CN114021596A - 一种基于深度学习的条码识别方法及装置 - Google Patents

一种基于深度学习的条码识别方法及装置 Download PDF

Info

Publication number
CN114021596A
CN114021596A CN202111106727.4A CN202111106727A CN114021596A CN 114021596 A CN114021596 A CN 114021596A CN 202111106727 A CN202111106727 A CN 202111106727A CN 114021596 A CN114021596 A CN 114021596A
Authority
CN
China
Prior art keywords
code
code system
deep learning
classifier
input image
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
Application number
CN202111106727.4A
Other languages
English (en)
Inventor
钟华堡
张帆
沈亚锋
谢立寅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Hualian Electronics Co Ltd
Original Assignee
Xiamen Hualian Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Hualian Electronics Co Ltd filed Critical Xiamen Hualian Electronics Co Ltd
Priority to CN202111106727.4A priority Critical patent/CN114021596A/zh
Publication of CN114021596A publication Critical patent/CN114021596A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06K7/1413—1D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的条码识别方法及装置，其中，所述方法包括：获取待识别的条形码或二维码图像；加载通过深度学习预先训练完成的码制分类器，并使用码制分类器预测输入图像的码制类型；根据码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效；当确定码制有效时，根据码制类型加载相应的通过深度学习预先训练完成的识码器，并由识码器将输入图像映射识别为编码信息；对识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。通过本发明，实现一次性处理检测、校正、二值化、网格划分等传统识别过程的大部分工作，解决现有条形码或二维码识别方法的流程复杂、抗干扰能力较差的问题。

Description

一种基于深度学习的条码识别方法及装置
技术领域
本发明涉及交互控制领域，特别涉及一种基于深度学习的条码识别方法及装置。
背景技术
条形码(barcode)：是将宽度不等的多个黑条和空白，按照一定的编码规则排列，用以表达一组信息的图形标识符。常见的条形码是由反射率相差很大的黑条(简称条)和白条(简称空)排成的平行线图案。条形码可以标出物品的生产国、制造厂家、商品名称、生产日期、图书分类号、邮件起止地点、类别、日期等许多信息，因而在商品流通、图书管理、邮政管理、银行***等许多领域都得到广泛的应用。
二维码(2-Dimensional Bar Code)：又称二维码条码，主要是通过某种特定的几何图形按照一定规律对信息进行编码，这种编码方式可以使二维码存储有较为丰富的数据。
现有技术中，可利用图像采集设备或者光电扫描设备检测条形码或者二维码，并进一步识别条形码或者二维码所包含的信息。二维码识别过程通常包括：检测并裁剪二维码区域、校正二维码、二值化二维码图像、网格划分获得二进制编码、解码，识别算法和流程较为复杂，识别效率低。
发明内容
本发明主要解决的技术问题是提供一种基于深度学习的条码识别方法及装置，能够提高识别效率。
