朱德意，孫晴藝，董思凡，麻勝恒，王耀雄，高 放*

(1.廣西大學(xué) 電氣工程學(xué)院，廣西 南寧 530004；2.廣西中科阿爾法科技有限公司，廣西 南寧 530201；3.中國(guó)科學(xué)院合肥智能機(jī)械研究所，安徽 合肥 230031)

0 引 言

運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究熱點(diǎn)，其核心主要包括目標(biāo)檢測(cè)、提取及跟蹤三個(gè)部分。工業(yè)生產(chǎn)流水線上芯片IMEI[1]碼的檢測(cè)與識(shí)別是一個(gè)典型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤問(wèn)題。識(shí)別并寫(xiě)入IMEI碼是芯片制造流水線上的重要一環(huán)，傳統(tǒng)的依靠人工記錄IMEI碼的方式枯燥乏味且效率低下，因此有必要開(kāi)發(fā)智能算法自動(dòng)識(shí)別流水線上芯片的IMEI碼。

目前還沒(méi)有關(guān)于芯片IMEI碼檢測(cè)與識(shí)別的相關(guān)研究，但是關(guān)于檢測(cè)其他字符的研究有很多。通常識(shí)別字符主要有深度學(xué)習(xí)和圖像處理兩種方式。胡逸龍等[2]通過(guò)改進(jìn)的YOLO算法檢測(cè)中文車(chē)牌位置，再通過(guò)改進(jìn)的CRNN算法識(shí)別車(chē)牌；張瑞紅等[3]基于HOG特征的級(jí)聯(lián)檢測(cè)器結(jié)合多角度檢測(cè)方法實(shí)現(xiàn)對(duì)奶牛標(biāo)牌定位，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練字符實(shí)現(xiàn)對(duì)奶牛標(biāo)牌識(shí)別；李榮遠(yuǎn)等[4]通過(guò)KNN對(duì)電子秤數(shù)碼管字符進(jìn)行識(shí)別。國(guó)外也有相關(guān)的字符識(shí)別研究。L. T. Akin Sherly等[5]利用HOG和LIFT提取場(chǎng)景字符信息特征，利用貝葉斯交互搜索算法(BISA)對(duì)基于AdaBoost的卷積神經(jīng)網(wǎng)絡(luò)(BISA和AdaBoost-CNN)進(jìn)行場(chǎng)景字符識(shí)別；Faisel Mushtaq等[6]提出了一種用于識(shí)別手寫(xiě)烏爾都語(yǔ)字符與數(shù)字的算法，通過(guò)大量的訓(xùn)練，在識(shí)別的兩萬(wàn)多的手寫(xiě)字符中，準(zhǔn)確率近99%。這類通過(guò)深度學(xué)習(xí)對(duì)字符進(jìn)行識(shí)別的方法識(shí)別結(jié)果的準(zhǔn)確率高但是需要大量的時(shí)間和大量的訓(xùn)練樣本，且需要用圖像處理的方法對(duì)訓(xùn)練樣本和待識(shí)別的樣本圖像進(jìn)行預(yù)處理。

通過(guò)圖像處理來(lái)識(shí)別字符的研究也很多。楊新年等[7]通過(guò)高斯去噪和灰度化等方式處理車(chē)牌，通過(guò)垂直和水平投影結(jié)合割車(chē)牌字符成功識(shí)別車(chē)牌；Ravi Kiran Varma P等[8]通過(guò)高斯濾波、形態(tài)學(xué)處理等處理印度車(chē)牌，同時(shí)通過(guò)邊界跟蹤分割字符輪廓，并根據(jù)字符尺寸、空間定位處理感興趣區(qū)，識(shí)別了印度車(chē)牌；Minhuz Uddin Ahmed Abu Jar等[9]也用類似方法對(duì)孟加拉的山地車(chē)車(chē)牌進(jìn)行識(shí)別。常江等[10]使用全局閾值分割方法對(duì)塑料袋上的印刷字符進(jìn)行分割，其對(duì)大字符的識(shí)別效果較為準(zhǔn)確，但對(duì)小字符的識(shí)別提取有待提高；楊蕊等[11]在Web端插入OpenCV.js開(kāi)源圖形數(shù)據(jù)庫(kù)對(duì)發(fā)票圖像進(jìn)行灰度二值化、降噪、矯正以及分割等圖片在線預(yù)處理操作，引入Tesseract.js字符庫(kù)用于訓(xùn)練和識(shí)別操作，從而將發(fā)票信息電子化；牛智星等[12]對(duì)水尺圖像進(jìn)行處理，通過(guò)識(shí)別水尺上的字符實(shí)現(xiàn)水位監(jiān)控。通過(guò)圖像處理對(duì)字符進(jìn)行識(shí)別的方法處理時(shí)間短、速度快，但是識(shí)別的準(zhǔn)確率偏低。

針對(duì)芯片字符識(shí)別，該文提出一種基于OpenCV[13-14]的芯片IMEI碼的檢測(cè)與識(shí)別的方法。該方法流程簡(jiǎn)潔，對(duì)視頻進(jìn)行簡(jiǎn)單的處理后，利用Tesseract-OCR實(shí)現(xiàn)對(duì)芯片IMEI識(shí)別。識(shí)別之后的芯片IMEI碼出現(xiàn)在編譯框內(nèi)，也可以將其保存在文本文件之中。

1 算法流程

該文識(shí)別芯片IMEI碼，最主要的是識(shí)別并提取芯片的IMEI碼區(qū)域。只有提取了區(qū)域才能夠合成包含芯片IMEI碼的視頻。

由于識(shí)別視頻背景復(fù)雜且一直處于移動(dòng)狀態(tài)，常規(guī)的目標(biāo)提取算法如幀間差分法和背景分離法需要保持背景不變，而本視頻的背景(如黑色底架、芯片等)一直處于移動(dòng)狀態(tài)，所以不能夠有效地提取芯片IMEI碼，而光流法對(duì)每個(gè)點(diǎn)都進(jìn)行標(biāo)記，通過(guò)計(jì)算對(duì)點(diǎn)前后的比較可以得到移動(dòng)的部分，但是該視頻移動(dòng)部分遠(yuǎn)大于靜止部分且光流法對(duì)計(jì)算能力要求過(guò)高，難以應(yīng)用到實(shí)際的芯片IMEI碼識(shí)別。因此后續(xù)的對(duì)比實(shí)驗(yàn)采用CRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行芯片IMEI碼識(shí)別。

該文使用的方法不同于主流的算法。主流的算法是將運(yùn)動(dòng)目標(biāo)與背景分離，從而達(dá)到提取運(yùn)動(dòng)目標(biāo)的目的。而該文的想法是提取運(yùn)動(dòng)目標(biāo)區(qū)域與原視頻合成，從而獲得運(yùn)動(dòng)目標(biāo)。識(shí)別芯片IMEI碼的大致流程分為三步，具體步驟如圖1所示：①圖像預(yù)處理部分；②篩選芯片IMEI碼部分；③芯片IMEI碼識(shí)別部分。先對(duì)視頻進(jìn)行預(yù)處理，得到只含有芯片IMEI碼的區(qū)域的視頻，再將該視頻與原視頻合成，得到一個(gè)新的包含少量干擾的芯片IMEI碼的視頻。之后將新的視頻灰度化、二值化后，使用Tesseract-OCR識(shí)別芯片IMEI碼。Tesseract-OCR處理所得到的字符，即芯片IMEI碼，提取芯片IMEI碼的特征信息，根據(jù)特征信息與語(yǔ)言包中的字符進(jìn)行比較，將最符合特征信息的字符作為識(shí)別結(jié)果。

圖1 芯片IMEI碼識(shí)別流程

2 圖像預(yù)處理

2.1 預(yù)處理流程

本次識(shí)別的視頻為實(shí)際流水線上生產(chǎn)芯片的視頻，時(shí)長(zhǎng)39秒，視頻中物體包括三塊芯片，黑色底架及桌子。為了識(shí)別芯片的IMEI碼，需要對(duì)視頻進(jìn)行預(yù)處理，其主要作用是提取芯片IMEI碼區(qū)域。具體見(jiàn)圖1中的圖像預(yù)處理部分。首先讀取視頻并將其灰度化，然后對(duì)視頻進(jìn)行邊緣檢測(cè)，視頻中的邊緣包括：芯片輪廓、黑色底架、桌面、芯片IMEI碼及各種印在芯片上的字符。邊緣檢測(cè)之后進(jìn)行形態(tài)學(xué)處理，便于提取芯片IMEI碼的輪廓。

2.2 灰度圖轉(zhuǎn)換

該文處理的視頻共有39秒，其中包含三塊芯片(并不是同時(shí)出現(xiàn)的芯片)，芯片裝載在的流水線的黑色底架上，每?jī)蓧K芯片之間存在間隔。由于拍攝場(chǎng)景光線變化問(wèn)題，圖像中會(huì)存在一定的噪聲干擾。芯片如圖2(a)所示，黑色底架如圖2(b)所示。

圖2 灰度圖

讀取視頻之后，將視頻灰度化。把圖像中白色與黑色之間按對(duì)數(shù)關(guān)系分為若干等級(jí)，稱為灰度?；叶确譃?56階?；叶绒D(zhuǎn)換通常有四種方法，取平均法、取分量法、取最大值法、取加權(quán)平均法[15]。現(xiàn)分別介紹如下：

取平均值法是將RGB的值相加除以三取平均值，公式如下：

(1)

取分量法即取RGB中其中的一種顏色的強(qiáng)度值作為其灰度值，公式如下：

(2)

取最大值法即取RGB三種顏色中強(qiáng)度值最大的作為其灰度值，公式如下：

g(x,y)=max[R(x,y),G(x,y),B(x,y)]

(3)

取權(quán)平均值法即取RGB三種顏色中強(qiáng)度值的加權(quán)平均值作為其灰度值，公式如下：

g(x,y)=0.30R(x,y)+0.59G(x,y)+

0.11B(x,y)

(4)

上述四種方法都可實(shí)現(xiàn)圖像灰度化，具體使用那種需根據(jù)具體情況而定。因?yàn)镺penCV函數(shù)默認(rèn)為第四種方法，為了使程序簡(jiǎn)潔，所以使用了第四種方法。

圖像轉(zhuǎn)化為灰度圖后，可通過(guò)框選輪廓和邊緣檢測(cè)進(jìn)行輪廓提取?？蜻x輪廓采用編碼的思想，給不同的邊界賦予不同的整數(shù)值，從而可以確定邊界類型及層次關(guān)系。輸入的二值圖像的像素值用f(i,j)表示。每次行掃描遇到以下兩種情況終止：

(1)外邊界的開(kāi)始點(diǎn)，滿足f(i,j-1)=0,f(i,j)=1；

(2)孔邊界的開(kāi)始點(diǎn)，滿足f(i,j)≥1,f(i,j+1)=0。

終止后從起始點(diǎn)開(kāi)始，標(biāo)記邊界上像素。記新發(fā)現(xiàn)的邊界為NBD(number of borders，邊界數(shù))，初始時(shí)NBD=1，每次發(fā)現(xiàn)一個(gè)新邊界其數(shù)值加1。在此過(guò)程中，遇到f(i,j)=1;f(i,j+1)=0時(shí)，將f(i,j)置為NBD。就是右邊邊界的終止點(diǎn)。

整個(gè)芯片制造流水線中存在很多的輪廓，包括①各類字符的輪廓如LOGO、制造商、IMEI碼、型號(hào)、名稱、二維碼等；②芯片的輪廓；③黑色底架的輪廓；④噪聲。芯片輪廓如圖3(a)所示，黑色底架輪廓如圖3(b)所示。

圖3 輪廓圖

2.3 形態(tài)學(xué)處理

從輪廓圖可以看出圖像的背景度已經(jīng)消失，但同時(shí)出現(xiàn)了各種小斑點(diǎn)、小噪聲。通過(guò)圖像膨脹和腐蝕的形態(tài)學(xué)處理在剔除小噪聲的同時(shí)保持IMEI碼區(qū)域聯(lián)通且獨(dú)立，即IMEI碼不會(huì)與其他圖形混搭在一起。

圖像膨脹，是將設(shè)定的膨脹結(jié)構(gòu)在二值化圖像中逐點(diǎn)掃描，當(dāng)在某個(gè)點(diǎn)時(shí)膨脹結(jié)構(gòu)與二值化圖像有一個(gè)點(diǎn)重疊就可保留該點(diǎn)，否則刪除該點(diǎn)。圖像膨脹會(huì)使圖像目標(biāo)變大，但邊界會(huì)清晰。與輪廓圖相比較，膨脹圖變的整齊了很多，同時(shí)小噪聲去除了很多。但整個(gè)輪廓膨脹了幾乎一圈，使得整體布局擁擠，不同輪廓之間出現(xiàn)明顯的連接現(xiàn)象，這對(duì)提取目標(biāo)IMEI碼更加是個(gè)挑戰(zhàn)。

為了減少這種牽連現(xiàn)象，可將圖片腐蝕。圖像腐蝕是將設(shè)定的腐蝕結(jié)構(gòu)在二值化圖像中逐點(diǎn)掃描，當(dāng)在某個(gè)點(diǎn)時(shí)腐蝕結(jié)構(gòu)與二值化圖像完全重疊，保留該點(diǎn)，否則刪除該點(diǎn)。圖像腐蝕后，目標(biāo)會(huì)變小，邊界可能會(huì)消失。通過(guò)腐蝕操作可以消除小噪聲，但會(huì)使邊界模糊。由于不少小噪聲本身就是字符的一部分，貿(mào)然消除可能會(huì)出現(xiàn)問(wèn)題。因此，將圖像腐蝕，既能消除小噪聲，又能維持字符本身。

經(jīng)過(guò)腐蝕的圖片整體相對(duì)暗淡，不同輪廓邊界大致分明，且各類字符輪廓依舊完好保存在圖像中。但由于存在各種線條干擾，需要通過(guò)多次開(kāi)操作來(lái)消除線條。開(kāi)操作是形態(tài)學(xué)操作中的一種，其原理是將圖像先腐蝕后膨脹。形態(tài)處理后圖像如圖4所示。

圖4 芯片3開(kāi)操作圖

形態(tài)學(xué)操作之后，圖像效果明顯增強(qiáng)，同時(shí)噪聲也消除了很多，余留下的噪聲也是呈規(guī)則的矩形，同時(shí)芯片的IMEI碼依舊保留在圖像中。因此，圖像預(yù)處理基本完成，后續(xù)需要對(duì)形狀規(guī)則的矩形噪聲及除芯片IMEI碼之外的區(qū)域進(jìn)行篩除，只留下芯片的IMEI碼區(qū)域。

3 篩選芯片IMEI碼

3.1 芯片IMEI碼區(qū)域提取

芯片IMEI碼區(qū)域并未能夠被提取出來(lái)，因此需要將其他干擾排除。為了能夠得到更好的篩選效果，需要對(duì)各個(gè)輪廓篩選，盡可能多地排除干擾。

由于圖像各區(qū)域形狀基本類似于矩形(也存在不規(guī)則圖形)，因此可以以面積作為篩選條件將面積太大、面積太小的部分先排除；同時(shí)由于圖像存在一定的不規(guī)則圖像，只是面積篩選無(wú)法準(zhǔn)確篩選出芯片IMEI碼部分。因此需要進(jìn)行面積篩選，將周長(zhǎng)太短、周長(zhǎng)太長(zhǎng)的部分進(jìn)行篩選排除以選到合適圖形(即芯片的IMEI碼)。經(jīng)過(guò)多次嘗試，最終面積篩選的條件為：面積最小值為4 700，面積最大值定為5 100；面積加周長(zhǎng)的篩選條件為：面積最小值為4 700，面積最大值為5 100，周長(zhǎng)最小值為580，周長(zhǎng)最大值為640。此條件下芯片的IMEI被全部提取，但是存在部分干擾項(xiàng)，干擾主要是篩選時(shí)未能排除掉的干擾，其中主要的干擾分為四類，如圖5所示：①芯片上的制造商字符；②芯片的IMEI碼與制造商字符二者同時(shí)存在；③芯片高光背景；④黑色底架的輪廓。

圖5 四種干擾類型

為比較效果，將兩種條件篩選后的每一幀保存并統(tǒng)計(jì)只含有芯片IMEI干擾的圖形，結(jié)果如表1所示。

表1 兩種篩選結(jié)果比較

從表1可知，面積加周長(zhǎng)篩選在排除大多干擾的同時(shí)只減少了一些芯片IMEI碼的圖像，所以選擇面積加周長(zhǎng)篩選作為篩選方式。

3.2 提取芯片IMEI碼

在以上處理中，IMEI區(qū)域被成功提取出來(lái)，然后將原視頻幀與芯片IMEI碼區(qū)域合成只含有芯片IMEI碼的視頻。從圖6(a)可知有且僅有芯片的IMEI碼被提取出來(lái)，因此芯片IMEI碼提取成功。

圖6 芯片處理圖

芯片IMEI碼被提取后，需要將其灰度化并轉(zhuǎn)為二值化以便于芯片IMEI碼的識(shí)別。因?yàn)樾酒琁MEI碼是豎向的，所以需要將芯片IMEI碼旋轉(zhuǎn)，使其盡可能與水平面平行，為此統(tǒng)一向右旋轉(zhuǎn)90°。芯片旋轉(zhuǎn)處理后的圖形如圖6(b)所示。

4 識(shí)別芯片IMEI碼

4.1 Tesseract-OCR介紹

在OpenCV中并不存在已經(jīng)訓(xùn)練好的OCR(opti-cal character recognition)，光學(xué)字符識(shí)別。若想識(shí)別芯片的IMEI碼，要么自己訓(xùn)練并使用OCR對(duì)字符識(shí)別；要么運(yùn)用現(xiàn)有的OCR軟件對(duì)字符進(jìn)行識(shí)別。該文使用后一種方法。OpenCV是一款開(kāi)源軟件，它可以運(yùn)用很多的開(kāi)源OCR軟件，如：Tesseract-OCR、百度paddle、easy-ocr等。該文使用了比較成熟的Tesseract-OCR。

三個(gè)芯片IMEI碼分別是 ： 866431040005356、866431040005720和866431040005316。

4.2 識(shí)別結(jié)果

識(shí)別的圖像為3.2節(jié)所旋轉(zhuǎn)后的圖像，即圖6(b)。視頻需通過(guò)自適應(yīng)閾值分割。自適應(yīng)閾值分割能夠根據(jù)圖像不同區(qū)域亮度分布，計(jì)算其局部閾值，所以對(duì)于圖像不同區(qū)域，能夠自適應(yīng)計(jì)算不同的閾值，可以盡量多地提取到視頻特征信息。但是自適應(yīng)閾值分割并不能保證每一幀圖像都十分清晰，只能使整體清晰。所以有一些圖像上的字符并不能完全識(shí)別，識(shí)別的過(guò)程中會(huì)出現(xiàn)一些亂碼。因?yàn)閷?duì)視頻的每一幀都會(huì)進(jìn)行識(shí)別，所以挑選部分具有代表性(多次識(shí)別為同一個(gè)結(jié)果)的識(shí)別進(jìn)行分析。三塊芯片識(shí)別結(jié)果如表2典型識(shí)別所示。

表2 芯片識(shí)別結(jié)果

由于空間有限，便只選部分具有代表性的結(jié)果進(jìn)行展示。從前面的圖像預(yù)處理的過(guò)程中可以清晰地看到芯片的IMEI碼，芯片1的IMEI碼為:866431040005356，芯片2的IMEI碼為：866431040005720，芯片3的IMEI碼為：866431040005316。從表2中可以看出，在芯片IMEI碼的識(shí)別過(guò)程中，盡管部分識(shí)別結(jié)果的準(zhǔn)確率不高，但是數(shù)字部分完全識(shí)別成功。準(zhǔn)確率不高的原因是字母部分識(shí)別不是很準(zhǔn)確。可能是圖像預(yù)處理時(shí)沒(méi)有處理好，導(dǎo)致字母部分出現(xiàn)了一些殘缺。

作為對(duì)比，利用CRNN神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別字符[16]。CRNN可以進(jìn)行端到端訓(xùn)練，并且可以識(shí)別較長(zhǎng)的文本。首先用生成器函數(shù)構(gòu)造了一個(gè)由不同字母、數(shù)字和冒號(hào)組成的數(shù)據(jù)集(如圖7(a)所示)來(lái)模擬IMEI碼的序列，該數(shù)據(jù)集有12 800張圖片，圖片尺寸為512×32，按照8∶1∶1比例隨機(jī)分成訓(xùn)練集、驗(yàn)證集、測(cè)試集。在TITAN V顯卡上訓(xùn)練了200個(gè)epoch，學(xué)習(xí)率為1e-2，在生成數(shù)據(jù)集中識(shí)別精度為95.7%。在之前預(yù)訓(xùn)練模型的基礎(chǔ)上，將學(xué)習(xí)率設(shè)置成1e-3，用圖7(b)所示的IMEI碼的小樣本數(shù)據(jù)集(包含15張IMEI碼的圖片)進(jìn)行遷移學(xué)習(xí)。識(shí)別結(jié)果如表2中CRNN識(shí)別結(jié)果所示。

圖7 CRNN神經(jīng)網(wǎng)絡(luò)用到的數(shù)據(jù)集

使用CRNN網(wǎng)絡(luò)識(shí)別的芯片IMEI碼，準(zhǔn)確率并不高，不僅在字母部分識(shí)別不全，甚至在數(shù)字部分也識(shí)別有誤。與該文的方法相比較，使用CRNN網(wǎng)絡(luò)識(shí)別芯片IMEI碼，會(huì)出現(xiàn)多種問(wèn)題。如：①識(shí)別不全，部分字母及冒號(hào)未被識(shí)別；②識(shí)別有誤，數(shù)字及字母均出現(xiàn)識(shí)別錯(cuò)誤的現(xiàn)象，甚至字母被識(shí)別為數(shù)字。所以該文提出來(lái)的方法再識(shí)別芯片IMEI碼優(yōu)于CRNN網(wǎng)絡(luò)。

5 結(jié)束語(yǔ)

通過(guò)提取芯片IMEI碼區(qū)域，將其與原視頻合成，得到只含有芯片IMEI碼的視頻，變相實(shí)現(xiàn)了目標(biāo)的檢測(cè)與跟蹤，在此基礎(chǔ)上通過(guò)處理含有芯片的IMEI碼視頻實(shí)現(xiàn)了對(duì)流水線上的IMEI碼的檢測(cè)與識(shí)別。由于沒(méi)有訓(xùn)練識(shí)別芯片IMEI碼的OCR，識(shí)別準(zhǔn)確率有待提高，故識(shí)別IMEI碼的程序不能直接應(yīng)用于生產(chǎn)，需要進(jìn)一步優(yōu)化強(qiáng)化。深度學(xué)習(xí)方法方面結(jié)合預(yù)訓(xùn)練和遷移學(xué)習(xí)測(cè)試了CRNN網(wǎng)絡(luò)，發(fā)現(xiàn)準(zhǔn)確率不如該文提出的方法。今后可以在以下幾個(gè)方面進(jìn)行進(jìn)一步的工作。

(1)圖像處理的篩選條件。

芯片的IMEI碼與制造商的名稱相似。芯片的IMEI碼與制造商的名稱長(zhǎng)度相似，在提取芯片IMEI碼區(qū)域容易錯(cuò)誤提取到制造商的名稱。由于該文的篩選條件為面積加周長(zhǎng)，后續(xù)處理的過(guò)程中為避免錯(cuò)誤提取目標(biāo)可以選用不同的篩選條件。

(2)芯片字庫(kù)的建立。

由于該文沒(méi)有訓(xùn)練芯片IMEI碼對(duì)應(yīng)的字庫(kù)，只是使用Tesseract-OCR本身自帶的英文及中文語(yǔ)言包，只是能夠識(shí)別，但是由于缺少專業(yè)性，故會(huì)出現(xiàn)字母“IMEI”錯(cuò)誤識(shí)別、亂碼及空格等問(wèn)題。后續(xù)研究為了提高識(shí)別芯片IMEI碼的準(zhǔn)確率，可以建立專屬于芯片IMEI碼字符的字庫(kù)，實(shí)現(xiàn)“術(shù)業(yè)有專攻”，提高識(shí)別。

(3)建立并擴(kuò)充真實(shí)環(huán)境下IMEI碼的數(shù)據(jù)集。

眾所周知，神經(jīng)網(wǎng)絡(luò)擁有著強(qiáng)大的計(jì)算能力。由于深度學(xué)習(xí)缺少芯片IMEI碼的數(shù)據(jù)集，訓(xùn)練所用的圖片和真實(shí)環(huán)境下采集的IMEI碼圖片差距過(guò)大，而遷移學(xué)習(xí)用的真實(shí)IMEI碼數(shù)據(jù)集中只含有15張IMEI碼圖片，導(dǎo)致神經(jīng)網(wǎng)絡(luò)識(shí)別IMEI碼的結(jié)果較差。以后可以通過(guò)建立并擴(kuò)充IMEI碼在真實(shí)環(huán)境下的數(shù)據(jù)集來(lái)提高深度學(xué)習(xí)方法在識(shí)別IMEI碼上的精確度。