·1530 工程科学学报.第42卷，第11期 52 BG-BDZT 图6火车号字符检测结果示例 Fig.6 Examples of wagon number character detection results 11位Luhn算法计算得来，校验位可以用来判断识 如图7是一个校验纠错的例子.图中每一行 别的火车号是否正确.第12位校验数字的生成方 对应一个位置的检测结果，包含依概率排列的 式如式(3)所示 8个可能的类别号及其相应概率，一共12行对应 搜索到的构成火车号的12个字符.如果取第一列 10- k×d)/10+(k×d)% 10 %10%10 概率最大的结果，则会发现校验错误.原因是第 (3) 10位字符错误地将数字“8”识别为数字“9”，可以 其中，k为加权系数，对奇数位为2，对偶数位为1， 看出排除第一列最大概率后，第10位字符为“8” d,表示第i位火车号数字，“”表示整除，“%”表示 的概率要比其他所有的概率都要大，因此将第 模运算.计算各位数字乘以权重后得到数字的个 10位的“9”替换为“8”（图中红框所示），此时校验 位和十位相加之和，并取距离下一个最近的10的 通过，得到正确的火车号 整数倍的差值作为校验结果 5检测模型优化 对上一步得到的字符与概率矩阵，首先选择 每一位最大概率的数字进行校验，如果校验通过， 在实际工程应用中，除识别准确率外，识别速 则输出这些数字作为火车号的识别结果；如果校 度也是一个影响使用效果的关键因素.深度神经 验错误，则需根据概率矩阵进行替换纠错.替换的 网络的计算量主要消耗在卷积层特征提取阶段， 策略是：将每个位置的最大概率排除后，在其他的 随着网络中各个卷积层中通道数的增加计算量急 概率值中寻找最大的概率值，用对应的类别替代 剧增加.通道数一般都是人工根据经验设定，但不 当前位置最大概率所对应的类别，然后再对新的 同应用所需要提取的特征数可能不同.因此，可以 数字串进行校验，如果通过则视为纠正正确，输出 通过一定的剪枝技术去除多余的通道，从而降低 新的火车号；否则，恢复交换前位置，再接着寻找 计算量，提高检测速度. 下一个最大的概率值，如此迭代进行直到校验正 本文采用“静态剪枝+精细调节”的方式进行 确，或尝试的次数超过10次为止 网络剪枝，参考基于批归一化(Batch norm)因子剪 30.86426940.00109050.00108910.00061870.00027320.00022560.00020580.000131 10.77645870.00029790.00019930.00016740.00015300.00013980.00008060.000074 50.76884630.00057370.00053080.00023110.00010640.00009060.00005590.000053 20.78120770.00106300.00048140.00031260.00024990.00020230.00018050.000144 90.90431780.00154500.00021440.00019350.00014520.00012760.00008370.000083 30.89192050.00353640.00231810.00157320.00147980.00090890.00057970.000572 40.94929530.00153360.00067550.00044080.00036310.00034290.00024170.000209 10.62864920.00299240.00267480.00146360.00102550.00064190.00037670.000277 00.92036660.00703630.00213790.00092080.00090920.00045140.00033310.000321 90.87122780.01868650.00381810.00337740.00300720.00295170.00243300.001308 00.94245660.00077210.00064170.00038250.00031680.00026220.00021530.000189 10.55738090.00016730.00016470.00015150.00012920.00008760.00008040.000064 图7每个字符对应的前8个最大概率类别、概率值及校验纠错位 Fig.7 Top 8 class and corresponding probabilities of every character and correction by verification11 位 Luhn 算法计算得来，校验位可以用来判断识 别的火车号是否正确. 第 12 位校验数字的生成方 式如式（3）所示. d12 =   10−   ∑ 11 i=1 (ki ×di)/10+(ki ×di)%10   %10   %10 （3） 其中，ki 为加权系数，对奇数位为 2，对偶数位为 1， di 表示第 i 位火车号数字，“/”表示整除，“%”表示 模运算. 计算各位数字乘以权重后得到数字的个 位和十位相加之和，并取距离下一个最近的 10 的 整数倍的差值作为校验结果. 对上一步得到的字符与概率矩阵，首先选择 每一位最大概率的数字进行校验，如果校验通过， 则输出这些数字作为火车号的识别结果；如果校 验错误，则需根据概率矩阵进行替换纠错. 替换的 策略是：将每个位置的最大概率排除后，在其他的 概率值中寻找最大的概率值，用对应的类别替代 当前位置最大概率所对应的类别，然后再对新的 数字串进行校验，如果通过则视为纠正正确，输出 新的火车号；否则，恢复交换前位置，再接着寻找 下一个最大的概率值，如此迭代进行直到校验正 确，或尝试的次数超过 10 次为止. 如图 7 是一个校验纠错的例子. 图中每一行 对应一个位置的检测结果 ，包含依概率排列的 8 个可能的类别号及其相应概率，一共 12 行对应 搜索到的构成火车号的 12 个字符. 如果取第一列 概率最大的结果，则会发现校验错误. 原因是第 10 位字符错误地将数字“8”识别为数字“9”，可以 看出排除第一列最大概率后，第 10 位字符为“8” 的概率要比其他所有的概率都要大 ，因此将第 10 位的“9”替换为“8”（图中红框所示），此时校验 通过，得到正确的火车号. 5    检测模型优化 在实际工程应用中，除识别准确率外，识别速 度也是一个影响使用效果的关键因素. 深度神经 网络的计算量主要消耗在卷积层特征提取阶段， 随着网络中各个卷积层中通道数的增加计算量急 剧增加. 通道数一般都是人工根据经验设定，但不 同应用所需要提取的特征数可能不同. 因此，可以 通过一定的剪枝技术去除多余的通道，从而降低 计算量，提高检测速度. 本文采用“静态剪枝+精细调节”的方式进行 网络剪枝，参考基于批归一化（Batch norm）因子剪 图 6    火车号字符检测结果示例 Fig.6    Examples of wagon number character detection results 图 7    每个字符对应的前 8 个最大概率类别、概率值及校验纠错位 Fig.7    Top 8 class and corresponding probabilities of every character and correction by verification · 1530 · 工程科学学报，第 42 卷，第 11 期