CN109784328B - 定位条码的方法、终端及计算机可读存储介质 - Google Patents
定位条码的方法、终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109784328B CN109784328B CN201811551825.7A CN201811551825A CN109784328B CN 109784328 B CN109784328 B CN 109784328B CN 201811551825 A CN201811551825 A CN 201811551825A CN 109784328 B CN109784328 B CN 109784328B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- image
- evaluation
- cluster set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000011077 uniformity evaluation Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000010339 dilation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种定位条码的方法、终端及计算机可读存储介质,针对Dot‑peen DPM二维码,首先通过区域极值检测的方法对图像进行点检测,保留Dot点而消除周围的复杂背景;然后通过基于密度的聚类算法DBSCAN进行点聚类,去除零散的噪声点,获得簇集合;最后对簇集合进行区域评估,评估包括区域最少点数评估、区域长宽比评估、区域点分布均匀性评估,滤除掉无用的簇集合,输出评估为合格的簇集合图像。本方案针对Dot‑peen DPM码边界不连续的情况,使用点检测、聚类的方法,对条码进行初步识别。结合Dot‑peen DPM码具有点密集、分布较为均匀且形状较为方正的特征,对噪声点进行识别并滤除,实现了更加准确的识别定位。
Description
技术领域
本发明涉及图像处理及自动识别技术领域,特别涉及一种定位条码的方法、终端及计算机可读存储介质。
背景技术
DPM码(direct part marking,直接零件标识)技术是一种直接刻印在产品表面的永久条码标识,而Dot-peenDPM码,是通过针打(Dot-peen)将二维码永久标在产品表面的方法。对于条码的读取,在目前的定位和解码算法中,普遍采用边缘检测方法,对二维码的特征部分进行搜索、定位、识别。而对于Dot-peen DPM,由于其模块之间不连续,边缘检测无法使用,导致目前的解码算法均无法对其解码,因此需要对该情况的条码研发其特有的解码算法。在Dot-peenDPM的解码流程中,第一步是对Dot-peenDPM二维码区域进行定位,对Dot-peen DPM二维码的定位是否准确,直接影响了二维码的识别准确度及效率。
发明内容
本发明要解决的技术问题是如何提供一种针对Dot-peenDPM码的进行准确定位的定位条码的方法、终端机计算机可读存储介质。
为了解决上述技术问题,本发明的技术方案为:
第一方面本发明提出了一种定位条码的方法,包括步骤:
通过区域极值检测的方法对图像进行点检测;
通过基于密度的聚类算法DBSCAN进行点聚类,获得簇集合;
对簇集合进行区域评估,评估包括区域最少点数评估、区域长宽比评估、区域点分布均匀性评估,输出评估为合格的簇集合图像。
优选地,
在通过区域极值检测的方法进行点检测之前还包括步骤:对图像采用高斯滤波进行去噪;
输出评估为合格的簇集合图像前,还包括:获取评估为合格的簇集合的外接矩形,对外接矩形进行区域外扩。
优选地,区域最少点评估包括:
获取簇集合的外接矩形;
获取外接矩形内的点数量;
当外接矩形内的点数量小于预设最小数量时,区域评估结果为不合格。
优选地,区域长宽比评估包括:
获取簇集合的外接矩形;
获取外接矩形的两个对角角点的坐标[xlu,ylu]以及[xrd,yrd];
优选地,区域点分布均匀性评估包括:
获取簇集合的外接矩形;
将外接矩形分别按照上下均等分为两个区域、按照左右均等分为两个区域、按照一对角线分为两个区域、按照另一对角线分为两个区域;
分别获取以上所有八个区域内的点数量,并计算八个区域的点数量的方差;
当方差的值与外接矩形内的点数量的比值大于预设值时,区域评估结果为不合格。
优选地,所述通过基于密度的聚类算法DBSCAN进行点聚类,获得簇集合,包括:
选一个未被访问的点,找出与其距离在预设半径之内的所有附近点;
如附近点的数量大于预设点数,则当前点与其附近点形成一个簇,并将该点被标记为已访问,如果附近点的数量小于预设点数,则该点被标记为噪声点;
通过上述方法处理所有未被标记为已访问的点,获得簇集合。
优选地,所述通过区域极值检测的方法进行点检测,包括:
采用形态学重建,标识图像J满足:
形态学重建表示为ρI(J)=ρI(I-h),其中h为预设常数;
用于点检测的公式为:Sh(I)=I-ρI(I-h),S表示得到的的标注区域极值点的图像。
第二方面,本发明提出了一种终端,该终端包括用于执行上述第一方面的方法的单元。
第三方面,本发明提出了一种终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
采用上述技术方案,通过点检测、点聚类及对簇集合的评估,实现了对Dot-peenDPM码的定位。针对Dot-peen DPM码边界不连续的情况,使用点检测、聚类的方法,对条码进行初步识别。结合Dot-peen DPM码具有点密集、分布较为均匀且形状较为方正的特征,对噪声点进行识别并滤除,实现了更加准确的识别定位。本发明还具有以下的有益效果:采用本方案,可以有效应对DPM码中的Dot-peen类型,并对金属反光、光照不均匀、噪点复杂等情况有很好的定位效果;且采用本方案,可以同时定义一张图像中存在多个Dot-peen DPM的条码。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中定位条码的方法一实施例的流程图;
图2为图1中步骤S30的具体流程图;
图3为本发明中定位条码的方法一实施例的区域点分布均匀性评估的流程图;
图4为本发明中定位条码的方法中区域点分布均匀性评估的八个区域的等分方法示意图;
图5为本发明中终端的模块图。
10-去噪单元,20-点检测单元,30-点聚类单元,40-区域评估单元。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明要解决的技术问题是提供一种针对Dot-peen DPM码的定位的定位条码的方法、终端机计算机可读存储介质。
为了解决上述技术问题,本发明的技术方案为:
参照图1,第一方面,本发明提出了一种定位条码的方法,包括步骤:
S10:对图像采用高斯滤波进行去噪。DPM附着的金属介质拍摄时都会出现很多的噪点,而Dot-peen DPM又是由点的形式存在的,因此需要先对拍摄图像进行图像去燥。可以采用高斯滤波进行去燥。对二维灰度图像来说,所使用的高斯滤波器如下所示:
S20:通过区域极值检测的方法对图像进行点检测;
其中,区域极值检测的方法为:
采用基于H-dome形态学重建的区域极值检测方法。由于Dot-peen的点,相对于其领域是极大值或极小值,因此我们可以采用极值检测的方法来得到各个Dot-peen DPM的点分布。形态学重建是基于测地膨胀的形态学运算,主要用来提取区域极值。
对于灰度形态学重建的定义如下:设I、J是定义于同一离散域D上的两张灰度图像,I为掩模图像,J为标识图像,且其中p表示图像上的任意像素点,J(p),I(p)是p点在图像J、I中的灰度值。用J对I做形态学重建可表示为:
这里,我们采用H-dome形态学重建,标识图像J满足:
这里,我们简写为J=I-h,H-dome形态学重建表示为ρI(J)=ρI(I-h)。
其中h为预设常数。即将图像I的每个像素的灰度值降低h,用J对I进行重建,得到的图像可以保持图像I的形态,消除幅度小于h的微小差异,有效的从灰度图中提取出各极大区域。对于Dot-peenDPM的点,在图像上会呈现其亮度较高(或较暗),而目标四周的灰度较低(或较高),考虑到Dot-peenDPM存在反光、不均匀光照、背景噪点多的问题,这里我们采用自适应计算h的方法,即对不同图像区域,计算不同的h,选取h小于Dot与背景的灰度均值的差,而大于一般的局部极大值点的高度,就能很好的保留Dot点而消除周围的复杂背景。
最终用于点检测的公式为:Sh(I)=I-ρI(I-h),S表示得到的的标注区域极值点的图像。
S30:通过基于密度的聚类算法DBSCAN进行点聚类,获得簇集合;
在第二步获得候选的极值点之后,需要对极值点进行聚类来判断其是否属于同一个Dot-peen DPM区域。因为对于Dot-peen DPM的点,分布在一个集中的区域,所以我们可以采用聚类的方法,根据点的分布得到多个簇集合。这里我们采用DBSCAN的方法进行点聚类。DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个基于密度的聚类算法。DBSCAN需要二个参数:扫描半径和最小包含点数。
参照图2,首先选一个未被访问的点,找出与其距离在预设半径之内的所有附近点,如附近点的数量大于预设点数,则当前点与其附近点形成一个簇,并将该点被标记为已访问,然后递归,以相同的方法处理该簇内所有未被标记为已访问的点,从而对簇进行扩展。如果附近点的数量小于预设点数,则该点暂时被标记作为噪声点。如果簇充分地被扩展,即簇内的所有点被标记为已访问,然后用同样的算法去处理该簇以外未被访问的点。
