本發(fā)明涉及一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，屬于計(jì)量資產(chǎn)全壽命周期管理領(lǐng)域。

背景技術(shù)：

1、計(jì)量資產(chǎn)號(hào)碼，是計(jì)量設(shè)備的唯一身份編碼，用來(lái)識(shí)別每一個(gè)計(jì)量資產(chǎn)而給資產(chǎn)指定的一組號(hào)碼。由于計(jì)量資產(chǎn)編碼具有唯一性，同時(shí)蝕刻在計(jì)量設(shè)備上不易篡改，因此在計(jì)量資產(chǎn)回收分揀時(shí)具有重要意義。

2、隨著國(guó)網(wǎng)公司對(duì)計(jì)量設(shè)備全壽命周期管理的重視，近年來(lái)各類型拆回計(jì)量設(shè)備除了要求全量回收外，還要求為每只設(shè)備建立數(shù)字檔案庫(kù)，拍照并用資產(chǎn)編碼命名照片進(jìn)行存儲(chǔ)。以電能表分揀為例，目前工作人員使用高拍儀逐只拾取電能表并拍照，通過(guò)高拍儀自帶的條形碼識(shí)別軟件對(duì)照片進(jìn)行重命名，每一步都需要人工操作，效率緩慢。同時(shí)受限于高拍儀照相機(jī)識(shí)別角度、光線、電能表表面臟污情況等因素影響，電能表資產(chǎn)識(shí)別準(zhǔn)確率也較低，往往需要大量的人工干預(yù)，費(fèi)時(shí)費(fèi)力。因此，本發(fā)明提出一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法來(lái)解決以上問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、根據(jù)背景所述問(wèn)題，本發(fā)明基于神經(jīng)網(wǎng)絡(luò)和條形碼的識(shí)別技術(shù)，提出了一種復(fù)雜場(chǎng)景下計(jì)量設(shè)備資產(chǎn)號(hào)碼圖像識(shí)別方法。首先利用輕量級(jí)神經(jīng)網(wǎng)絡(luò)提取圖像特征，快速定位任意角度任意背景下的資產(chǎn)編號(hào)區(qū)域，在此區(qū)域內(nèi)，利用序列分類器實(shí)現(xiàn)對(duì)文本字符串的識(shí)別，不僅速度快而且準(zhǔn)確度高。同時(shí)結(jié)合條形碼解碼技術(shù)實(shí)現(xiàn)對(duì)計(jì)量設(shè)備資產(chǎn)編碼的識(shí)別，保證資產(chǎn)編號(hào)快速識(shí)別的同時(shí)提高識(shí)別準(zhǔn)確性。最后，通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性，編寫python程序，實(shí)現(xiàn)對(duì)圖片集的批量識(shí)別和重命名。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，包括步驟：

3、s1、卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼：利用輕量級(jí)神經(jīng)網(wǎng)絡(luò)提取圖像特征，快速定位任意角度任意背景下的資產(chǎn)編號(hào)區(qū)域，在此區(qū)域內(nèi)，利用序列分類器實(shí)現(xiàn)對(duì)文本字符串的識(shí)別；

4、s2、條形碼識(shí)別提取資產(chǎn)編碼：結(jié)合條形碼解碼技術(shù)實(shí)現(xiàn)對(duì)計(jì)量設(shè)備資產(chǎn)編碼的識(shí)別；

5、s3、通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性：編寫python程序，實(shí)現(xiàn)對(duì)圖片集的批量識(shí)別和重命名。