为解决上述技术问题，本发明采用的一个技术方案是：一种基于深度学习的条码识别方法，包括如下步骤：获取待识别的条形码或二维码图像；加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型；其中，所述码制类型包括条形码和二维码的码制和版本；根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效；当确定码制有效时，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息；以及对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。
其中，通过深度学习预先训练码制分类器，具体包括：获取不同码制类型的条形码或二维码图像以形成第一数据集；其中，每条数据至少包含{图像保存路径、码制类型、二进制序列编码信息}；利用所述第一数据集进行深度学习模型训练以得到所述码制分类器。
其中，加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型，具体包括：输入待识别条形码或二维码图像到深度学习网络；根据所述深度学习网络的输出判断最大概率对应的码制类型。
其中，通过深度学习训练识码器，具体包括：利用公式(1)进行识码器的计算，以及利用公式(2)进行所述识码器损失函数的计算；其中，x为输入图像，属于第c类码制，c～[1，M]，M是正整数，yc为编码信息标注，Gc为第c类码制的识码器，Nc为该码制的二进制序列编码信息长度，Gc为识码器；zc为预测编码信息，也是长度为Nc的序列；sigmoid是用于将zc的数值缩放到0～1之间的激活函数，Lossc为第c类码制的识码器Gc的损失；
zc＝Gc(x) (1)
Figure BDA0003272713020000021
利用公式(1)、(2)以及所述第一数据集对所述识码器Gc进行深度学习训练。
其中，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息，具体包括：根据所述码制分类器预测得到的输入图像的码制类型从预先训练完成的多个识码器中选择相应的识码器；利用所述公式(1)将输入图像映射识别以获得预测编码信息；以及对所述预测编码信息进行二值化处理，从而得到输入图像的编码信息。
其中，当所述待识别的条形码或二维码图像为多个目标时，所述方法还包括：加载预先训练完成的深度学习多目标检测模型，并使用所述深度学习多目标检测模型对输入图像进行检测识别以得到多个条形码或二维码各自对应的目标特征；加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型，具体为：加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器分别预测所述多个条形码或二维码各自对应的目标特征的码制类型；根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息，具体为：根据所述码制分类器预测得到的多个条形码或二维码各自对应的目标特征的码制类型分别加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将多个条形码或二维码各自对应的目标特征分别映射识别为对应的预测编码信息，以及对所述预测编码信息进行二值化处理；对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息，具体为：对所述识码器对多个条形码或二维码各自对应的目标特征识别得到的编码信息分别进行解码，以得到多个条形码或二维码的原始信息。
其中，通过深度学习预先训练多目标检测模型，具体包括：获取不同码制类型的条形码或二维码图像以形成第二数据集；其中，所述第二数据集中对每个码额外标注其在图像中所处的位置大小信息，标注内容至少包括：图像保存路径、位置大小信息、码制类型、二进制序列编码信息；将所述多目标检测模型的目标类别设为2；通过所述第二数据集和深度学习技术最小化所述多目标检测模型的损失函数，以训练所述多目标检测模型
本发明采用的另一个技术方案是，提供一种基于深度学习的条码识别装置，包括存储单元、图像获取单元以及处理单元；所述处理单元包括图像处理单元以及解码单元；所述图像获取单元用于获取待识别的条形码或二维码图像；所述图像处理单元包括：码制分类模块，用于加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型；识码模块，用于根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效，以及在确定码制有效时根据所述码制分类模块预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息；所述解码单元，用于对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。