S40:对簇集合进行区域评估,评估包括区域最少点数评估、区域长宽比评估、区域点分布均匀性评估,当区域最少点数评估、区域长宽比评估及区域点分布均匀性评估都被评估为合格时,可判定为Dot-peenDPM码区域,获取评估为合格的簇集合的外接矩形,对外接矩形进行区域外扩,输出评估为合格的簇集合且外扩后的图像。
需要说明的是,对满足区域评估的所有区域输出其矩形框所在位置,即为定位的Dot-peen DPM条码区域,考虑可能存在边界上的点检测遗漏,我们对定位区域在长宽上都做10%的区域外扩。
在步骤S30后,我们会获得多个簇集合{Ci},i=1,2,...,n,每个簇Ci是由从属于该簇的所有点组成的:Ci={p(xik,yik)},k=1,2,..,num_Ci,其中num_Ci表示簇Ci所包含的点数量。Ci的外接矩形regionCi的左上和右下坐标表示如下:
[xlu,ylu,xrd,yrd]=[min(xik),min(yik),max(xik),max(yik)],其中左上坐标为[xlu,ylu],右下坐标为[xrd,yrd]。
显见地,Dot-peenDPM区域存在点较多,分布较均匀,长宽比趋近于1等特性,基于此,我们可以根据如下三个判别,确定最终的Dot-peen DPM区域位置。三个评估方式具体如下:
具体地,区域最少点评估包括:获取簇集合的外接矩形;获取外接矩形内的点数量;当外接矩形内的点数量小于预设最小数量时,区域评估结果为不合格。
具体地,区域长宽比评估包括:
具体地,参照图3,区域点分布均匀性评估包括:
获取簇集合的外接矩形;将外接矩形分别按照上下均等分为两个区域、按照左右均等分为两个区域、按照一对角线分为两个区域、按照另一对角线分为两个区域;分别获取以上所有八个区域内的点数量,并计算八个区域的点数量的方差;当方差的值与外接矩形内的点数量的比值大于预设值时,区域评估结果为不合格。
对Dot-peenDPM码区图像,其在不同区域的点数目相近,点分布比较均匀。为此我们可以作如下统计评估:即如图4所示把外接矩形区域的图像按照4个方向分别进行等分成两个图像区域块,统计每个区域块内的点数目,形成共8个元素的点数目数组[n1,n2,n3,n4,n5,n6,n7,n8],计算该数组的方差var,满足方差与外接矩形内的总点数的比值小于预设值,即可判定其为合格。
采用上述技术方案,通过点检测、点聚类及对簇集合的评估,实现了对Dot-peenDPM码的定位。针对Dot-peenDPM码边界不连续的情况,使用点检测、聚类的方法,对条码进行初步识别。结合Dot-peen DPM码具有点密集、分布较为均匀且形状较为方正的特征,对噪声点进行识别并滤除,实现了更加准确的识别定位。本发明还具有以下的有益效果:采用本方案,可以有效应对DPM码中的Dot-peen类型,并对金属反光、光照不均匀、噪点复杂等情况有很好的定位效果;且采用本方案,可以同时定义一张图像中存在多个Dot-peen DPM的条码。
第二方面,如图5所示,本发明还提出了一种终端,该终端包括用于执行上述第一方面的方法的单元,包括:
去噪单元10:对图像采用高斯滤波进行去噪;
点检测单元20:通过区域极值检测的方法对图像进行点检测;
点聚类单元30:通过基于密度的聚类算法DBSCAN进行点聚类,获得簇集合;
区域评估单元40:对簇集合进行区域评估,评估包括区域最少点数评估、区域长宽比评估、区域点分布均匀性评估,获取评估为合格的簇集合的外接矩形,对外接矩形进行区域外扩,输出评估为合格的簇集合图像。
其中,区域最少点评估为:获取簇集合的外接矩形;获取外接矩形内的点数量;当外接矩形内的点数量小于预设最小数量时,区域评估结果为不合格。
其中区域点分布均匀性评估包括:获取簇集合的外接矩形;将外接矩形分别按照上下均等分为两个区域、按照左右均等分为两个区域、按照一对角线分为两个区域、按照另一对角线分为两个区域;分别获取以上所有八个区域内的点数量,并计算八个区域的点数量的方差;当方差的值与外接矩形内的点数量的比值大于预设值时,区域评估结果为不合格。
优选地,点聚类单元30包括:
计算单元:选一个未被访问的点,找出与其距离在预设半径之内的所有附近点;
标记单元:如附近点的数量大于预设点数,则当前点与其附近点形成一个簇,并将该点被标记为已访问,如果附近点的数量小于预设点数,则该点被标记为噪声点;
遍历单元:通过上述方法处理所有未被标记为已访问的点,获得簇集合。
优选地,点检测单元20:
采用形态学重建,标识图像J满足:
形态学重建表示为ρI(J)=ρI(I-h),其中h为预设常数;
用于点检测的公式为:Sh(I)=I-ρI(I-h),S表示得到的的标注区域极值点的图像。
第三方面,本发明提出了一种终端,包括处理器、输入设备、输出设备和存储器,处理器、输入设备、输出设备和存储器相互连接,其中,存储器用于存储计算机程序,计算机程序包括程序指令,处理器被配置用于调用程序指令,执行上述第一方面的方法。
第四方面,本发明还提出了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令当被处理器执行时使处理器执行上述第一方面的方法。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (6)