6、其中，所述步驟s1中卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼為利用輕量級(jí)神經(jīng)網(wǎng)絡(luò)提取圖像特征，即把資產(chǎn)號(hào)碼的識(shí)別當(dāng)作序列相關(guān)的分類，同時(shí)直接忽略不需要識(shí)別的其他邊緣字符。所述的步驟s1卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼用于計(jì)量設(shè)備資產(chǎn)號(hào)碼特征提取的主干網(wǎng)絡(luò)結(jié)構(gòu)為vggnet，提取圖片特征使用3×3卷積核。所述的步驟s1卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼中特征池化層為maxpool層，使采樣結(jié)果在2倍圖像上進(jìn)行采樣，且網(wǎng)絡(luò)在下采樣時(shí)采用向下取整。所述的步驟s1卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼中用于計(jì)算vin識(shí)別網(wǎng)絡(luò)的損失函數(shù)為和m是計(jì)量設(shè)備資產(chǎn)號(hào)碼的總長(zhǎng)度，設(shè)為22；n是字符的所有類別，n設(shè)為33；對(duì)于第k個(gè)字符，預(yù)測(cè)值yk和真實(shí)標(biāo)簽的交叉熵?fù)p失，lrec是所有分類器的損失和。

7、進(jìn)一步的，所述的步驟s2卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼過(guò)程中，在訓(xùn)練檢測(cè)網(wǎng)絡(luò)時(shí)，對(duì)訓(xùn)練圖片以任意方向旋轉(zhuǎn)以提升檢測(cè)多角度圖片的效果，使用python函數(shù)旋轉(zhuǎn)原圖片和四邊形文本框標(biāo)簽。所述的步驟s2條形碼識(shí)別提取資產(chǎn)編碼導(dǎo)入的軟件包使用numpy做數(shù)值計(jì)算，argparse用來(lái)解析命令行參數(shù)，opencv來(lái)做圖像識(shí)別。所述的步驟s2條形碼識(shí)別提取資產(chǎn)編碼需要從磁盤載入圖像并轉(zhuǎn)換為灰度圖，使用scharr操作后構(gòu)造灰度圖在水平和豎直方向上的梯度幅值表示，scharr操作后，從x-gradient中減去y-gradient，通過(guò)這一步減法操作，最終得到包含高水平梯度和低豎直梯度的圖像區(qū)域；對(duì)區(qū)域圖像進(jìn)行透視變換進(jìn)行傾斜矯正，再通過(guò)圖像去噪操作將關(guān)注點(diǎn)集中到條形碼區(qū)域，首先使用9*9的內(nèi)核對(duì)梯度圖進(jìn)行平均模糊化，然后將模糊化后的圖形進(jìn)行二值化，梯度圖中任何小于等于255的像素設(shè)為0(黑色)，其余設(shè)為255(白色)；使用形態(tài)學(xué)操作來(lái)消除條形碼中垂直之間的縫隙，使算法更容易檢測(cè)到條形碼中的“斑點(diǎn)”狀區(qū)域，使用4次腐蝕，4次膨脹消除小斑點(diǎn)，即可用算法檢測(cè)到條形碼區(qū)域并進(jìn)行識(shí)別。

8、進(jìn)一步的，所述的步驟s3通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性將卷積神經(jīng)網(wǎng)絡(luò)提取到的資產(chǎn)編碼與條形碼識(shí)別提取到的資產(chǎn)編碼進(jìn)行比對(duì)，通過(guò)字符串長(zhǎng)度、是否含有文字，字符串前綴匹配度三個(gè)判斷項(xiàng)得出兩種提取編碼方式的對(duì)比結(jié)果。所述的步驟s3通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性中，使用卷積神經(jīng)網(wǎng)絡(luò)提取到的資產(chǎn)編碼與條形碼識(shí)別提取到的資產(chǎn)編碼得到的兩種結(jié)果，當(dāng)兩種結(jié)果中的3個(gè)判斷項(xiàng)均正確時(shí)，算法會(huì)優(yōu)先選取卷積神經(jīng)網(wǎng)絡(luò)的文字識(shí)別結(jié)果做為輸出結(jié)果；當(dāng)兩種結(jié)果中的某一種3個(gè)判斷項(xiàng)均正確時(shí)，算法會(huì)選取此結(jié)果作為輸出結(jié)果；當(dāng)兩種結(jié)果中的3個(gè)判斷項(xiàng)存在交叉錯(cuò)誤時(shí)，算法會(huì)選取正確的判斷項(xiàng)對(duì)結(jié)果進(jìn)行融合，并將結(jié)果輸出到需人工核驗(yàn)數(shù)據(jù)庫(kù)中；當(dāng)兩種結(jié)果中的3個(gè)判斷項(xiàng)全部錯(cuò)誤時(shí)，算法將不輸出結(jié)果，交由人工進(jìn)行識(shí)別。

9、本發(fā)明的有益效果是：

10、在卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼過(guò)程中，輕量級(jí)神經(jīng)網(wǎng)絡(luò)提取圖像特征，在此區(qū)域內(nèi)，利用序列分類器實(shí)現(xiàn)對(duì)文本字符串的識(shí)別，能夠提高提取資產(chǎn)編碼的速度和準(zhǔn)確率。使用vggnet樹(shù)干額那個(gè)羅結(jié)構(gòu)提取如片特征能夠保證圖片文字識(shí)別的魯棒性，避免了因拍攝角度的而導(dǎo)致的識(shí)別率低下的問(wèn)題，使用條形碼提取資產(chǎn)編碼能夠快速、有效地識(shí)別圖片中的計(jì)量設(shè)備資產(chǎn)編碼，之后通過(guò)通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性，將兩種方式提取結(jié)果進(jìn)行分析比較，能夠快速提取出準(zhǔn)確度更高的資產(chǎn)編碼，較目前使用的方法時(shí)間效率提升約95％，識(shí)別準(zhǔn)確度提升5％，能有效解決人工操作費(fèi)時(shí)費(fèi)力的問(wèn)題，提高勞動(dòng)生產(chǎn)效率，提升計(jì)量資產(chǎn)全壽命周期管理水平。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，包括步驟：

2.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述步驟s1中卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼為利用輕量級(jí)神經(jīng)網(wǎng)絡(luò)提取圖像特征，即把資產(chǎn)號(hào)碼的識(shí)別當(dāng)作序列相關(guān)的分類，同時(shí)直接忽略不需要識(shí)別的其他邊緣字符。

3.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s1卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼用于計(jì)量設(shè)備資產(chǎn)號(hào)碼特征提取的主干網(wǎng)絡(luò)結(jié)構(gòu)為vggnet，提取圖片特征使用3×3卷積核。

4.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s1卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼中特征池化層為maxpool層，使采樣結(jié)果在2倍圖像上進(jìn)行采樣，且網(wǎng)絡(luò)在下采樣時(shí)采用向下取整。

5.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s1卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼中用于計(jì)算vin識(shí)別網(wǎng)絡(luò)的損失函數(shù)為和m是計(jì)量設(shè)備資產(chǎn)號(hào)碼的總長(zhǎng)度，設(shè)為22；n是字符的所有類別，n設(shè)為33；對(duì)于第k個(gè)字符，預(yù)測(cè)值yk和真實(shí)標(biāo)簽的交叉熵?fù)p失，lrec是所有分類器的損失和。

6.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s2卷積神經(jīng)網(wǎng)絡(luò)提取資產(chǎn)編碼過(guò)程中，在訓(xùn)練檢測(cè)網(wǎng)絡(luò)時(shí)，對(duì)訓(xùn)練圖片以任意方向旋轉(zhuǎn)以提升檢測(cè)多角度圖片的效果，使用python函數(shù)旋轉(zhuǎn)原圖片和四邊形文本框標(biāo)簽。

7.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s2條形碼識(shí)別提取資產(chǎn)編碼導(dǎo)入的軟件包使用numpy做數(shù)值計(jì)算，argparse用來(lái)解析命令行參數(shù)，opencv來(lái)做圖像識(shí)別。