其中，还包括模型训练单元，用于：获取不同码制类型的条形码或二维码图像构成第一数据集；其中，每条数据至少包含{图像保存路径、码制类型、二进制序列编码信息}的信息；利用所述第一数据集进行深度学习模型训练以得到所述码制分类器；利用公式(1)进行识码器的计算，以及利用公式(2)进行所述识码器损失函数的计算，并利用公式(1)、(2)以及所述第一数据集对所述识码器Gc进行深度学习训练；
zc＝Gc(x) (1)
Figure BDA0003272713020000041
其中，x为输入图像，属于第c类码制，c～[1，M]，M是正整数，yc为编码信息标注，Gc为第c类码制的识码器，Nc为该码制的二进制序列编码信息长度；zc为预测编码信息，也是长度为Nc的序列。sigmoid是用于将zc的数值缩放到0～1之间的激活函数，Lossc为第c类码制的识码器Gc的损失。
其中，所述识码模块还用于根据所述码制分类模块判断得到的码制类型选择对应的识码器，根据所述识码器和公式(1)计算获得预测编码信息，以及对所述预测编码信息进行二值化处理。
其中，所述图像处理单元还包括多目标检测模块；当所述待识别的条形码或二维码图像为多个目标时，所述多目标检测模块用于加载预先训练完成的深度学习多目标检测模型，并使用所述深度学习多目标检测模型对输入图像进行检测识别以得到多个条形码或二维码各自对应的目标特征；所述码制分类模块用于加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器分别预测所述多个条形码或二维码各自对应的目标特征的码制类型；所述识码模块用于根据所述码制分类器预测得到的多个条形码或二维码各自对应的目标特征的码制类型分别加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将多个条形码或二维码各自对应的目标特征分别映射识别为对应的预测编码信息，以及对所述预测编码信息进行二值化处理；所述解码单元用于对所述识码器对多个条形码或二维码各自对应的目标特征识别得到的编码信息分别进行解码，以得到多个条形码或二维码的原始信息。
其中，还包括多目标模型训练单元，用于获取不同码制类型的条形码或二维码图像以形成第二数据集，将所述多目标检测模型的目标类别设为2，以及通过所述第二数据集和深度学习技术最小化所述多目标检测模型的损失函数，以训练所述多目标检测模型；其中，所述第二数据集中对每个码额外标注其在图像中所处的位置大小信息，标注内容至少包括：图像保存路径、位置大小信息、码制类型、二进制序列编码信息。
本发明提供的一种基于深度学习的条码识别方法及装置，通过深度学习预先训练完成码制分类器和识码器，以对获取的条形码或二维码的图像加载码制分类器以预测码制类型，加载相应的识码器进行编码信息的识别，从而实现一次性处理检测、校正、二值化、网格划分等传统识别过程的大部分工作，解决现有条形码或二维码识别方法流程复杂、抗干扰能力较差的问题；同时，利用预先训练的深度学习码制分类器识别出目标条形码、二维码图像的码制类别，根据不同的码制类别再做后续处理，可以适用于多种码制；进一步地，还可以通过加载基于深度学习多目标检测模型对获取到的多个条形码或二维码图像进行目标识别，以适用于多目标条码识别。
附图说明
图1是现有技术的条形码信息组成示意图；
图2是现有技术的QR码信息组成示意图；
图3是本发明一实施方式中一种基于深度学习的条码识别方法的流程示意图；
图4是现有技术的EAN-13编码一览表；
图5是本发明实施方式中通过深度学习预先训练码制分类器的方法的流程示意图；
图6是图3中步骤S12的实施方式中“加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型”的流程示意图；
图7是本发明实施方式中利用VGG-16网络结构进行深度学习训练得到的码制分类器与识码器的结构示意图；
图8是本发明实施方式中通过深度学习预先训练识码器的方法的流程示意图；
图9是图3中步骤S14的实施方式中“根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息”的流程示意图；
图10是本发明另一实施方式中一种基于深度学习的条码识别方法的流程示意图；
图11是本发明实施方式中的利用多目标检测模型(Faster-RCNN或SSD)网络结构的码制分类器和识码器的结构示意图；
图12是本发明实施方式中通过深度学习预先训练多目标检测模型的方法的流程示意图；
图13是本发明实施方式中一种基于深度学习的条码识别装置的结构示意图；
图14是本发明另一实施方式中一种基于深度学习的条码识别装置的结构示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合附图和实施例对本发明进行详细说明。
请同时参阅图1、2，为现有技术的条形码信息组成示意图以及现有技术的QR码信息组成示意图(引用自：龚亚欢，王超，胡晨，EAN-13码的图像识别***设计与实现，现代电子技术，2009，032(022):106-109；ISO/IEC 18004:2015，6.3节)，本发明将所有条形码、二维码的图像信息分为“定位信息”和“编码信息”。
定位信息，用于确定条形码、二维码的位置；例如，如图1所示，条形码的起始符、分割符和终止符；如图2所示，QR码的位置探测图形、校正图形和分隔符；
编码信息，用二进制序列表示(黑色方块或线条表示1，白色方块或线条表示0)，包括：用于解码所需的所有信息；例如，如图1所示，条形码的数据符和校验符；如图2所示，QR码的格式信息、版本信息、数据和纠错码字部分。
定位信息和编码信息的具体内容取决于每种码制的各自编码规范，其差异性不应当脱离本发明的保护范围。
请参阅图3为本发明实施方式中一种基于深度学习的条码识别方法的流程示意图。在本实施方式中，作业人员需要进行单个的条形码或二维码图像识别时，即，待识别的条形码或二维码图像为单目标时，所述方法包括如下步骤：
步骤S11，获取待识别的条形码或二维码图像。
其中，所述图像为GRB、YUV或灰度图像，可以通过摄像设备进行采集，也可以通过计算机软件生成。
步骤S12，加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型。
其中，所述码制类型包括条形码和二维码的码制和版本。
具体地，条形码有多种码制，包括：EAN码、39码和Codabar码等；其中，EAN码又分为EAN-8和EAN-13两种版本。二维码也有多种码制，包括：QR码、PDF147码和汉信码等；其中，QR码可以有1到40种不同版本，不同版本之间的编码方式不同。在本发明实施方式中，根据二进制序列编码信息长度相同的编码确定为同一码制类型。
步骤S13，根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效；若是，则进入步骤S14；否则，流程结束。
其中，所述分类结果的概率预测值大于阈值时，则确定预测输入图像的码制有效；否则，确定预测输入图像的码制无效；在本实施方式中，阈值被预先设定为0.5。
步骤S14，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息。
其中，不同的码制类型对应加载不同的识码器。
步骤S15，对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。
例如，当所述码制分类器预测得到的输入图像为EAN-13版本的条形码时，解码过程通过查表对所述编码信息进行解码以得到所述EAN-13条形码的原始信息，如图1所示的条形码，由所述识码器将所述条形码输入图像映射识别为编码信息：“101 0001011(9)0100111(0) 0110011(1) 0011011(2) 0111101(3) 0100011(4) 01010 1001110(5)1010000(6) 1000100(7) 1001000(8) 1110100(9) 1101100(2) 101”，其中括号内的数值就是通过查询图4所示的EAN-13编码一览表(引用自：龚亚欢，王超，胡晨，EAN-13码的图像识别***设计与实现，现代电子技术，2009，032(022):106-109)而转换得到的。当所述码制分类器预测得到的输入图像为QR码的二维码时，则解码过程通过蒙版和分字节等操作对所述编码信息进行解码以得到所述QR码的原始信息。解码过程为现有技术，在此不加赘述。
请参阅图5，通过深度学习预先训练码制分类器，具体包括：
步骤S20，获取不同码制类型的条形码或二维码图像以形成第一数据集。
其中，每条数据至少包含{图像保存路径、码制类型、二进制序列编码信息}。
实际应用中可能只需要选取几种常用的码制类型，本发明实施方式以EAN-13码、QR-2版码(25x25)和QR-5版码(37x37)三种码制类型进行举例说明。
所述二进制序列编码信息包括用于解码所需的所有信息，但不包括用于定位条形码或二维码的定位信息。所述二进制是指条形码的黑色线条或二维码的黑色格点表示1，而白色线条或格点表示0。不同码制类型的条形码或二维码的二进制序列长度各不相同，例如，EAN-13码，QR-2版码(25x25)，QR-5版码(37x37)几种码制的序列长度如下：
EAN-13码：左侧数据符42位，右侧数据符42，共84位；
QR-2版码：25x25大小，格式信息15位，版本信息0位，数据和纠错码字359位，共374位；
QR-5版码：37x37大小，格式信息15位，版本信息0位，数据和纠错码字1079位，共1094位；
本发明实施方式可以通过计算机随机进行不同码制类型的条形码或二维码图像的生成以及形成所述第一数据集，例如，基于Python的开源标准库bar-code和qrcode分别可以生成条形码和QR码图像，构建所述第一数据集所需的二进制序列编码都可以在bar-code和qrcode生成的函数内部获取。
步骤S21，利用所述第一数据集进行深度学习模型训练以得到所述码制分类器。
其中，所述深度学习模型可以采用VGG-16、SqueezeNet、MobileNet或其它自定义模型；例如，将所述深度学习模型的分类输出数量设为3，利用Softmax分类器和交叉熵(CrossEntropy)损失函数，使用梯度下降算法训练所述模型。
请参阅图6，步骤S12，加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型，具体包括：
步骤S121，输入待识别条形码或二维码图像到深度学习网络。
步骤S122，根据所述深度学习网络的输出判断最大概率对应的码制类型。请参阅图7，所述码制分类器输出[0.01，0.91，0.08]，分别对应[EAN-13，QR-2，QR-5]三种码的预测概率；其中，最大为0.91；故判断当前输入为QR-2码，且0.91>0.5，因此判断码制有效。
请参阅图8，通过深度学习预先训练识码器，具体包括：
步骤S30，利用公式(1)进行识码器的计算，以及利用公式(2)进行所述识码器损失函数的计算。
具体地，zc＝Gc(x) (1)
Figure BDA0003272713020000101
其中，x为输入图像，属于第c类码制，c～[1，M]，M是正整数，yc为编码信息标注，Gc为第c类码制的识码器，Nc为该码制的二进制序列编码信息长度；zc为预测编码信息，也是长度为Nc的序列。sigmoid是用于将zc的数值缩放到0～1之间的激活函数，Lossc为第c类码制的识码器Gc的损失。
步骤S31，利用公式(1)、(2)以及所述第一数据集对所述识码器进行深度学习训练。
请参阅图9，步骤S14，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息，具体包括：
步骤S141，根据所述码制分类器预测得到的输入图像的码制类型从预先训练完成的多个识码器中选择相应的识码器。
步骤S142，利用所述公式(1)将输入图像映射识别以获得预测编码信息。
步骤S143，对所述预测编码信息进行二值化处理，从而得到输入图像的编码信息。
例如，根据所述码制分类器预测得到的输入图像的码制类型为第c类，则预先训练完成的多个识码器
Figure BDA0003272713020000111
中选择相应的识码器为Gc。利用公式(1)将输入图像映射识别以获得预测编码信息为zc。对所述预测编码信息zc进行二值化处理，从而得到输入图像的编码信息；其中，序列zc的元素大于0时设为1，小于等于0时设为0。
请再次参阅图7，是利用VGG-16网络结构进行深度学习训练得到的码制分类器与识码器的结构示意图；所述识码器的主要结构为三层的全连接(Dense)网络，且均与码制分类器(VGG-16)共享部分网络结构，即，VGG-16网络的Conv4-3层输出作为全连接网络的输入，这样Conv4-3层及以前的网络结构和权重就被共用。
具体地，利用码制分类器(VGG-16)预测输入图像的码制类型为QR-2版本的二维码，即，c＝2；进一步地，所述码制分类器(VGG-16)对QR-2版本的二维码进行分类结果的概率预测而得到的概率最大值为0.91，则根据所述分类结果的概率预测值确定QR-2版本的二维码码制有效。然后，根据预测得到的码制类型加载相应的识码器G2，所述识码器G2的输出为[1.342，0，2.103，-0.421，……，-1.097]的序列，即，预测编码信息z2，共374个元素；最后，利用公式(3)二值化所述预测编码信息z2，元素大于0时该元素设为1，小于等于0时设为0，得到序列为[1，0，1，0，……，0]。
Figure BDA0003272713020000112
在其他实施方式中，所述码制分类器和识码器还可以联合训练，即，两者的训练过程同时进行；具体地，对相同的输入，分别计算码制分类器的交叉熵(CrossEntropy)损失和识码器的损失(公式(2))，对所述交叉熵损失和识码器的损失求和，并对所述损失之和进行最小化处理以实现联合训练。
请参阅图10，为本发明另一实施方式中的一种基于深度学习的条码识别方法。在本实施方式中，作业人员需要进行多目标的条形码或二维码图像识别时，即，当所述待识别的条形码或二维码图像为多个目标时，所述方法包括：
步骤S40，获取待识别的条形码或二维码图像。
步骤S41，加载预先训练完成的深度学习多目标检测模型，并使用所述深度学习多目标检测模型对输入图像进行检测识别以得到多个条形码或二维码各自对应的目标特征。
其中，所述目标特征即为多目标检测模型的分类层的输入特征，所述分类层通常是全连接层或其变形结构，在本实施方式中，所述分类层的类别设为2，用于预测待识别目标为背景还是条码。
步骤S42，加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型。
具体地，加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器分别预测所述多个条形码或二维码各自对应的目标特征的码制类型。
步骤S43，根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效，以筛选出码制有效的目标特征。
步骤S44，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息。
具体地，根据所述码制分类器预测得到的多个条形码或二维码各自对应的目标特征的码制类型分别加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将多个条形码或二维码各自对应的目标特征分别映射识别为对应的预测编码信息，以及对所述预测编码信息进行二值化处理。
请参阅图11，为本发明实施方式中的利用多目标检测模型(Faster-RCNN或SSD)网络结构的码制分类器和识码器的结构示意图。在本实施方式中，采用Faster-RCNN算法模型时，其区域池化(region pooling)之后输出多个区域提议(region proposal)，即代表候选目标特征，并用于对该目标分类，故，每个区域提议包含的特征即为所述目标特征。又例如，在采用SSD算法时，其多尺度特征图(Multi-Scale Feature Map)中每个特征像素点包含的特征都代表了可能的检测目标，故该特征像素点所在的通道特征即所述目标特征。多目标检测识别的原理与现有技术相同，在此不加赘述。
步骤S45，对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。
具体地，对所述识码器对多个条形码或二维码各自对应的目标特征进行识别得到的编码信息分别解码，以得到多个条形码或二维码的原始信息。
请参阅图12，通过深度学习预先训练多目标检测模型，具体包括：
步骤S50，获取不同码制类型的条形码或二维码图像以形成第二数据集。
其中，所述第二数据集中对每个码需要额外标注其在图像中所处的位置大小信息，所述位置大小信息用于训练所述多目标检测模型；即，每个码的标注内容至少包括：图像保存路径、位置大小信息、码制类型、二进制序列编码信息。
例如，位置大小信息用(x，y，w，h)表示，分别代表目标在图像XY轴的起始位置和长宽，又例如，有一张300×300的示例图像，包含了一个EAN-13码和一个QR-2版码，那么就需要两条标注数据：{demo.jpg，(60，90，80，20)，1，1010001...101}、{demo.jpg，(210，150，50，50)，2，0010001...00}。
步骤S51，将所述多目标检测模型的目标类别设为2。
具体地，只需预测目标区域是***还是***，其中，***亦表示背景类别。
多目标检测技术具备对目标分类的能力，因为本发明条形码、二维码的码制类别已经通过码制分类器进行识别，所以多目标检测模型主要实现对目标的定位和检测，以确定待检测目标是否为背景或真实存在的条码，故此将目标类别设为2。
步骤S52，通过所述第二数据集和深度学习技术最小化所述多目标检测模型的损失函数，以训练所述多目标检测模型。
其中，所述多目标检测模型有其规定的损失函数，例如SSD、YOLO等多目标检测模型，与现有技术中最小化损失函数的原理相同，在此不加赘述。
在其他实施方式中，所述多目标检测模型、码制分类器和识码器可以联合训练，即，三者的训练过程同时进行，具体方法为：
对相同的输入图像，分别计算多目标检测模型的损失、码制分类器的交叉熵(CrossEntropy)损失和识码器的损失(公式(2))，并对所述多目标检测模型的损失、码制分类器的交叉熵损失和识码器的损失求和，并对所述损失和进行最小化处理以实现联合训练。
请参阅图13，为本发明实施方式中一种基于深度学习的条码识别装置的结构示意图，所述装置60包括存储单元61、图像获取单元62、处理单元63以及模型训练单元64。
所述存储单元61，用于存储深度学习模型参数、码制类别、编码信息及应用程序本身；所述存储器的介质可以是例如软盘、硬盘、CD-ROM和半导体存储器等。
所述图像获取单元62，用于获取待识别的条形码或二维码图像。
进一步地，所述处理单元63包括图像处理单元631以及解码单元632。
所述图像处理单元631，用于根据所述图像获取单元62输入的图像识别条形码或二维码的编码信息。
所述解码单元632，用于对所述图像处理单元631识别的条形码或二维码的编码信息进行解码，输出条形码或二维码的原始信息。其中，解码方式取决于各码制的编码规则，例如EAN-13条形码通过查表进行解码，QR码通过蒙版等操作进行解码。
进一步地，所述图像处理单元631包括：
码制分类模块6311，用于加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型；
识码模块6312，用于根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效，以及在确定码制有效时根据所述码制分类模块6311预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息。
在本实施方式中，所述识码模块6312根据所述码制分类模块6311判断得到的码制类型选择对应的识码器，根据所述识码器和公式(1)计算获得预测编码信息，以及对所述预测编码信息进行二值化处理。
进一步地，所述码制分类模块6311用于输入待识别条形码或二维码图像到深度学习网络，以及根据所述深度学习网络的输出判断最大概率对应的码制类型。
进一步地，所述模型训练单元64用于获取数据和训练深度学习模型。具体地，所述模型训练单元64获取不同码制类型的条形码或二维码图像构成第一数据集；以及利用所述第一数据集进行深度学习模型训练以得到所述码制分类器；其中，每条数据至少包含{图像保存路径、码制类型、二进制序列编码信息}的信息。
所述模型训练单元64还利用公式(1)进行识码器的计算，以及利用公式(2)进行所述识码器损失函数的计算，并利用公式(1)、(2)以及所述第一数据集对所述识码器Gc进行深度学习训练。
具体地，zc＝Gc(x) (1)
Figure BDA0003272713020000151
其中，x为输入图像，属于第c类码制，c～[1，M]，M是正整数，yc为编码信息标注，Gc为第c类码制的识码器，Nc为该码制的二进制序列编码信息长度；zc为预测编码信息，也是长度为Nc的序列。sigmoid是用于将zc的数值缩放到0～1之间的激活函数，Lossc为第c类码制的识码器Gc的损失。
进一步地，所述模型训练单元64还用于联合训练所述码制分类器和识码器，具体地：对相同的输入，分别计算码制分类器的交叉熵(CrossEntropy)损失和识码器的损失(公式(2))，对所述交叉熵损失和识码器的损失求和，并对所述损失之和进行最小化处理以实现联合训练。
请参阅图14，为本发明另一实施方式中一种基于深度学习的条码识别装置的结构示意图。所述装置70包括存储单元71、图像获取单元72、处理单元73以及多目标模型训练单元74。其中，所述处理单元73包括图像处理单元731以及解码单元732；所述图像处理单元731包括码制分类模块7311、识码模块7312和多目标检测模块7313。
在本实施方式中，当作业人员需要识别的条形码或二维码图像为多个目标时，所述多目标检测模块7313用于加载预先训练完成的深度学习多目标检测模型，并使用所述深度学习多目标检测模型对输入图像进行检测识别以得到多个条形码或二维码各自对应的目标特征。
所述码制分类模块7311用于加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器分别预测所述多个条形码或二维码各自对应的目标特征的码制类型。
所述识码模块7312用于根据所述码制分类器预测得到的多个条形码或二维码各自对应的目标特征的码制类型分别加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将多个条形码或二维码各自对应的目标特征分别映射识别为对应的预测编码信息，以及对所述预测编码信息进行二值化处理。
所述解码单元732用于对所述识码器对多个条形码或二维码各自对应的目标特征识别得到的编码信息分别进行解码，以得到多个条形码或二维码的原始信息。
所述多目标模型训练单元74，用于获取不同码制类型的条形码或二维码图像以形成第二数据集，将所述多目标检测模型的目标类别设为2，以及通过所述第二数据集和深度学习技术最小化所述多目标检测模型的损失函数，以训练所述多目标检测模型。其中，所述第二数据集中对每个码需要额外标注其在图像中所处的位置大小信息，所述位置大小信息用于训练所述多目标检测模型；即，每个码的标注内容至少包括：图像保存路径、位置大小信息、码制类型、二进制序列编码信息。