1.一种定位条码的方法,其特征在于,包括步骤:
通过区域极值检测的方法对图像进行点检测;
通过基于密度的聚类算法DBSCAN进行点聚类,获得簇集合;
对簇集合进行区域评估,评估包括区域最少点数评估、区域长宽比评估、区域点分布均匀性评估,输出评估为合格的簇集合图像;
其中,所述通过区域极值检测的方法进行点检测,具体包括:
采用形态学重建,标识图像J满足:
形态学重建表示为ρI(J)=ρI(I-h),其中h为预设常数;
用于点检测的公式为:Sh(I)=I-ρI(I-h),S表示得到的标注区域极值点的图像;
所述区域最少点评估包括:
获取簇集合的外接矩形;
获取外接矩形内的点数量;
当外接矩形内的点数量小于预设最小数量时,区域评估结果为不合格;
所述区域长宽比评估包括:
获取簇集合的外接矩形;
获取外接矩形的两个对角角点的坐标[xlu,ylu]以及[xrd,yrd],其中,xlu、ylu为第一对角角点的横纵坐标,xrd、yrd为第二对角角点的横纵坐标;
所述区域点分布均匀性评估包括:
获取簇集合的外接矩形;
将外接矩形分别按照上下均等分为两个区域、按照左右均等分为两个区域、按照一对角线分为两个区域、按照另一对角线分为两个区域;
分别获取以上所有八个区域内的点数量,并计算八个区域的点数量的方差;
当方差的值与外接矩形内的点数量的比值大于预设值时,区域评估结果为不合格。
2.根据权利要求1所述的定位条码的方法,其特征在于,
在通过区域极值检测的方法进行点检测之前还包括步骤:对图像采用高斯滤波进行去噪;
输出评估为合格的簇集合图像前,还包括:获取评估为合格的簇集合的外接矩形,对外接矩形进行区域外扩。
3.根据权利要求1或2任一项所述的定位条码的方法,其特征在于,所述通过基于密度的聚类算法DBSCAN进行点聚类,获得簇集合,包括:
选一个未被访问的点,找出与其距离在预设半径之内的所有附近点;
如附近点的数量大于预设点数,则当前点与其附近点形成一个簇,并将该点被标记为已访问,如果附近点的数量小于预设点数,则该点被标记为噪声点;
通过上述方法处理所有未被标记为已访问的点,获得簇集合。
4.一种终端,其特征在于,包括用于执行如权利要求1-3任一权利要求所述的定位条码的方法的单元。
5.一种终端,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-3任一项所述的定位条码的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-3任一项所述的定位条码的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551825.7A CN109784328B (zh) | 2018-12-19 | 2018-12-19 | 定位条码的方法、终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551825.7A CN109784328B (zh) | 2018-12-19 | 2018-12-19 | 定位条码的方法、终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784328A CN109784328A (zh) | 2019-05-21 |
CN109784328B true CN109784328B (zh) | 2022-11-08 |
Family
ID=66497268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551825.7A Active CN109784328B (zh) | 2018-12-19 | 2018-12-19 | 定位条码的方法、终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784328B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111641438B (zh) * | 2020-04-27 | 2021-03-23 | 苏州大学 | 一种rfid标签数量的估计***、方法和处理器可读介质 |
CN112101059B (zh) * | 2020-08-18 | 2023-10-10 | 深圳市优必选科技股份有限公司 | 一种条形码定位方法、装置、终端设备及存储介质 |