8.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s2條形碼識(shí)別提取資產(chǎn)編碼需要從磁盤載入圖像并轉(zhuǎn)換為灰度圖，使用scharr操作后構(gòu)造灰度圖在水平和豎直方向上的梯度幅值表示，scharr操作后，從x-gradient中減去y-gradient，通過(guò)這一步減法操作，最終得到包含高水平梯度和低豎直梯度的圖像區(qū)域；對(duì)區(qū)域圖像進(jìn)行透視變換進(jìn)行傾斜矯正，再通過(guò)圖像去噪操作將關(guān)注點(diǎn)集中到條形碼區(qū)域，首先使用9*9的內(nèi)核對(duì)梯度圖進(jìn)行平均模糊化，然后將模糊化后的圖形進(jìn)行二值化，梯度圖中任何小于等于255的像素設(shè)為0(黑色)，其余設(shè)為255(白色)；使用形態(tài)學(xué)操作來(lái)消除條形碼中垂直之間的縫隙，使算法更容易檢測(cè)到條形碼中的“斑點(diǎn)”狀區(qū)域，使用4次腐蝕，4次膨脹消除小斑點(diǎn)，即可用算法檢測(cè)到條形碼區(qū)域并進(jìn)行識(shí)別。

9.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s3通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性將卷積神經(jīng)網(wǎng)絡(luò)提取到的資產(chǎn)編碼與條形碼識(shí)別提取到的資產(chǎn)編碼進(jìn)行比對(duì)，通過(guò)字符串長(zhǎng)度、是否含有文字，字符串前綴匹配度三個(gè)判斷項(xiàng)得出兩種提取編碼方式的對(duì)比結(jié)果。

10.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，其特征在于，所述的步驟s3通過(guò)可信度標(biāo)簽提升識(shí)別結(jié)果準(zhǔn)確性中，使用卷積神經(jīng)網(wǎng)絡(luò)提取到的資產(chǎn)編碼與條形碼識(shí)別提取到的資產(chǎn)編碼得到的兩種結(jié)果，當(dāng)兩種結(jié)果中的3個(gè)判斷項(xiàng)均正確時(shí)，算法會(huì)優(yōu)先選取卷積神經(jīng)網(wǎng)絡(luò)的文字識(shí)別結(jié)果做為輸出結(jié)果；當(dāng)兩種結(jié)果中的某一種3個(gè)判斷項(xiàng)均正確時(shí)，算法會(huì)選取此結(jié)果作為輸出結(jié)果；當(dāng)兩種結(jié)果中的3個(gè)判斷項(xiàng)存在交叉錯(cuò)誤時(shí)，算法會(huì)選取正確的判斷項(xiàng)對(duì)結(jié)果進(jìn)行融合，并將結(jié)果輸出到需人工核驗(yàn)數(shù)據(jù)庫(kù)中；當(dāng)兩種結(jié)果中的3個(gè)判斷項(xiàng)全部錯(cuò)誤時(shí)，算法將不輸出結(jié)果，交由人工進(jìn)行識(shí)別。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于深度深度學(xué)習(xí)和條形碼識(shí)別技術(shù)提升計(jì)量資產(chǎn)全壽命周期管理水平的方法，涉及計(jì)量資產(chǎn)全壽命周期管理領(lǐng)域，基于神經(jīng)網(wǎng)絡(luò)和條形碼的識(shí)別技術(shù)，提出了一種復(fù)雜場(chǎng)景下計(jì)量設(shè)備資產(chǎn)號(hào)碼圖像識(shí)別方法：首先利用輕量級(jí)神經(jīng)網(wǎng)絡(luò)提取圖像特征，快速定位任意角度任意背景下的資產(chǎn)編號(hào)區(qū)域，在此區(qū)域內(nèi)，利用序列分類器實(shí)現(xiàn)對(duì)文本字符串的識(shí)別，不僅速度快而且準(zhǔn)確度高；同時(shí)結(jié)合條形碼解碼技術(shù)實(shí)現(xiàn)對(duì)計(jì)量設(shè)備資產(chǎn)編碼的識(shí)別，保證資產(chǎn)編號(hào)快速識(shí)別的同時(shí)提高識(shí)別準(zhǔn)確性；最后，編寫python程序，實(shí)現(xiàn)對(duì)圖片集的批量識(shí)別和重命名；以此來(lái)提升計(jì)量資產(chǎn)全壽命周期管理水平。

技術(shù)研發(fā)人員：孫科,韓笑妍,臧曉菲,張曉悅
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)山東省電力公司膠州市供電公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19