深度机器学习助力集装箱号和铅封号的识别

深度学习在过去的几年内迅速发展，发展速度加快了三十倍，人们对于能够高效执行机器学习的算法的需求越来越大。计算机视觉领域权威评测ImageNet大规模图像识别挑战赛（ILSVRC）自2010年举办以来，一直备受关注。每年都有不同的深度学习框架模型大放异彩，夺得冠军。

【ImageNet 历届冠军及技术回顾】

在这几年的不断发展中，亮才也在尝试使用不同的深度学习模型来实现箱号识别功能，综合考虑神经网络复杂度、识别速度、准确率等因素，选择合适的模型。并通过对参数的调校，对算法的优化等方式来提升整体的识别准确率。目前我们的箱号识别准确率已经超过99%，并且平均识别时间控制在1秒以内，位于行业领先水平。

在箱号识别这一领域，大体可以分为两种技术，传统的OCR（光学字符识别）技术与基于深度学习的AI技术。在这两种技术上，我们都有非常丰富的积累与经验。目前亮才的箱号识别功能综合了OCR技术与深度学习算法，根据两者的识别结果，为用户提供准确的箱号。

箱号识别的主要难点在于集装箱图片包含大量信息，对于箱号部分的提取比较困难，而不同类型的集装箱箱号特征也不一致，同时还会受到光线、图像清晰度、图片方向等因素的影响。因此，在使用OCR技术进行识别前，我们会对图像进行一些预处理的操作，把用户随手拍的集装箱图片转变成一张机器能够识别的图片，同时设置一些校验方法，确保机器识别的箱号是正确的。

相比之下，深度学习算法有着自己的优势，在学习过集装箱图片的特征之后，识别时无需对图片做太多的预处理，凭借自己的智能视觉就可以快速定位出箱号并识别。

目前，在这两种技术上，亮才都做到了99%以上的识别率。

【集装箱信息识别示意图】

同时，亮才也在开发集装箱毛重与封号信息的识别功能，这些信息的识别还存在着字体小，信息密集难定位，字迹不清等难点，但在我们的努力下，已经取得了不错的成果，对于清晰的正面图像都有较好的效果。

【封号识别示意图】