WO2023212232A1 (en) * | 2022-04-28 | 2023-11-02 | United States Postal Service | System and method for detecting an address block and barcode on a captured image of item, and reading the detected barcode using connected component analysis |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103975342A (zh) * | 2012-01-12 | 2014-08-06 | 柯法克斯公司 | 用于移动图像捕获和处理的***和方法 |
CN108021837A (zh) * | 2016-11-04 | 2018-05-11 | 株式会社理光 | 一种条形码检测方法、条形码检测装置及电子设备 |
CN108573184A (zh) * | 2018-03-12 | 2018-09-25 | 深圳元启智能技术有限公司 | 一种二维码识别方法、模块及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030095707A1 (en) * | 2001-11-19 | 2003-05-22 | Koninklijke Philips Electronics N.V. | Computer vision method and system for blob-based analysis using a probabilistic pramework |
-
2018
- 2018-12-19 CN CN201811551825.7A patent/CN109784328B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103975342A (zh) * | 2012-01-12 | 2014-08-06 | 柯法克斯公司 | 用于移动图像捕获和处理的***和方法 |
CN108021837A (zh) * | 2016-11-04 | 2018-05-11 | 株式会社理光 | 一种条形码检测方法、条形码检测装置及电子设备 |
CN108573184A (zh) * | 2018-03-12 | 2018-09-25 | 深圳元启智能技术有限公司 | 一种二维码识别方法、模块及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109784328A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403839B2 (en) | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium | |
CN109784328B (zh) | 定位条码的方法、终端及计算机可读存储介质 | |
CN111598074B (zh) | 边缘检测方法和装置、电子设备和存储介质 | |
CN110348264B (zh) | 一种qr二维码图像校正方法及*** | |
CN109509200B (zh) | 基于轮廓提取的棋盘格角点检测方法以及计算机可读存储介质 | |
CN108280829A (zh) | 焊缝图像识别方法、计算机装置及计算机可读存储介质 | |
CN113379680B (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
CN111582000B (zh) | 一种条形码定位方法、装置及相关设备 | |
CN107862235B (zh) | 二维码的位置定位方法、装置及终端设备 | |
CN113436162B (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN112085753A (zh) | 基于图像处理的水位监测方法、设备、介质及监测*** | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN115759148B (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
CN111311497B (zh) | 一种条形码图像角度校正方法和装置 | |
WO2022021687A1 (zh) | 快速响应码区域定位方法、电子设备及存储介质 | |
CN117372487A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN115546139A (zh) | 一种基于机器视觉的缺陷检测方法、装置及电子设备 | |
CN109784121B (zh) | Dot-peen DPM码的识别方法及装置 | |
CN114998282A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及*** | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |