集装箱是重要的批量物流运输方式,标识符自动识别可以加速实现港口的信息化和自动化。本文针对集装箱标识符分割识别问题,提出了一套定位分割方法及基于深度学习的识别方法,实现了标识符自动识别,达到了较高的识别率。具体工作如下:1)论文在分析实际拍摄的集装箱图像特点的基础上,提出基于颜色特征的预处理方法,该方法对背景色与某一非背景色之差、两个非背景色分量图分别选取合适阈值进行二值化,然后进行与运算得到包含目标区域的高净度二值化图。与常规做法相比,本文的方法很好地克服了外界光照及凸凹的影响,去除了绝大部分广告、污迹等干扰,为后续的定位分割打下良好基础。2)论文设计了基于两次投影的标识符定位与分割方法,并采用Radon变换对标识符区域进行倾斜矫正。该方法先利用水平投影对集装箱标识符区域粗定位,并结合字符区域面积、标识字符串个数等排除其他区域,实现标识符区域的准确定位。然后对标识符区域采用Radon变换做倾斜矫正。最后结合水平和垂直两个方向的投影确定出每个字符的位置并分割出来。该方法运算简单,实时性好。3)研究深度学习及LeNet-5网络,并对之进行改进。改进的LeNet-5模型包含6层,网络使用ReLU激活层、加入dropout层,并把pool2层改为spp 层。从而减少模型参数和梯度消失的影响。4)利川拍摄的实际集装箱图像及数据扩展形成较大规模的数据集训练和测试改进的LeNet-5网络。实验结果表明,本文的方法识别率达到96.79%,单个字符的识别时间接近,在普通CPU上识别速度为1s左右。与BP神经网络、模板匹配和特征匹配等方法进行了对比,发现改进的LeNet-5网络在识别率方面具有较高的优越性。