CN109446870A - 一种基于cnn的qr码寻像图形缺陷恢复方法 - Google Patents
一种基于cnn的qr码寻像图形缺陷恢复方法 Download PDFInfo
- Publication number
- CN109446870A CN109446870A CN201811046107.4A CN201811046107A CN109446870A CN 109446870 A CN109446870 A CN 109446870A CN 201811046107 A CN201811046107 A CN 201811046107A CN 109446870 A CN109446870 A CN 109446870A
- Authority
- CN
- China
- Prior art keywords
- code
- view finding
- neural networks
- convolutional neural
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000007547 defect Effects 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 230000017105 transposition Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011084 recovery Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Toxicology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于CNN的QR码寻像图形缺陷恢复方法,包括以下步骤:输入寻像图形缺失或者缺损一处的QR码灰度图,以无损的QR码灰度图作为标签,训练卷积神经网络;得到六层结构的卷积神经网络;将待恢复的图片输入到训练完成的卷积神经网络;经过处理可以得到寻像图形完整的QR码。该方法不需要额外的图片预处理,不用根据QR码版本号精心设计算法,简洁方便,易操作,恢复效果好,适应能力强。
Description
技术领域
本发明涉及QR码领域,特别地,涉及一种基于CNN的QR码寻像图形缺陷恢复方法。
背景技术
目前对于QR码的寻像图形缺失其中一处的情况,手机等其他终端依然无法识别,对于目前现有公开的一些涉及这种寻像图形缺失一处情况的恢复处理的专利都是基于对QR码的结构的深入解析以及根据QR码版本号精心设计的算法来进行的。这一处理过程复杂,不易操作,恢复效果又不够好。
发明内容
为了克服现有技术的不足,本发明提供一种简洁方便,易操作,恢复效果好的基于CNN的QR码寻像图形缺陷恢复方法。
本发明解决其技术问题所采用的技术方案是:
一种基于CNN的QR码寻像图形缺陷恢复方法,包括以下步骤:
S1:输入寻像图形缺失或者缺损一处的QR码灰度图,以无损的QR码灰度图作为标签,训练卷积神经网络;
S2:得到六层的卷积神经网络;
S3:将待恢复的QR灰度图放入到六层的卷积神经网络之中;
S4:将每一层的输出结果进行处理;
S5:得到无缺损的QR码灰度图像。
优选地,所述六层的卷积神经网络前三层为卷积层和后三层为转置卷积层,前三层的卷积层将图片逐层变小,后三层的转置卷积层再将图片逐层变大。
优选地,所述卷积层和转置卷积层输出的结果分别进行批归一化和LeakReLU激活函数处理,收敛速度快,过程简单。
本发明的有益效果:
由上述方案可知,输入寻像图形缺失或者缺损一处的QR码灰度图,以无损的QR码灰度图作为标签,训练卷积神经网络,得到六层结构的卷积神经网络。将待恢复的图片输入到训练完成的卷积神经网络,经过处理可以得到寻像图形完整的QR码。该方法不需要额外的图片预处理,不用根据QR码版本号精心设计算法,简洁方便,易操作,恢复效果好,适应能力强。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明QR码结构图;
图2是本发明所用的卷积操作示意图;
图3是本发明所用的转置卷积操作示意图。
具体实施方式
参照图1、图2、图3,一种基于CNN的QR码寻像图形缺陷恢复方法,包括以下步骤:
一种基于CNN的QR码寻像图形缺陷恢复方法,包括以下步骤:S1:输入寻像图形缺失或者缺损一处的QR码灰度图,以无损的QR码灰度图作为标签,训练卷积神经网络;
S2:得到六层的卷积神经网络;
S3:将待恢复的QR灰度图放入到六层的卷积神经网络之中;
S4:将每一层的输出结果进行处理;
S5:得到无缺损的QR码灰度图像。
CNN为卷积神经网络的缩写,卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。
输入寻像图形缺失或者缺损一处的QR码灰度图,以无损的QR码灰度图作为标签,训练卷积神经网络,得到六层结构的卷积神经网络。将待恢复的图片输入到训练完成的卷积神经网络,经过处理可以得到寻像图形完整的QR码。该方法不需要额外的图片预处理,不用根据QR码版本号精心设计算法,简洁方便,易操作,恢复效果好,适应能力强。
所述六层的卷积神经网络前三层为卷积层和后三层为转置卷积层,前三层的卷积层将图片逐层变小,后三层的转置卷积层再将图片逐层变大。
所述卷积层和转置卷积层输出的结果分别进行批归一化和LeakReLU激活函数处理,收敛速度快,过程简单。
具体的操作步骤如下:
将一张寻像图形缺失或者破损一处的QR码的灰度图作为输入,无缺损图像作为目标图像,训练整个卷积神经网络。将缺损图像放入到训练好的卷积神经网络,可以得到寻像图形无缺损的QR码灰度图像。
卷积操作的计算方式为:已知输入尺寸i,卷积核尺寸k,步长s,补零尺寸p,则输出边长大小为:由卷积的定义,当卷积核大小为3×3时,Y=CX卷积操作矩阵C排列如下:
转置卷积操作的计算方式为:已知输入尺寸i,卷积核尺寸k,步长s,补零尺寸p,则输出边长大小为:o=s(i-1)+k-2p。由转置卷积的定义,当卷积核大小为3×3时,Y=CTX卷积操作矩阵CT排列如下:
图2和图3中下方图像为输入,上方图像为输出。
卷积神经网络的整体结构为六层,为三层卷积和三层转置卷积,对于每一层卷积后的输出结果,分别进行批归一化和LeakReLU激活函数处理。损失函数为输出图片和目标图片之间的逐像素均方误差(MSE),即输出图片与目标图片逐像素灰度值之差的平方的期望值,计算公式为l(x,y)=L={l1,...,lN}T,ln=(xn-yn)2,其中x为输出值,y为目标值,N为批的大小。参数优化的方法采用Adam算法。记批的大小为N,通道数为C,输入图片高为H,宽为W,输入尺寸为(N,Cin,H,W),输出尺寸为(N,Cout,Hout,Wout),具体网络参数设置如下:
第一层卷积层的卷积核为5×5,输出通道数Cout为8,图片填充为0,步长设置为1×1。即输入图片数据量为N×1×H×W,第一层对应的输出结果的数据量为N×8×(H-4)×(W-4)。经过卷积操作,将卷积操作所得结果根据进行批归一化处理。最后使用LeakReLU激活函数LeakReLU(x1)=max(0,x1)+0.01×min(0,x1)进行运算。
第二层卷积层的卷积核为5×5,输出通道数Cout为16,图片填充为0,步长设置为1×1。即输入数据量为N×8×(H-4)×(W-4),第二层对应的输出结果的数据量为N×16×(H-8)×(W-8)。经过卷积操作,将卷积操作所得结果根据进行批归一化处理。最后使用LeakReLU激活函数LeakReLU(x2)=max(0,x2)+0.01×min(0,x2)进行运算。
第三层卷积层的卷积核为5×5,输出通道数Cout为16,图片填充为0,步长设置为1×1。即输入数据量为N×16×(H-8)×(W-8),第三层对应的输出结果的数据量为N×16×(H-12)×(W-12)。经过卷积操作,将卷积操作所得结果根据进行批归一化处理。最后使用LeakReLU激活函数LeakReLU(x3)=max(0,x3)+0.01×min(0,x3)进行运算。
第四层为转置卷积层,转置层的卷积核为5×5,输出通道数Cout为16,图片填充为0,步长设置为1×1。即输入数据量为N×16×(H-12)×(W-12),第四层对应的输出结果的数据量为N×16×(H-8)×(W-8)。经过转置卷积操作,将转置卷积操作所得结果根据进行批归一化处理。最后使用LeakReLU激活函数LeakReLU(x4)=max(0,x4)+0.01×min(0,x4)进行运算。
第五层为转置卷积层,转置层的卷积核为5×5,输出通道数Cout为8,图片填充为0,步长设置为1×1。即输入数据量为N×16×(H-8)×(W-8),第五层对应的输出结果的数据量为N×8×(H-4)×(W-4)。经过转置卷积操作,将转置卷积操作所得结果根据进行批归一化处理。最后使用LeakReLU激活函数LeakReLU(x5)=max(0,x5)+0.01×min(0,x5)进行运算。
第六层为转置卷积层,转置层的卷积核为5×5,输出通道数为1,图片填充为0,步长设置为1×1。即输入数据量为N×8×(H-4)×(W-4),第六层对应的输出结果的数据量为N×1×H×W。经过转置卷积操作,将转置卷积操作所得结果根据进行批归一化处理。最后使用PReLU激活函数PReLU(x6)=max(0,x6)+0.25×min(0,x6)进行运算。
以上所述只是本发明的较佳实施方式,但本发明并不限于上述实施例,只要其以任何相同或相似手段达到本发明的技术效果,都应落入本发明的保护范围之内。
Claims (3)
1.一种基于CNN的QR码寻像图形缺陷恢复方法,其特征在于,包括以下步骤:
S1:输入寻像图形缺失或者缺损一处的QR码灰度图,以无损的QR码灰度图作为标签,训练卷积神经网络;
S2:得到六层的卷积神经网络;
S3:将待恢复的QR灰度图放入到六层的卷积神经网络之中;
S4:将每一层的输出结果进行处理;
S5:得到无缺损的QR码灰度图像。
2.根据权利要求1所述的一种基于CNN的QR码寻像图形缺陷恢复方法,其特征在于:所述六层的卷积神经网络前三层为卷积层和后三层为转置卷积层。
3.根据权利要求2所述的一种基于CNN的QR码寻像图形缺陷恢复方法,其特征在于:所述卷积层和转置卷积层输出的结果分别进行批归一化和LeakReLU激活函数处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811046107.4A CN109446870A (zh) | 2018-09-07 | 2018-09-07 | 一种基于cnn的qr码寻像图形缺陷恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811046107.4A CN109446870A (zh) | 2018-09-07 | 2018-09-07 | 一种基于cnn的qr码寻像图形缺陷恢复方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109446870A true CN109446870A (zh) | 2019-03-08 |
Family
ID=65532924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811046107.4A Pending CN109446870A (zh) | 2018-09-07 | 2018-09-07 | 一种基于cnn的qr码寻像图形缺陷恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446870A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399760A (zh) * | 2019-07-23 | 2019-11-01 | 广东工业大学 | 一种批量二维码定位方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636701A (zh) * | 2014-12-12 | 2015-05-20 | 浙江工业大学 | 一种基于图像修复的激光二维码识别方法 |
CN108241860A (zh) * | 2018-01-23 | 2018-07-03 | 佛山市顺德区中山大学研究院 | 一种复杂环境下的qr码检测定位方法 |
CN108345816A (zh) * | 2018-01-29 | 2018-07-31 | 广州中大微电子有限公司 | 一种在光照不均匀下的二维码提取方法及*** |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
CN108460746A (zh) * | 2018-04-10 | 2018-08-28 | 武汉大学 | 一种基于结构和纹理分层预测的图像修复方法 |
-
2018
- 2018-09-07 CN CN201811046107.4A patent/CN109446870A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636701A (zh) * | 2014-12-12 | 2015-05-20 | 浙江工业大学 | 一种基于图像修复的激光二维码识别方法 |
US20180225807A1 (en) * | 2016-12-28 | 2018-08-09 | Shenzhen China Star Optoelectronics Technology Co., Ltd. | Single-frame super-resolution reconstruction method and device based on sparse domain reconstruction |
CN108241860A (zh) * | 2018-01-23 | 2018-07-03 | 佛山市顺德区中山大学研究院 | 一种复杂环境下的qr码检测定位方法 |
CN108345816A (zh) * | 2018-01-29 | 2018-07-31 | 广州中大微电子有限公司 | 一种在光照不均匀下的二维码提取方法及*** |
CN108460746A (zh) * | 2018-04-10 | 2018-08-28 | 武汉大学 | 一种基于结构和纹理分层预测的图像修复方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399760A (zh) * | 2019-07-23 | 2019-11-01 | 广东工业大学 | 一种批量二维码定位方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311518B (zh) | 基于多尺度混合注意力残差网络的图像去噪方法及装置 | |
WO2023092813A1 (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及*** | |
CN106204449B (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
CN107123089A (zh) | 基于深度卷积网络的遥感图像超分辨重建方法及*** | |
CN108921786A (zh) | 基于残差卷积神经网络的图像超分辨率重构方法 | |
CN109389556A (zh) | 一种多尺度空洞卷积神经网络超分辨率重构方法及装置 | |
CN106570474A (zh) | 一种基于3d卷积神经网络的微表情识别方法 | |
CN110473141A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Zou et al. | Self-calibrated efficient transformer for lightweight super-resolution | |
CN111861961A (zh) | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 | |
CN107358262A (zh) | 一种高分辨率图像的分类方法及分类装置 | |
CN110363068B (zh) | 一种基于多尺度循环生成式对抗网络的高分辨行人图像生成方法 | |
CN106339984B (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
CN108875906B (zh) | 一种多尺度逐步累加的卷积神经网络学习方法 | |
CN104408697B (zh) | 基于遗传算法和正则先验模型的图像超分辨重建方法 | |
CN113421187B (zh) | 一种超分辨率重建方法、***、存储介质、设备 | |
CN107871142A (zh) | 一种基于深度卷积对抗网络模型的空洞卷积方法 | |
CN112069883B (zh) | 一种融合一维二维卷积神经网络的深度学习信号分类方法 | |
CN112215755A (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
CN108154235A (zh) | 一种图像问答推理方法、***及装置 | |
CN109949224A (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
CN111523483B (zh) | 中餐菜品图像识别方法及装置 | |
CN110598552A (zh) | 基于改进粒子群算法优化卷积神经网络的表情识别方法 | |
CN116052218B (zh) | 一种行人重识别方法 | |
CN110059815A (zh) | 人工智能推理计算设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |