具体实施方式

需要说明的是，在不冲突的情况下，本方法中的实施例及实施例中的特征可以相互组合。

在本方法的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本方法和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本方法的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本方法的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本方法的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本方法中的具体含义。

名词解释：

ResNet(residual network)：残差网络是由来自Microsoft Research的4位学者提出的卷积神经网络，在2015年的ImageNet大规模视觉识别竞赛(ImageNet Large ScaleVisual Recognition Challenge,ILSVRC)中获得了图像分类和物体识别的优胜。残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。

TFRecord：TFRecord内部使用了“Protocol Buffer”二进制数据编码方案，它只占用一个内存块，只需要一次性加载一个二进制文件的方式即可，简单，快速，尤其对大型训练数据很友好，而且当我们的训练数据量比较大的时候，可以将数据分成多个TFRecord文件，来提高处理效率。

下面将参考附图并结合实施例来详细说明本方法。

如图1-3所示，一种基于ResNet网络的工具识别方法包括以下步骤：

A1：工作人员对ResNet网络进行训练测试工作；

A2：工作人员将若干相机和一台安装了ResNet网络的计算机通过互联网连接，且每个相机安装至一个工具放置架上；

A3：工作人员通过步骤A2中的若干相机、一台安装了ResNet网络的计算机，对二维码依次进行拍照、识别工作。

A4：安装了ResNet网络的计算机，识别出二维码信息，并留存记录，如有异常，安装了ResNet网络的计算机记录信息并且报警，应用于库房工具的智能管理的系统，有助于推进库房工具自动化、信息化建设，提升工具管理效率和精确度。

如图1所示，所述步骤A1中包括以下步骤：

A11：工作人员将若干二维码分为训练集和测试集，训练集用于后续的训练工作，测试集用于后续的测试工作；

A12：工作人员将训练集和测试集中的二维码数据集图片的尺寸统一化(本发明使用的ResNet网络为ResNet50网络，故要求输入二维码大小为224*224*3，方便训练集和测试集的划分)，有助于后续格式转换；

A13：工作人员将步骤A12中尺寸统一化的训练集和测试集中的二维码数据集转换成TFRecord格式(因为引用了现在市面上热度最高，性能最佳的Tensorflow框架进行网络训练，该框架提供了专有的TFrecord数据格式，将训练集和测试集分别打包，每1000张图片生成1个TFrecord文件，便于进行网络训练)；

A14：工作人员将步骤A13中转换成TFRecord格式的训练集和测试集中的二维码数据集提取出来后，构建队列模式，便于之后构建相适应的ResNet网络；

A15：工作人员根据步骤A14构建的队列模式来构建相适应的ResNet网络，训练测试过程是基于tensorflow框架进行的，编程语言是python；

A16：工作人员通过训练集对步骤A15中构建的ResNet网络进行训练工作，使ResNet网络进行学习，为后续的测试工作做准备，为了提升机器学习的效率，构建随机顺序队列模式来减少读取数据的等待时间；

A17：工作人员通过测试集对步骤A16中训练后的ResNet网络进行测试工作，如果测试成功，则ResNet网络输出测试结果后结束，如果测试失败，则直接结束，训练完成的网络模型对测试集图片进行预测，显示模型准确率，可以清晰的验证训练后的模型优劣；

所述步骤A17中，如果ResNet网络做出正确反应，则ResNet网络输出测试结果后结束，如果ResNet网络做出错误反应，则直接结束，训练达到截止条件(即寻找到最优解或达到指定训练步数)，显示出模型预测的准确率。

如图2所示，所述步骤A3中，包括如下步骤：

A31：测试应用软件(即步骤A17中完成训练测试后的ResNet网络)启动后，计算机会显示出登录界面，操作人员可通过密码登录软件系统，如果是首次使用该软件，需要管理员添加用户权限后，方可登录系统；如果操作人员具有权限，便可直接登录，如果密码错误，计算机会显示登录失败，需要操作人员重新确认后再次登录；这样有助于系统安全，防止没有权限的人随意操作而导致严重后果，提高了使用时的安全性；

A32：操作人员成功登录系统后，点击计算机上显示的盘点功能按钮，可控制若干工具放置架上的相机对二维码进行拍照截图，这样做可提高工具管理信息化、网络化程度，提高工作效率；

A33：若干相机将截图(截图为清晰的截图)上传到计算机，若上传失败，则操作人员检查网络配置是否完好，修正完毕后重新上传计算，如上传成功，则软件开始对截图进行分析；

A34：测试应用软件基于训练后的ResNet模型算法，开始批量识别上传的工具图片，识别失败，则会弹出错误提示，若识别成功，则全部的工具信息显示在计算机界面列表中，从而实现一键盘点工具，且工具具有唯一性，可通过一键式操作，计算机具有完成训练测试工作的ResNet网络模型，能够快速完成所有工具的二维码识别，即可做到唯一性识别，提升工具管理的效率；

所述步骤A31中的注册工作如果成功，则重新进行步骤A31，如果失败则弹出注册信息，供查看并重新进行注册工作，提高了登录系统的灵活度。

以上所述仅为本方法的较佳实施例而已，并不用以限制本方法，凡在本方法的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本方法的保护范围之内。