RBM的參數(shù)用θ=（wij，ai，bj）描述?；贓（v，hθ），獲取關(guān)于（v，h）的聯(lián)合概率分布為：

p（v，hθ）=exp－E（v，hθ）/Z（θ）"（3）

式中，配分函數(shù)用Z（θ）=∑v∑hexp－E（v，hθ）描述。

因?yàn)镽BM中各層中的神經(jīng)元沒(méi)有任何連接關(guān)系，如果已知可見(jiàn)層中節(jié)點(diǎn)狀態(tài)，所有隱含層中節(jié)點(diǎn)在激活狀態(tài)下互為獨(dú)立，那么隱含層中位置是j的節(jié)點(diǎn)的激活概率可以描述為：

p（hj=1v，θ）=σ（bj+∑Ii=1wijvi）（4）

式中，Sigmoid函數(shù)用σ（x）=11+exp"－x描述。

如果已知隱含層中節(jié)點(diǎn)狀態(tài)，那么可見(jiàn)層中位置是i的節(jié)點(diǎn)的激活概率可以描述為：

p（vi=1h，θ）=σ（ai+∑Jj=1wijhj）（5）

獲取θ值是RBM訓(xùn)練要實(shí)現(xiàn)的目標(biāo)，只有得到θ值，才可以擬合訓(xùn)練數(shù)據(jù)。θ的獲取可以描述為：

θ=arg"max"L（θ）θ=

arg"max"∑Mm′=1ln"p（vm′θ）θ（6）

式中，似然函數(shù)用L（）描述，樣本數(shù)量用M描述，m′∈M。

利用對(duì)比散度（Contrastive"Divergence，CD）算法更新來(lái)RBM中的參數(shù)，過(guò)程如下：

Δwij=l（〈vihj〉data－〈vihj〉recon）（7）

Δai=l（〈vi〉data－〈vi〉recon）（8）

Δbj=l（〈hj〉data－〈hj〉recon）"（9）

式中，學(xué)習(xí)率用l描述，數(shù)學(xué)期望用〈〉data描述，更新后的期望用〈〉recon描述。

②BP網(wǎng)絡(luò)

在DBN中，可以將BP網(wǎng)絡(luò)看作有監(jiān)督的識(shí)別器，識(shí)別從RBM獲取的關(guān)于烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的向量信息，并調(diào)整深度信任網(wǎng)絡(luò)的參數(shù)，通過(guò)迭代尋優(yōu)實(shí)現(xiàn)對(duì)烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的準(zhǔn)確識(shí)別。

BP網(wǎng)絡(luò)的訓(xùn)練方式為前向與后向相結(jié)合的傳播方式。首先把RBM獲取的關(guān)于烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像向量信息由輸入層傳播至輸出層，得到烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別結(jié)果，用該結(jié)果與預(yù)設(shè)的期望結(jié)果對(duì)比可得二者誤差，此過(guò)程為前向傳播；后向傳播的目的在于向后回傳誤差，并調(diào)整DBN參數(shù)。在后向傳播時(shí)，需要求出各層的靈敏度ζ，利用ζ的傳播調(diào)整權(quán)值參數(shù)。在輸出層中，假設(shè)ci、gi分別表示節(jié)點(diǎn)i處的實(shí)際輸出與期望輸出，則ζ的計(jì)算過(guò)程為：

ζi=ci（1－ci）（gi－ci）"（10）

對(duì)于位置是l的隱含層來(lái)說(shuō)，其ζ可以描述為：

ζli=yli（1－yli）∑jwlijζl+1j"（11）

式中，隱含層l的輸出用yli描述。

求得每一層的靈敏度后，便可以更新DBN的權(quán)值參數(shù)，描述為：

wlij=wlij+l′×yliζl+1j（12）

blj=blj+l′×ζl+1j"（13）

利用上述方法便可完成DBN模型的構(gòu)建。將經(jīng)過(guò)特征提取后的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像數(shù)據(jù)輸入至DBN模型中，最終可實(shí)現(xiàn)車(chē)號(hào)圖像的識(shí)別。

綜上所述，基于LBPDBN算法的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別的實(shí)現(xiàn)過(guò)程如下。

過(guò)程1：在烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像樣本集中，劃分出訓(xùn)練集與測(cè)試集兩部分。然后利用LBP算法提取樣本特征，將提取后的特征轉(zhuǎn)換成行向量數(shù)據(jù)矩陣，將用于模型訓(xùn)練的特征數(shù)據(jù)矩陣集作為訓(xùn)練數(shù)據(jù)集。

過(guò)程2：構(gòu)建關(guān)于烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別的DBN模型。設(shè)置DBN模型RBN層數(shù)為4層、各隱含層節(jié)點(diǎn)個(gè)數(shù)為128個(gè)。

過(guò)程3：將轉(zhuǎn)換成特征數(shù)據(jù)矩陣的訓(xùn)練樣本輸入至構(gòu)建好的DBN模型內(nèi)進(jìn)行訓(xùn)練。在RBN網(wǎng)絡(luò)中，上一層隱含層的輸出可當(dāng)作下一層可見(jiàn)層的輸入，利用CD算法逐層迭代訓(xùn)練RBN網(wǎng)絡(luò)包含的所有層，直至訓(xùn)練完成，得到RBN網(wǎng)絡(luò)的最優(yōu)參數(shù)。

過(guò)程4：將獲取的RBN最優(yōu)參數(shù)輸入BP網(wǎng)絡(luò)中，在正反向傳播過(guò)程中，根據(jù)靈敏度的變化情況調(diào)整模型的參數(shù)，得到最優(yōu)模型。

過(guò)程5：將轉(zhuǎn)換成特征數(shù)據(jù)矩陣的測(cè)試樣本輸入至已調(diào)整好的DBN模型內(nèi)進(jìn)行測(cè)試，得到烏東選煤廠(chǎng)鐵路車(chē)號(hào)，完成對(duì)車(chē)號(hào)圖像的識(shí)別。

2"實(shí)驗(yàn)與結(jié)果分析

以烏東選煤廠(chǎng)鐵路列車(chē)為實(shí)驗(yàn)對(duì)象，該廠(chǎng)屬于礦井型選煤廠(chǎng)，使用的是重介工藝，洗選深度高，生產(chǎn)能力強(qiáng)，產(chǎn)品質(zhì)量好。該選煤廠(chǎng)生產(chǎn)出的產(chǎn)品主要通過(guò)鐵路運(yùn)輸?shù)姆绞竭M(jìn)行運(yùn)送。

為了驗(yàn)證本文方法的有效性，實(shí)驗(yàn)對(duì)烏東選煤廠(chǎng)鐵路列車(chē)車(chē)號(hào)進(jìn)行了識(shí)別。實(shí)驗(yàn)使用Basler"acA1920-40gc"GigE高速攝像機(jī)、Kowa"LM6HC工業(yè)鏡頭、100"W可控LED補(bǔ)償光源作為獲取原始車(chē)號(hào)圖像的拍攝設(shè)備。實(shí)驗(yàn)相關(guān)參數(shù)如表1所示。

由圖2可知，根據(jù)烏東選煤廠(chǎng)鐵路列車(chē)車(chē)號(hào)圖像平臺(tái)可以直觀(guān)地看出，利用本文方法對(duì)烏東選煤廠(chǎng)鐵路列車(chē)車(chē)號(hào)進(jìn)行了精準(zhǔn)定位與識(shí)別，最后得到的識(shí)別結(jié)果為C800025874，與采集的車(chē)號(hào)圖像信息一致。由此說(shuō)明本文方法有效，且識(shí)別精度高，可以為烏東選煤廠(chǎng)裝車(chē)作業(yè)提供依據(jù)。

Kappa系數(shù)是描述識(shí)別結(jié)果和參考數(shù)據(jù)符合程度的評(píng)價(jià)指標(biāo)，具有較強(qiáng)的客觀(guān)性。該指標(biāo)值與識(shí)別精度呈正相關(guān)性。因此實(shí)驗(yàn)在不同信噪比條件下，運(yùn)用Kappa系數(shù)對(duì)本文方法的性能進(jìn)行考量。Kappa系數(shù)可以描述為：

K=N∑i=1oii－∑i=1（oi+o′i）N2－∑i=1（oi+o′i）（14）

式中，樣本總數(shù)用N描述，混淆矩陣中位于第i行與第i列數(shù)據(jù)分別用oi和o′i描述。

經(jīng)過(guò)測(cè)試得出的實(shí)驗(yàn)結(jié)果，如圖3所示。

由圖3可知，利用本文方法識(shí)別烏東選煤廠(chǎng)鐵路列車(chē)車(chē)號(hào)圖像，在Kappa系數(shù)方面表現(xiàn)較好，即使是在信噪比為0，學(xué)習(xí)率為0.03的條件下，Kappa系數(shù)值也達(dá)到0.85以上；當(dāng)信噪比為160"dB，學(xué)習(xí)率為0.05時(shí)，Kappa系數(shù)值更是接近1。由此說(shuō)明，本文方法對(duì)于烏東選煤廠(chǎng)鐵路列車(chē)車(chē)號(hào)圖像的識(shí)別精度高，性能好。

為了測(cè)試網(wǎng)絡(luò)深度及節(jié)點(diǎn)個(gè)數(shù)對(duì)DBN模型分類(lèi)識(shí)別效果的影響，實(shí)驗(yàn)在識(shí)別不同數(shù)量烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的情況下，對(duì)DBN模型中RBN層數(shù)為3層、4層、5層時(shí)的識(shí)別精度，以及各隱含層節(jié)點(diǎn)個(gè)數(shù)分別為64、128、256時(shí)的訓(xùn)練損失情況進(jìn)行了測(cè)試，得出的結(jié)果如圖4所示。

由圖4可知，從識(shí)別精度方面看，RBN層數(shù)為4層時(shí)DBN模型的識(shí)別精度最高，均在95%以上，尤其是車(chē)號(hào)圖像數(shù)量為50時(shí)，識(shí)別精度已趨于100%，而其他結(jié)構(gòu)的DBN模型的在識(shí)別精度方面均遜色于該結(jié)構(gòu)。由此說(shuō)明，在DBN模型中RBN層數(shù)設(shè)置4層時(shí)，有著較強(qiáng)的分類(lèi)識(shí)別能力。

從訓(xùn)練損失方面看，各條訓(xùn)練損失曲線(xiàn)均隨著車(chē)號(hào)圖像數(shù)量的增加呈小幅度上升趨勢(shì)，其中各隱含層節(jié)點(diǎn)的數(shù)量為264個(gè)時(shí)，DBN模型的訓(xùn)練損失最大；隱含層節(jié)點(diǎn)的數(shù)量為128個(gè)時(shí)，訓(xùn)練損失值最小。

綜上所述，當(dāng)RBN層數(shù)為4層、各隱含層節(jié)點(diǎn)個(gè)數(shù)為128個(gè)時(shí)，DBN模型的分類(lèi)識(shí)別能力最強(qiáng)，訓(xùn)練損失最小，性能最佳。

3"結(jié)"論

為了解決烏東選煤廠(chǎng)原裝車(chē)系統(tǒng)中，有時(shí)不能識(shí)別鐵路列車(chē)車(chē)號(hào)的問(wèn)題，提出了一種基于深度信任網(wǎng)絡(luò)模型的烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像識(shí)別方法，對(duì)原有的裝車(chē)系統(tǒng)進(jìn)行了有力補(bǔ)充。該方法利用深度信任網(wǎng)絡(luò)模型較強(qiáng)的學(xué)習(xí)能力，實(shí)現(xiàn)了烏東選煤廠(chǎng)鐵路車(chē)號(hào)圖像的精確識(shí)別。通過(guò)實(shí)驗(yàn)證明，本文方法在車(chē)號(hào)圖像識(shí)別方面有著較好的表現(xiàn)，比較適合用于此類(lèi)問(wèn)題的解決。

參考文獻(xiàn)

［１］"郭松，范存群.基于重要度理論的圖像識(shí)別方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2021，27（9）：2736-2740.

[2]"劉昱彤，李鵬，孫云云，等.基于深度動(dòng)態(tài)聯(lián)合自適應(yīng)網(wǎng)絡(luò)的圖像識(shí)別方法[J].計(jì)算機(jī)科學(xué)，2021，48（6）：131-137.

[3]"王軍敏，樊養(yǎng)余，李祖賀.基于深度卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的紋理圖像識(shí)別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2022，34（5）：701-710.

[4]"胡龍輝，王朝立，孫占全，等.基于WGAN的圖像識(shí)別方法[J].控制工程，2020，27（12）：2168-2175.

[5]"樊紅衛(wèi)，胡德順，高爍琪，等.基于深度信念網(wǎng)絡(luò)的鐵譜圖像智能識(shí)別方法與試驗(yàn)驗(yàn)證[J].潤(rùn)滑與密封，2021，46（7）：15-22.

[6]"李猛坤，柯正軒，于定榮，等.基于移動(dòng)邊緣計(jì)算的車(chē)聯(lián)網(wǎng)車(chē)牌號(hào)碼識(shí)別算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2021，42（11）：3151-3157."

[7]"王志明，劉志輝，黃洋科，等.基于深度學(xué)習(xí)的高效火車(chē)號(hào)識(shí)別[J].工程科學(xué)學(xué)報(bào)，2020，42（11）：1525-1533.

[8]"張彩珍，李穎，康斌龍，等.基于深度學(xué)習(xí)的模糊車(chē)牌字符識(shí)別算法[J].激光與光電子學(xué)進(jìn)展，2021，58（16）：259-266.

[9]"陸志香，楊梅.基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜光照變化車(chē)牌圖像識(shí)別[J].激光雜志，2022，43（5）：145-150.

[10]劉洋，金忠.一種結(jié)合非局部和多區(qū)域注意力機(jī)制的細(xì)粒度圖像識(shí)別方法[J].計(jì)算機(jī)科學(xué)，2021，48（1）：197-203.

[11]趙升，趙黎.基于雙向特征金字塔和深度學(xué)習(xí)的圖像識(shí)別方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2021，26（2）：44-50."

[12]秦毅，吳蔚.基于CNN的計(jì)算機(jī)生成圖像識(shí)別方法[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，44（5）：109-114.

[13]曹子昱，任宛星，付連著，等.基于卷積神經(jīng)網(wǎng)絡(luò)的調(diào)車(chē)機(jī)車(chē)前方車(chē)列圖像識(shí)別算法[J].中國(guó)鐵道科學(xué)，2020，41（6）：156-163.

[14]徐自遠(yuǎn)，蔡妍娜.復(fù)雜形狀物體的圖像識(shí)別方法研究[J].計(jì)算機(jī)仿真，2022，39（6）：228-232.

[15]閆涵，張旭秀，張凈丹.多感知興趣區(qū)域特征融合的圖像識(shí)別方法[J].智能系統(tǒng)學(xué)報(bào)，2021，16（2）：263-270.