基于BP神经网络的集装箱箱号识别
基于BP神经网络的集装箱识别系统
基于BP神经网络的集装箱识别系统摘要：我国作为全球水运的大国，集装箱的吞吐量连续多年在世界上处于首先地位。
快速高效地识别集装箱号码是一个亟需解决的问题。
集装箱识别系统主要包括图像预处理、集装箱号定位、箱号分割、箱号识别几个方面。
在图像预处理设计中，由于原图像为2816*2112大小的，处理速度较慢，所以先对图像进行压缩处理，接着用大津法对图像进行二值化。
采用投影法结合形态学变换中的腐蚀与膨胀对图像进行定位，对定位之后的结果进行归一化，再用边缘检测进行图像分割。
对分割之后的结果进行字符识别。
字符识别的方法有很多种，本次设计中采用BP神经网络进行集装箱号识别。
问题描述集装箱的号码由4个大写英文字母和7个阿拉伯数字组成，英文字母代表了箱主代号，阿拉伯数字的前六个为顺序号最后一个为校验号。
集装箱识别系统算法好坏的一个评价指标为识别率。
由于集装箱号的位置、大小、字体和倾斜度的不确定性，集装箱号是否分行的不确定性以及采集图像时的光照强度的不确定性，这些因素都影响着箱号的识别率。
怎样提高识别率呢？这将是本项目的重点和难点。
由于在图像处理过程中，定位、分割、识别共同决定了图像的识别率，识别率越高，算法的可行度就越好。
所以解决问题的关键就在于如何提高定位、分割、字符识别过程的准确性。
本文仅研究识别过程。
最常用的字符识别方法为模式匹配法和BP神经网络。
以下就这两种方法进行介绍。
模板匹配法模板匹配法是指先在图象中检测出己知形状的目标物，然后利用这个目标物的形状模板与图象匹配，在约定的某种准则下检测出目标物图象的过程。
它可以检测出图象中的线条、曲线和图案等。
在集装箱识别系统中最初通过计算明可夫斯基测度来寻找最相似的字符，由于最终识别率仅有73%左右，在工程中算法的可行度不够，为了提高字符识别阶段的识别率，开始尝试第二种算法：BP神经网络。
BP神经网络BP神经网络是误差反向传播神经网络的简称，是神经网络的一个重要分支，是有监督学习网络，也是在实际应用中最常见的网络。
基于bp神经网络的数字识别方法
基于bp神经网络的数字识别方法一．问题描述数字识别能够在汽车牌照、支票等有关数字的编号的识别方面有广泛的应用。
车牌等有字符和数字组成，采用固定的印刷字体。
在车牌识别中，因自然因素或采样因素导致采集到的数字样本存在一定的模糊与混杂等不同程度的污染，给字符识别带来很大的困难。
此处因字符和汉字识别的复杂性，并且对于车牌字符支票字符等图片数字要进行单个数字分割等设计很多图像处理内容，此处设计只对单个数字进行识别处理，本设计采用通过三种不同的字体及不同字号的数字为训练样本，并且选取不同大小数字和被污染得字体做为测试样本，通过图形处理等操作对被污染单个数字进行处理后识别，对其他不予考虑。
二．求解思路首先对图像进行预处理，以便于进行像素值的提取，对设计好的神经网络进行训练，对比训练的结果与期望的结构，并根据对比的结果对神经网络的一些权值进行修改，最终得到训练好的神经网络。
并选择测试样本，进行仿真测试。
三．设计方案1．图像预处理由于自然和人为因素影响，可能造成数字图像笔划缺损、噪声严重及几何形变等现象。
故识别前必须对图像进行必要的预处理。
图像处理流程：图1：图像处理流程2．特征提取对图像字符分割处理后得到单个数字，进行归一化处理，消除各个数字在位置和大小上的差异，提高识别的准确率。
过程为：截取数字图像像素值为0的最大矩形区域，将此区域的图像经过变换，将数字字符归一化为16*16的像素点阵图。
所有的训练样本和测试样本都要经过这样的处理。
3．bp神经网络设计与训练（1）bp神经网络的设计方法按照BP神经网络设计方法选用两层BP网络。
采用newff函数来建立BP网络。
其输入节点数为16×16＝256，隐层传输函数为Sigmoid函数。
假设用一个输出节点表示10个数字，则输出层传输函数为pureline，隐层节点数为256=++aa，取25。
1(10~1)（2）神经网络仿真程序设计构造训练样本集，并构成训练所需的输入向量p和目标向量t.通过画图工具获得数字。
基于BP神经网络的物流车辆识别
TECHNOLOGY WIND[摘要]车型识别是智能交通的重要组成部分。
本文针对降低物流产业的运输成本，论述了用BP 神经网络构建物流车辆识别模型，通过像素点的曲率与相对距离输入，得到车型类别，并通过算例分析其鲁棒性。
[关键词]物流车辆识别；BP 神经网络；曲率；相对距离基于BP 神经网络的物流车辆识别陈思远毛佳李薇（吉林大学，吉林长春130025）作为“第三利润源泉”的物流产业是一种专门化的服务行业，它集运输、配送于一体，通过车辆的运输来实现。
而如何在物件的配送、运输过程中实现透明化，如何为物流企业管理层提供准确的物流车辆配备信息，是一个关键性问题。
为解决这一问题，本文基于BP 神经网络，提出了物流车辆识别模型，算例分析表明其是一个有效的、精确的物流车辆识别系统。
1车型轮廓特征存储与匹配方法一般来说，车型识别过程包含以下几个阶段：图像采集、图像处理、车辆分割、特征提取和车型识别，本文着重介绍后面两个步骤。
1.1像素点的生成与存储本文中，利用微分几何思想对车辆轮廓图像进行提取，运用轮廓曲线上各点的曲率和相对距离，与数据库中数据进行匹配，从而达到识别目的。
k=△x △2y-△y △2x△x 2+△y 2()1）其中，k 为离散型的曲线上任一点P i x i ，y i ()的曲率。
为了使系统有更好的适应性，提出“曲率距离”的概念，实际上是指其相对距离。
∀p i 1∈C 1，p j 2∈C 2，定义DC p i 1，p j 2()：DC p i 1，p j 2()=k p i 1()-k p j2()k p i1()+k p j2()2）在存储之前，需要删去这些曲率值很小的点。
定义一个值σ，当曲率的绝对值大于这一数值时，才能够被存储，σ表达式如式3）：σ=1n i =1∑k p i()3）将筛选出来的点，按序存储在点对集合内。
∀p i 1∈C 1，p j 2∈C 2，定义PS 为点对集合，其表达式如式4）：PS=p i 1，p j 2()│p i 1∈C 1，p j 2∈C 2，DC i ，j ()≺εc ，k p i 1()≻σ{}4）其中，εc=12maxDC p i 1，p j 2()+minDC p i 1，p j 2()()在实际存储过程中，曲线上个点的曲率所取值的种类数量绝对小于曲线上像素点的数量，所以为了节约存储空间，我们采用链表相互结合的方式进行存储点对集合。
基于计算机视觉的集装箱箱号识别
基于计算机视觉的集装箱箱号识别黄深广1翁茂楠2史俞1刘清21宁波港信息通信有限公司2武汉理工大学自动化学院摘要：集装箱箱号识别是集装箱码头装卸作业实现自动化的-个关雛术。
基于计算机视觉技术对集装 箱箱号自动识别问题进行研究,分别针对闸口和岸边集装箱箱号智能识别对象和环境进行分析，提出自适用的滤 波技术对图像进行预处理，采用深度学习算法完成箱号识别。
经过大量的现场测试和应用，闸口和岸边集装箱箱 号识别系统的识别正确率分别达到了 97%和95%,且均能够满足实际应用对实时性的要求。
关翻：集装箱；计算机视觉；箱号识别Identification of Container Numbers Based on Computer VisionH u an g S h en g u an g1W eng M a o n a n2Shi Y u1L iu Q in g21Ningbo Port Group Information Communication Co.,Ltd.2 School of A utom ation，W uhan University of TechnologyA b stra c t：Identification of container numbers is a key technology to achieve handling automation in container wharf. Based on the computer vision technique,the automatic identification of container numbers is researched,and identification objects and environment about the gate and quayside container numbers are analyzed respectively.It is proposed that the picture is preprocessed by using auto-adapted filter technique,and the deep learning algorithm is applied to achieve number identification.After extensive site test and application,it is found that the identification accuracy of the system for gate and quayside container numbers reach97% and95% and can satisfy the requirement of instantaneity in practical application.K ey w o rd s：container；computer vision；number identification1引言中国经济的持续快速增长，极大地推动了中国 港口行业集装箱业务的快速发展。
集装箱箱号识别的方法
集装箱箱号识别的方法全文共四篇示例，供读者参考第一篇示例：集装箱箱号是海上运输中十分重要的标识符，通过箱号可以方便快捷地追踪集装箱的位置和货物的运输情况。
由于集装箱箱号通常由11位字母和数字组成，且长度短，因此识别起来并不容易。
在传统的人工识别方式下，需要耗费大量的时间和精力，效率低下。
研究如何利用计算机技术和人工智能来提高集装箱箱号识别的准确度和效率，具有重要的意义。
目前，针对集装箱箱号识别的方法主要有以下几种：一、基于深度学习的方法深度学习是目前人工智能领域的热门技术，具有较强的模式识别能力。
可以利用深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），对集装箱箱号进行识别。
通过数据预处理和特征提取，将集装箱箱号转换成适合输入深度学习模型的数据格式，然后训练模型并进行预测，最终实现准确的箱号识别。
二、基于光学字符识别（OCR）的方法光学字符识别是一种将文档或图像中的文本转换为可编辑文本的技术。
可以将集装箱箱号的图像输入到OCR系统中，实现自动识别。
通过训练OCR模型，可以提高箱号识别的准确度。
值得注意的是，由于集装箱箱号的特殊性，要求OCR系统具有较高的适应性和泛化能力。
三、基于模板匹配的方法模板匹配是一种常用的图像处理技术，通过比较图像中的模板与目标图像的相似度，实现目标识别。
可以通过构建集装箱箱号的模板，对箱号进行匹配和识别。
该方法简单易行，但对箱号的旋转、变形等情况较为敏感，需要进一步优化和改进。
四、基于规则的方法基于规则的方法是指利用已知的规则和特征对集装箱箱号进行识别。
可以通过箱号的特定结构和格式，设计相应的规则和算法来实现识别。
该方法适用于箱号较为规范和统一的情况下，但对于格式多样的箱号存在一定的局限性。
针对集装箱箱号识别的方法有多种选择，每种方法都有自己的优缺点和应用场景。
在实际应用中，可以根据具体情况选择合适的方法或结合多种方法进行提高识别效果。
未来随着人工智能技术的不断发展，相信集装箱箱号识别的准确度和效率会不断提升，为海上货运行业带来更多便利和效益。
基于模板匹配和特征匹配的集装箱箱号识别算法
基于模板匹配和特征匹配的集装箱箱号识别算法随着全球贸易的增长，集装箱运输在现代物流中扮演着重要角色。
而集装箱识别系统则是集装箱运输体系中的重要组成部分。
如何快速、准确地识别集装箱号码成为了研究热点之一。
本文针对基于模板匹配和特征匹配的集装箱箱号识别算法做了较全面的介绍。
一、模板匹配算法模板匹配算法常常用于图像的匹配识别中：在已知模板的前提下，通过在待匹配图像中寻找与模板相符的图像片段，来实现目标物体的自动检测和识别。
在集装箱箱号识别中，模板匹配算法通过提前提取待识别图像的特征，将其与一个高度匹配的模板进行比对匹配，从而识别出图像中的集装箱号码。
模板匹配算法的具体流程如下：1. 预处理图像：将原始图像进行灰度化，去噪声并进行二值化，提高图像质量。
2. 生成模板：从数据库或维护的模板库中选取一个大小与待匹配图像相同、具有代表性的模板。
3. 特征提取：对待匹配图像进行特征提取（常常采用LBP、HOG特征提取方法），提取的特征由多个特征向量组成，每个特征向量代表一个区域的特征。
4. 特征匹配：将提取的特征与模板进行匹配，计算出相似度。
5. 判断识别：将相似度与预定阈值进行比较，以确定匹配成功与否（通常考虑到误差因素，设置合适的阈值）。
模板匹配算法具有简单、快速的优点，能够有效地提高识别准确度，并且具有实时性，可用于实时取证、实时监控等应用。
但它也存在着匹配效果不好、泛化能力弱等问题。
特征匹配算法常常用于图像检索和识别中，它是一种以特征为基础的图像匹配方法，通过选取不变性好、易于提取的局部特征点，以此来描述图像，以提高图像的鲁棒性和鉴别性。
在集装箱箱号识别中，特征匹配算法同样采用LBP、HOG等特征提取方法，将提取的特征与自学习的分类器进行匹配识别，从而完成自动化识别的操作。
2. 学习分类器：通过多个已知的集装箱号码识别样本，训练一个分类器，对多类别进行分类。
分类器采用SVM、KNN等机器学习算法实现。
4. 判断识别：根据匹配结果判断是否能识别集装箱，并输出识别结果。
基于深度学习的实时集装箱箱号识别算法
3×3/1
3×3/1
3×3/1
3×3/1
3×3/1 1×1/1 3×3/1 1×1/1
1×1/1
1×1/1 1×1/1
输入 288×288×3 288×288×16 144×144×16 144×144×32 72×72×32 72×72×64 36×36×64 36×36×128 18×18×128 18×18×256 9×9×256 9×9×512 9×9×512 9×9×1024 9×9×256 9×9×512
图 1 算法整体流程图
1.2 箱号快速定位模块 1）前处理 为降低原始图片中的大量背景，提高箱号区域占比，
本文利用训练集上标注的箱号区域框，统计数据集中箱 号出现的位置。箱号区域框的统计热力图如图 2 所示。
图 2 箱号区域统计热力图
图 2 中热力图的颜色对应箱号区域的频度，横纵轴 表示图片的 x、y 坐标。
600×1 024 分辨率的图片，在水平方向上剔除 [0，460] 及 [1 460，1 600] 区间内的像素，在竖直方向上剔除 [0， 151] 及 [929，1 024] 区 间 内 的 像 素， 得 到 1 000×778 分辨率的图片。为进一步加快检测速度，本文将图片等 比例缩放到 288×288 分辨率后，进行箱号快速定位。
基于神经网络的货物识别系统设计分析
基于神经网络的货物识别系统设计分析简介：货物识别系统在现代物流业中起着至关重要的作用。
随着科技的不断发展，基于神经网络的货物识别系统逐渐成为一种有效的解决方案。
本文将对基于神经网络的货物识别系统的设计进行详细分析，并探讨其优势和应用前景。
一、引言货物识别是物流业中关键的步骤，它需要对货物进行准确、高效的识别和分类。
传统的货物识别方法往往依赖于人工判断和物理传感器等方式，但这些方法存在人力成本高、效率低、准确性不高等问题。
而基于神经网络的货物识别系统可以通过学习和训练，提高识别的准确性和效率，大大提升了物流业的运行效率和成本节约。
二、基于神经网络的货物识别系统设计原理1. 神经网络基本原理神经网络是一种仿生学思想的计算模型，通过构建多层神经元网络来模拟人类大脑的工作原理。
神经网络由输入层、隐藏层和输出层组成，每层都由多个神经元组成，通过调节神经元之间的连接权重和阈值来处理输入数据并输出结果。
2. 数据准备与预处理基于神经网络的货物识别系统需要大量的训练数据，以提高识别的准确性。
首先，需要采集和整理货物的图像数据，并进行标注和分类。
随后，对数据进行预处理，例如图像降噪、裁剪、缩放等操作，以保证后续神经网络训练的效果。
3. 网络架构设计根据货物识别的需求，需要设计合适的神经网络架构。
常用的网络架构包括卷积神经网络（CNN）、循环神经网络（RNN）和深度神经网络（DNN）等。
其中，CNN在图像识别领域较为常用，它能有效地提取图像的特征信息。
4. 模型训练与优化训练神经网络模型是货物识别系统设计的关键步骤。
通过反向传播算法和梯度下降算法，可以不断调整神经网络的参数，最小化预测结果与实际结果之间的误差。
为了提高模型的泛化能力，可以使用一些优化技术，如正则化、Dropout和批量归一化等。
三、基于神经网络的货物识别系统应用案例1. 物流行业基于神经网络的货物识别系统可以应用于物流行业中的货物分拣、入库和出库等环节。
一种基于卷积循环神经网络的集装箱箱号识别方法[发明专利]
![一种基于卷积循环神经网络的集装箱箱号识别方法[发明专利]](https://img.taocdn.com/s3/m/04225e24876fb84ae45c3b3567ec102de2bddfda.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010188543.6(22)申请日 2020.03.17(71)申请人 北京航天自动控制研究所地址 100854 北京市海淀区北京142信箱402分箱(72)发明人 张聪 靳松直 周斌 张辉 王浩 韦海萍 郑文娟 高仕博 郑智辉 郝梦茜 丛龙剑 刘严羊硕 李少军 刘燕欣 高琪 张艺明 (74)专利代理机构 中国航天科技专利中心11009代理人 高志瑞(51)Int.Cl.G06K 9/00(2006.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于卷积循环神经网络的集装箱箱号识别方法(57)摘要本发明公开了一种基于卷积循环神经网络的集装箱箱号识别方法，所述方法包括如下步骤：步骤1：采集集装箱样本图像，根据集装箱样本图像构建循环卷积神经网络模型，对循环卷积神经网络模型训练后得到分类器；步骤2：计算图像透视变换矩阵；步骤3：利用步骤2得到的图像透视变换矩阵对待检测集装箱图像进行透视变换得到视变换后的图像；步骤4：使用步骤1的分类器对透视变换后的图像进行字符识别得到字符识别结果；步骤5：利用集装箱箱号规则对字符识别结果进行核对校验，输出最终的箱号检测结果。
本发明对神经网络结构和参数进行优化，具有更高的识别率和可靠性；对图像进行透视变换，提高不同角度安装摄像头应用该方法的鲁棒性。
权利要求书3页 说明书6页 附图2页CN 111414844 A 2020.07.14C N 111414844A1.一种基于卷积循环神经网络的集装箱箱号识别方法，其特征在于，所述方法包括如下步骤：步骤1：采集集装箱样本图像，根据集装箱样本图像构建循环卷积神经网络模型，对循环卷积神经网络模型训练后得到分类器；步骤2：计算图像透视变换矩阵；步骤3：利用步骤2得到的图像透视变换矩阵对待检测集装箱图像进行透视变换得到视变换后的图像；步骤4：使用步骤1的分类器对透视变换后的图像进行字符识别得到字符识别结果；步骤5：利用集装箱箱号规则对字符识别结果进行核对校验，输出最终的箱号检测结果。
基于神经网络的集装箱箱号智能识别系统研究
第23卷 第6期2001年6月武 汉 理 工 大 学 学 报JOURNAL OF W UHAN UN I VERSI T Y OF TECHNOLOG Y V o l .23 N o.6 Jun .2001文章编号:100022405(2001)0620051203基于神经网络的集装箱箱号智能识别系统研究3张庆年(武汉理工大学) 凌 斌(连运港港务局集装箱公司) 摘 要: 针对我国集装箱运量快速增长,而集装箱码头不能实现全计算机化管理这一问题,提出了一种利用神经网络分析字母和数字的特征来智能识别集装箱箱号的方法。
分析了集装箱箱号的特点,提出了提高识别率的方法。
关键词: 神经网络; 集装箱; 箱号; 智能识别中图法分类号: TN 911.72文献标识码: A收稿日期:2001205208.作者简介:张庆年(19572),男,副教授;武汉,武汉理工大学管理经济学院(430070).3湖北省教育委员会科学研究计划项目(99C 098).集装箱运输是一种先进的现代化运输方式,是交通运输现代化的产物和重要标志。
随着国民经济的发展,集装箱的运输量不断增加。
据世界银行和经合组织估计,加入W TO 可使我国国民生产总值每年上升1.8至2.5个百分点,相当于300多亿美元,至2005年可望达到6000亿美元,而我国加入W TO 后,随着外贸运输量的增加集装箱运量会增加得更快。
据有关专家预测,未来十年我国长江流域外贸国际集装箱运量在“八五”、“九五”期间平均年增长约30%的基础上,将继续保持年均约25%～30%的速度增长。
而近年来全国港口集装箱吞吐量平均年增长水平为27%左右。
我国现有的集装箱专用码头和由原杂货码头改建而成的集装箱多用途码头的硬件设施与管理水平已远远不能适应目前集装箱运输大型化、专业化的要求[1]。
1 集装箱码头管理特点集装箱码头是集装箱水陆运输方式的换装点和集散地。
集装箱码头在整个集装箱运输过程中,具有重要地位和作用。
集装箱号识别中图像及字符的处理分割技术
集装箱号识别中图像及字符的处理分割技术常捷【摘要】详细介绍了一种实际应用的集装箱号识别系统中的图像及字符的处理和分割过程.在Matlab中实现定位后的图像处理及字符分割,达到了很好的分割效果,应用神经网络相关的BP算法,可以显著提高模式识别率.图像、字母和数字分割准确率达到98%.【期刊名称】《淮海工学院学报（自然科学版）》【年(卷),期】2010(019)002【总页数】4页(P33-36)【关键词】集装箱号识别;图像处理分割;字符分割;BP神经网络【作者】常捷【作者单位】江苏联合职业技术学院连云港财经分院,信息工程系,江苏,连云港,222003【正文语种】中文【中图分类】TP183集装箱号码自动识别系统是将OCR技术应用于集装箱识别系统的产品。
它的诞生标志着集装箱号码可以不经人手干预而自动进入计算机系统,为码头、堆场、海关管理系统全面迈向自动化解决了最基本、最关键的问题。
集装箱号识别系统通过抓拍实时的集装箱图像,并将实时的影像、车辆和集装箱信息均转化成数字化信息储存在计算器中,有效地节省了集装箱检验的时间,降低了人手记录集装箱号码的出错率,加强了安保工作。
1 集装箱识别系统的构成集装箱识别系统一般包括图像采集、图像处理、图像分割、字符分隔、字符识别、字符校验等几个主要部分(见图1)各个部分是紧密相连的,为了有好的识别效果,经常需要对源图像作必要的处理,为了从图像中找到需要识别的物体,还要对图像进行分割,也就是定位和分离出不同的待识别物体。
本文详细介绍了图像处理和定位这两个关键部分。
2 图像处理图像处理是人工智能在计算机图形学中的一个重要分支,是集装箱号识别系统的理论依据。
其主要目的在于突出并加强图像中感兴趣区域的特征,削弱并去除图像中干扰和小感兴趣的区域,为图像的后续处理提供良好的先决条件。
图1 集装箱号识别系统Fig.1 Container number recognition system2.1 灰度化出于对处理速度与识别效果的综合考虑,本系统主要针对灰度图像进行处理。
基于B-P神经网络的集装箱安全配箱量预测
基于B-P神经网络的集装箱安全配箱量预测
时力
【期刊名称】《中国航海》
【年(卷),期】2002(000)003
【摘要】针对航运企业在经营中不可忽视的问题--集装箱安全配箱量,建立其B-P 神经网络模型,并针对实际问题多角度进行训练、学习和预测,取得了理想的预测结果.
【总页数】5页(P54-58)
【作者】时力
【作者单位】上海海运学院,上海,200135
【正文语种】中文
【中图分类】U695.2+2
【相关文献】
1.基于Matlab神经网络工具箱进行港口集装箱运量预测 [J], 徐国志;李茂元
2.基于支持向量机的集装箱船航次配箱量的预测方法 [J], 张维英;林焰;纪卓尚
3.基于组合预测模型的大连港集装箱箱量预测 [J], 王洪璇;陈佳娟
4.用B-P神经网络模型预测ERP的安全供货库存 [J], 王东旭;沈益民;王志强
5.基于组合预测模型的大连港集装箱箱量预测 [J], 王洪璇[1];陈佳娟[1]
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的集装箱箱号识别
基于BP神经网络的集装箱箱号识别李丰林;毕训银【摘要】提出一种用BP神经网络实现集装箱箱号识别的方法.提出的图像预处理方法对管柱,底面凹凸,脏污物、光线的强弱、倾斜、缺损或模糊有较强的适应性.在BP网络分类器实现时,考虑集装箱箱号的组成特点,采用并行处理方法.在BP算法中,引入动态因子,动态调整学习步长.实践证明利用这种方法来识别装箱箱号,速度快,识别率高,具有较高的实用价值.【期刊名称】《淮海工学院学报（自然科学版）》【年(卷),期】2010(019)001【总页数】4页(P24-27)【关键词】BP算法;图像预处理;集装箱箱号识别【作者】李丰林;毕训银【作者单位】淮海工学院,电子工程学院,江苏,连云港,222005;淮海工学院,电子工程学院,江苏,连云港,222005【正文语种】中文【中图分类】TP183我国的集装箱运输在近30年内发展迅猛,运量巨大,举世瞩目。
如何对集装箱作业进行科学管理,提高工作效率,成为广泛关注的问题。
目前,集装箱管理已采用了现代化信息技术,如电视识别系统、条形码识别系统、微波反射系统、光学字符识别系统、射频识别系统等。
但集装箱箱号仍用人眼识别,手工记录的方式。
基于BP神经网络的集装箱箱号识别系统,不需人工干预,即可完成对集装箱相关信息的采集,既节省了人力又提高了效率。
该系统具有一定理论意义且具有广泛应用前景。
基于BP神经网络的集装箱箱号识别系统包含3大主要模块,即箱号图像的预处理、定位分割以及识别。
人工神经网络的主要特征是：大规模的并行处理和分布式信息存储,良好的自适应性、自组织性,以及很强的学习功能、联想功能和容错功能。
其识别率高,抗干扰能力强,灵活性大。
具体识别时,在BP算法中引入动态因子,动态调整学习步长。
在速度、识别率方面取得很好的效果。
1 箱号图像的预处理集装箱箱号由4个大写的英文字母加7个阿拉伯数字组成,如图1所示。
图1 集装箱箱号原始图像Fig.1 Image of container number集装箱原始彩色图像中除箱号区域外,还包含大量干扰信息。
利用BP算法实现集装箱编号识别
利用BP算法实现集装箱编号识别
李小平;段锴;赵健龙
【期刊名称】《北京理工大学学报》
【年(卷),期】2001(21)3
【摘要】研究集装箱字符识别 .采用数字图像处理、模式识别与神经网络技术及改良 BP算法实现集装箱编号的自动识别 .该方法有较强的适应性 ,可在不同的光照条件下工作 .在识别倾斜、变形、磨损、污染的集装箱时表现出较强的抗干扰能力 .改良 BP算法具有分类功能 ,可以实现字符的识别。
【总页数】3页(P345-347)
【关键词】图像处理;人工神经网络;BP算法;集装箱编号;模式识别
【作者】李小平;段锴;赵健龙
【作者单位】北京理工大学计算机科学与工程系
【正文语种】中文
【中图分类】U169.6;TP391.4
【相关文献】
1.基于BP神经网络的图书编号识别 [J], 李兆远;孔凡震;王涛;鲁怀伟
2.基于BP神经网络的图书编号识别 [J], 李相文;孙文慧;杨波
3.基于BP神经网络的单数字字符识别算法实现 [J], 潘志杰;任赛君;陈友荣
4.改进的BP算法实现EAS标签信号的识别 [J], 姜显扬;王忠勇;刘琴
5.基于深度学习的集装箱编号识别 [J], 姚砺;李莉莉;万燕
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的集装箱箱号识别系统设计
基于深度学习的集装箱箱号识别系统设计
唐晓勇;刘浩
【期刊名称】《集装箱化》
【年(卷),期】2022(33)10
【摘要】近年来,随着进出口货量大幅攀升,我国港口集装箱吞吐量增长迅猛,集装箱堆场业务迎来爆发式增长,传统的堆场闸口人工登记模式已不能满足现实需要。
为了提升堆场闸口通行效率,减轻作业人员压力,港口码头纷纷对堆场闸口实施智能化升级:开发并应用集装箱箱号(以下简称“箱号”)识别系统,以高清摄像头采集的视频流为基础,自动实时分析和识别车辆车型、车牌号码和箱号等信息,并将采集到的数据自动传送至后台管理系统,从而实现码头堆场闸口管理的信息化和智能化。
【总页数】5页(P18-22)
【作者】唐晓勇;刘浩
【作者单位】深圳中集智能科技有限公司
【正文语种】中文
【中图分类】F55
【相关文献】
1.基于计算机视觉的集装箱箱号识别
2.码头闸口集装箱箱号自动识别系统设计与开发
3.基于模板匹配和特征匹配的集装箱箱号识别算法
4.基于MATLAB软件的集装箱箱号识别系统
5.基于深度学习的实时集装箱箱号识别算法
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
管理 已采 用 了现代 化信息 技术 ， 电视识别 系统 、 如 条 形 码识别 系统 、 波 反射 系 统 、 微 光学 字符 识 别系 统 、 射 频识别 系统等 。但 集装 箱 箱 号仍 用人 眼 识别 ， 手 工记 录的方式 。基 于 Ｂ Ｐ神 经 网络 的集装 箱 箱号识 别 系统 ， 不需人工 干预 ， 即可完成 对集装箱 相关信息 的采集 ， 既节省 了人 力 又 提高 了效率 。该 系统 具有
我国 的集装 箱运输 在近 ３ Ｏ年 内发展 迅猛 ， 运量 巨大 ， 举世 瞩 目。如何对集 装箱作 业进行科 学管理 ， 提高 工作 效率 ， 为广泛关 注 的问题 。 目前 ， 成 集装箱
３大主要模块 ， 即箱 号图像 的预处 理 、 定位 分 割 以及
识别 。人 工神经 网络 的 主要 特征 是 ： 规模 的并 行 大
处 理和分 布式 信息 存 储 ， 良好 的 自适 应 性 、 自组 织 性， 以及很 强 的学 习功能 、 想功 能和容错 功能 。其 联 识别 率 高 ， 干 扰能 力强 ， 活性 大 。具体 识别 时 ， 抗 灵
在 Ｂ Ｐ算 法 中引 入 动 态 因 子 ， 态 调 整 学 习 步 长 。 动 在速度 、 识别 率方面 取得很好 的效果 。
第 １ ９卷
第 １ 期
淮 海 工 学 院学 报 （ 自然科学版）
Ｊ ｕ ｎ ｌ ｆＨｕ ｉ ａ ｎ ｔ ｕ ｅ ｏ ｃ ｎ ｌｇ （ ｔ ｒｌ ｃ ｎ ｅＥ ｉ ｏ ） ｏ ｒ ａ ａ ｈ ｉ ｓ ｉ ｔ ｆＴｅ ｈ ｏ ｏ ｙ Ｎａｕ ａ Ｓ ｉ ｃ ｄｔ ｎ ｏ Ｉ ｔ ｅ ｉ
Ｋｅ ｏ ｄ ：ｂ ｃ ｒ ｐ ｇ ｔ ｎ （ ｙｗ ｒ ｓ ａ ｋ ｐ ｏ ａ ａｉ ｏ ＢＰ）ａ ｇ ｒｔ ｍ ；ｉ ｇ ｒ ｐ ｏ ｅ ｓｎ ；ｃ ｎ ａ ｎ ｒｎ ｍｂ ｒｒ ｃ ｇ ｉ ｏ ｌ ｏ ｉｈ ｍａ ｅｐ ｅ ｒ ｃ ｓ ｉ ｇ ｏ ｔ ｉ ｅ ｕ ｅ ｅ ｏ ｎ ｔ ｎ ｉ
Ｖｏ ． ９ ＮＯ １１ ．１
Ｍ ａ．２ Ｏ ｒ Ｏｌ
２１ ０ ０年 ３月
基于Ｂ Ｐ神 经 网络 的集 装 箱箱 号识 别
