本發明屬于焊縫膠片字符識別相關技術領域，其公開了一種基于Tiny?YOLO v3的焊縫膠片字符識別方法，該方法包括：將Tiny?YOLO v3網絡中除上層預設層數外的多層3×3卷積層替換為特征融合提取的GCF模塊，將預測層替換為小尺度預測層，并更新了網絡中的anchor值，獲得了優化后的Tiny?YOLO v3網絡；對優化后的Tiny?YOLO v3網絡進行訓練獲得訓練完成的Tiny?YOLO v3網絡；采用訓練完成的Tiny?YOLO v3網絡對待測試焊縫膠片數據進行識別即可獲得焊縫膠片上的字符。本發明可以在確保網絡對目標具備高檢測精度的同時，具有更小的模型尺寸，更快的訓練和檢測速度。

技術領域

本發明屬于焊縫膠片字符識別相關技術領域，更具體地，涉及一種基于Tiny-YOLOv3的焊縫膠片字符識別方法。

背景技術

特種設備等公司所使用的焊縫圖像大多都是使用X射線進行投射得到的膠片圖像，焊縫膠片圖像上包含著用于識別焊縫信息的文字或符號，對這些字符進行準確識別對于追溯整個焊縫檢測過程有著決定性作用。目前深度神經網絡結構日益復雜，在提高檢測精度的同時增大了對高性能硬件的依賴性，出于對成本的考慮，大部分企業不會購置計算與存儲能力更強設備用于檢測任務，故現有的卷積神經網絡不能滿足特種設備企業信息檢測的實用性要求，盡管已有一些針對該任務的輕量化網絡，但其網格模型大小仍舊超過了50MB，且識別準確率在95％以下，模型各方面能力均還有待提高。因此，需要設計一種更加輕量化性能更高的神經網絡，在保證神經網絡準確率的基礎上對網絡進行壓縮，使之滿足檢測任務準確性、實時性與檢測設備便攜性和經濟性的要求。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于Tiny-YOLO v3的焊縫膠片字符識別方法，可以提供了一種更加輕量化，識別準確性更高的焊縫膠片字符識別方法，極大的降低了檢測模型在工業應用過程中對高性能硬件的依賴。

為實現上述目的，按照本發明的一個方面，提供了一種基于Tiny-YOLO v3的焊縫膠片字符識別方法，所述方法包括：S1，將Tiny-YOLO v3網絡中除上層預設層數外的多層3×3卷積層替換為特征融合提取的GCF模塊；S2，將所述Tiny-YOLO v3網絡的大尺度和中尺度的預測層替換為小尺度預測層；S3，根據樣本的尺寸替換所述Tiny-YOLO v3網絡的anchor值，至此完成了所述Tiny-YOLO v3網絡的優化；S4，對優化后的所述Tiny-YOLO v3網絡進行訓練以更新所述Tiny-YOLO v3網絡的權重值獲得訓練完成的Tiny-YOLO v3網絡；S5，采用訓練完成的Tiny-YOLO v3網絡對待測試焊縫膠片數據進行識別即可獲得焊縫膠片上的字符。

優選地，并將所述Tiny-YOLO v3網絡的每個柵格中的anchor的數量設置為1個。

優選地，所述GCF模塊由Ghost模塊和CSP特征融合模塊結合而成，具體結合步驟如下：所述GSP特征融合模塊將輸入特征圖在維度上均分為兩部分，其中第一部分不進行任何操作，第二部分輸入Ghost模塊進行特征提取后與所述第一部分進行堆疊。

優選地，所述第二部分輸入Ghost模塊進行特征提取的步驟為：第二部分特征圖依次輸入卷積層、歸一化層和激活層后獲得中間特征圖，將所述中間特征圖依次進入深度卷積層、歸一化層和激活層后與所述中間特征圖堆疊后輸出。

優選地，步驟S1中具體為將Tiny-YOLO v3網絡的除第一層外的多層3×3卷積層替換為特征融合提取的GCF模塊。

優選地，所述步驟S3中所述根據樣本的尺寸替換所述Tiny-YOLO v3網絡的anchor值具體步驟為：S3’，獲取具有焊縫膠片圖像數據集中的每個真實標注框的長度和寬度，并求取其平均值，將該平均值加入到所述焊縫膠片圖像數據集中重新求取平均值，將獲得的平均值加入上一焊縫膠片圖像數據集中再次求解平均值，以此方式不斷向所述焊縫膠片圖像數據集中添加平均值數據，直至求解的平均值與求解的上一平均值誤差小于預設值，則根據最終求解的平均值尺寸獲取anchor值。