一种基于深度学习的芯片IMEI码检测识别方法与流程

技术特征：
1.一种基于深度学习的芯片imei码检测识别方法，其特征在于，主要包括以下步骤：(1.1)图像获取：通过置于结构化环境中的摄像头拍摄获取含有芯片的图像；(1.2)imei码定位与提取：基于所述含有芯片的图像，通过基于faster r-cnn由特征提取网络、rpn网络组成的定位模块定位出imei码坐标信息，区域提取模块根据所述坐标信息提取出只含imei码的图像，生成提取结果；(1.3)提取结果识别：基于所述提取结果，使用识别模块进行识别，得到具体imei码；(1.4)识别结果写入：基于所述具体imei码，写入装置将其写入对应芯片。2.如权利要求1所述的方法，其特征在于，所述步骤(1.1)中结构化环境是指装有芯片的写入装置上方；摄像头从芯片的上方拍摄得到含有芯片的图像。3.如权利要求1所述的方法，其特征在于，所述步骤(1.2)中所述特征提取网络，由五组卷积、激活、卷积、激活构成，其中第1至4组后接池化；所有卷积核大小都为3*3，pad为1，stride为1，所有池化核大小都为2*2，stride为2。4.如权利要求1所述的方法，其特征在于，所述步骤(1.2)中所述rpn网络包括：(4.1)rpn网络由锚框生成层、锚框分类层、锚框初定层、锚框确定层依次串联组成；(4.2)锚框生成层用于在特征图对应点生成对应锚点，每个锚点又对应3组共9个锚框；(4.3)锚框分类层用于计算每个锚点与真实框的iou值，并根据iou的大小判断锚点是否包含物体，包含物体的锚点即iou大于0.7记为正样本，其标签为1，不包含物体的锚点即iou小于0.3记为负样本，其标签为0；(4.4)锚框初定层通过softmax分类器对样本进行分类，并根据真实框回归出正样本对应的框的偏移值，得到锚框修正值；(4.5)锚框确定层对修正的后的锚框进一步筛选，得到最终锚框。5.如权利要求1所述的方法，其特征在于，所述步骤(1.2)中所述区域提取模块，其输入端分别与rpn网络输出端和图像获取模块输出端相连接；区域提取模块根据所述最终锚框在所述含芯片的图像上提取出只含imei码的图像。6.如权利要求4所述的锚框生成层，其特征在于，所述3组共9个锚框尺的寸根据imei码形状特点将每组内纵横比设为1：8、1：10、1：11，且第二组锚框为第一组2倍大，第三组锚框为第二组2倍大。7.如权利要求4所述锚框初定层，其特征在于，在对锚点进行分类时，分类损失为交叉熵损失：其中n表示样本总量，x表示样本值,y表示实际标签，a表示预测输出；在此处可表示为：其中w*h为特征图的尺寸，为锚点的标签值取0或1，a
i
表示锚点i被预测为正样本的概率；在回归正样本的修正值时，回归损失选取smooth l1:
在此处可表示为：其中w*h为特征图的尺寸,为锚点的标签值取0或1,t
i
为锚框坐标的回归值，为锚框的真实值。8.如权利要求4所述的锚框确定层，其特征在于，锚框的进一步筛选为以下步骤：(8.1)剔除较小框；(8.2)通过非极大值抑制确定最终锚框。9.如权利要求1所述的方法，其特征在于，所述识别模块识别为3组卷积层、池化层、relu激活函数，dropout层1，全连接层1，relu激活函数，droupot层2，输出层，softmax激活函数组成的卷积神经网络。10.根据权利要求1所述的基于深度学习的芯片imei码检测方法的系统，其特征在于：包括图像获取模块、定位模块、区域提取模块、识别模块、写入装置，所述的定位模块包括特征提取网络、rpn网络，所述rpn网络包括锚框生成层、锚框分类层、锚框初定层、锚框确定层；所述图像获取模块输出端分别与定位模块输入端和区域提取模块输入端相连，定位模块输出端与区域提取模块输入端相连，区域提取模块输出端与识别模块输入端相连，最终所得imei码送至写入装置，写入对应芯片。

技术总结
本发明提出一种基于深度学习的芯片IMEI码检测识别方法，旨在解决流水线上人工识别芯片IMEI码枯燥且低效率的问题。所述方法包括：图像获取；IMEI码定位与提取：通过定位模块定位出图像中IMEI码坐标信息，区域提取模块根据所述坐标信息提取出只含IMEI码的图像，生成提取结果；提取结果识别：用识别模块对提取结果识别得到具体IMEI码；识别结果写入：写入装置将得到的IMEI码写入对应芯片。将得到的IMEI码写入对应芯片。


技术研发人员：高放 李秋君 孙晴艺 石蓬勃 殷林飞 双丰
受保护的技术使用者：广西大学
技术研发日：2021.09.26
技术公布日：2022/1/10