李 丰 林 ， 训银 毕
（ 淮海 工 学 院 电子 工 程 学 院 ， 苏 连 云港 江 ２ ２０ ） ２ ０ ５
摘 要 ： 出一种 用 Ｂ 提 Ｐ神 经 网络 实现 集装箱 箱号识别 的方 法。提 出的 图像预 处理 方 法对 管柱 ， 底 面凹 凸， 污物 、 线的强弱 、 脏 光 倾斜 、 损或 模 糊有较 强的 适应 性 。在 Ｂ 缺 Ｐ网络 分 类 器 实现 时， 考虑 集装箱箱号 的组成特 点 ， 用并行 处理 方 法。在 Ｂ 采 Ｐ算 法 中， 引入 动 态 因子 ， 态调 整 学 习步长 。 动 实践证明利 用这种 方法来识 别装 箱箱号 ， 度快 ， 别率 高 ， 速 识 具有较 高 的实用价值 。 关键 词 ： Ｐ算 法 ； Ｂ 图像预 处理 ； 集装 箱箱号识 别 中图分 类号 ： １ ３ ＴＰ ８ 文献 标识码 ： Ａ 文章 编号 ： ６ ２６ ８ （Ｏ ０ ０ －０ ４０ １ ７— ６ ５ ２ １ ） １０ ２ —４
Ｃｏ ｔ ｉ ｅ ｍ ｂ ｒ Ｒｅ ｏ ｎ ｔｏ ｓ ｄ ｏ ｎ ａ ｎ ｒ Ｎｕ ｅ ｃ ｇ ｉｉ ｎ Ｂａ ｅ ｎ ＢＰ ｕ ａ ｔ ｒ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ
ＬＩ Ｆｅ —ｉ ＢＩＸ ｕ — ｉ ｎｇ ｌ ｎ， ｎ ｙ ｎ
（ ｃ ｏ ｌ ｆＥ ｅ ｔｏ ｉ ｇ ｎ ｅ ｉｇ．Ｈｕ ｉ ａ ｎ ｔ ｕ ｅｏ ｃ ｎ ｌ ｇ Ｓ ｈ ｏ ｌｃ ｒ ｎ ｃＥｎ ｉ ｅ ｒｎ ｏ ａ ｈ ｉ ｓ ｉ ｔ ｆＴｅ ｈ ｏ ｏ ｙ，Ｌ ａ ｙ ｎ ａ ｇ ２ ２ ０ ） Ｉ ｔ ｉｎ ｕ ｇ ｎ ２ ０ ５
ｄｕ ｅ ｏ ｔ ｃ ｄ ｔ ｈｅ ＢＰ ｌ ｒｔ ａ ｇｏ ｉｈｍ． Ｔｈ ｒ ｐｏ ｅ ｅ ｏ ｉｉ ｔ ｏｄ ｉ ｔ ｏ ｙ ｆ ｓ ｕｔ ａ ｓ ｃ ｕｒ ｔ ｅ ｐ ｏ ｓ ｄ ｒ ｃ ｇｎ ｔｏｎ ｍｅ ｈ ｓ ｎｏ ｎｌ ａ ｔ ｂ ｌ ｏ ａ ｃ ａ ｅ ｗｉｈ ａ ｈｉ ｈ ｐｒ ｃ ｉａ ａ ｕ ． ｔ ｇ ａ ｔｃ ｌｖ ｌ ｅ
ｎ ｓ ，ｌ ｈ ｎ ｅ ｓｔ ，ｓ ｏ ｅ ｍｐ ｒｅ ｔ ｅ ｓａ ｄ ｆ ｉ ｔｉ ｅ ｓ ｉ ｔｉ ｔ ｎ ｉｙ ｌ ｐ ，ｉ ｅ ｆ ｃ ｎ ｓ ｎ ａｎ ｎ ｓ ． ｎ ｔ ｅ ｒ ａ ｉ ｔ ｆＢ ｅ ｗｏ ｋ ｃａ ｓ— ｇ ｚ ｏ
ｍｅｈ ｄｉ ｄ ｐ ｅ ． Ｔｈ ｙ ａ ｃｇ ｎ ｎ ｈ ｙ ａ ｉ ａ ｊ ｓｍｅ ｔｏ ｅ ｒ ｉ ｇ ｓｅ ｓａ ｅ ｉｔｏ ｔ ｏ ｓａ ｏ ｔｄ ｅ ｄ ｎ ｍｉ ｅ ｅ ａ ｄ ｔ ｅ ｄ ｎ ｍ ｃ ｄ ｔ ｎ ｆｌａ ｎｎ ｔｐ ｒ ｎ ｒ — ｕ
ｉ ｒ，ｔ ｈ ｒ ｃ ｅ ｉｔｃ ｆｔ ｏ ａ ｎｅ ｍｂｅ ｒ ａ ｅ ｎｔ ｃ ｏ ｔａ ｈ ａ ａ ｌ ｌｒ ｃ ｇ ｉｉ ｔｅ ｈｅｃ ａ ａ ｔ ｒｓｉ ｓｏ ｈｅｃ ｎｔ ｉ ｒｎｕ ｒａ ｅｔ ｋ ｎ ｉ ｏ ａ ｃ ｕｎ ｎｄ ｔ ｅ ｐ ｒ ｌｅ ｅ ｏ ｎ ｔｏｎ
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ａ ｔ ｏｄ ｏ ｅ ｏ ｎｉｉ ｇ ｃ ｎｔ ｉ ｅ ｍｂｅ ａ ｅ ｎ ＢＰ ｅ ｒ ｌｎｅ ｗｏ ｋ ｉ ｒ ｏ ｅ ． ｍｅ ｈ ｆ ｒ ｃ ｇ ｚｎ ｏ ａ ｎ ｒ ｎｕ ｒｂ ｓ ｄ ｏ ｎ ｕ ａ ｔ ｒ ｓ ｐ ｏｐ ｓ ｄ Ｔｈｅ ｐｒ ｏ ｅ ｍａ ｒ ｐｒ ｅ ｓｎ ｔ ｏｄ ｉ ｕｉａ ｅｆ ｏ ｕ ｎ ｏｐ ｓ ｄ ｉ ｇｅｐ ｅ ｏｃ ｓ ｉ ｇ ｍｅ ｈ ｓｓ ｔ ｂｌ ｏｒｃ ｌ ｍ ｓ，ｃ ｎｃ ｖ ｔ ｏ ａ ｉｙ，ｃ ｎｖ ｘ ｔ ｏ ｅ ｉｙ，ｓ ｍｕｄ — ｇｉ