进一步地，所述多目标模型训练单元74还用于联合训练所述多目标检测模型、码制分类器和识码器，具体地：对相同的输入，分别计算多目标检测模型的损失、码制分类器的交叉熵(CrossEntropy)损失和识码器的损失(公式(2))，并对所述多目标检测模型的损失、码制分类器的交叉熵损失和识码器的损失求和，并对所述损失和进行最小化处理以实现联合训练。
本发明实施方式提供的一种基于深度学习的条码识别方法及装置，通过深度学习预先训练完成码制分类器和识码器，以对获取的条形码或二维码的图像加载码制分类器以预测码制类型，加载相应的识码器进行编码信息的识别，从而实现一次性处理检测、校正、二值化、网格划分等传统识别过程的大部分工作，解决现有条形码或二维码识别方法的流程复杂、抗干扰能力较差的问题；同时，利用预先训练的深度学习码制分类器识别出目标条形码、二维码图像的码制类别，根据不同的码制类别再做后续处理，可以适用于多种码制；进一步地，还可以通过加载基于深度学习的多目标检测模型对获取到的多个条形码或二维码图像进行目标识别，以适用于多目标条码识别。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，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，所述模块或单元的划分，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。另一点，相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性或其它的形式。
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，管理服务器，或者网络设备等)或处理器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(英文：read-only memory，缩写：ROM)、随机存取存储器(英文：Random Access Memory，缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种基于深度学习的条码识别方法，其特征在于，包括如下步骤：
获取待识别的条形码或二维码图像；
加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型；其中，所述码制类型包括条形码和二维码的码制和版本；
根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效；
当确定码制有效时，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息；以及
对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。
2.根据权利要求1所述的一种基于深度学习的条码识别方法，其特征在于，通过深度学习预先训练码制分类器，具体包括：
获取不同码制类型的条形码或二维码图像以形成第一数据集；其中，每条数据至少包含{图像保存路径、码制类型、二进制序列编码信息}；
利用所述第一数据集进行深度学习模型训练以得到所述码制分类器。
3.根据权利要求1所述的一种基于深度学习的条码识别方法，其特征在于，加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型，具体包括：
输入待识别条形码或二维码图像到深度学习网络；
根据所述深度学习网络的输出判断最大概率对应的码制类型。
4.根据权利要求1所述的一种基于深度学习的条码识别方法，其特征在于，通过深度学习训练识码器，具体包括：
利用公式(1)进行识码器的计算，以及利用公式(2)进行所述识码器损失函数的计算；其中，x为输入图像，属于第c类码制，c～[1，M]，M是正整数，yc为编码信息标注，Gc为第c类码制的识码器，Nc为该码制的二进制序列编码信息长度；zc为预测编码信息，也是长度为Nc的序列；sigmoid是用于将zc的数值缩放到0～1之间的激活函数，Lossc为第c类码制的识码器Gc的损失；
zc＝Gc(x) (1)
Figure FDA0003272713010000021
利用公式(1)、(2)以及所述第一数据集对所述识码器Gc进行深度学习训练。
5.根据权利要求1、4所述的一种基于深度学习的条码识别方法，其特征在于，根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息，具体包括：
根据所述码制分类器预测得到的输入图像的码制类型从预先训练完成的多个识码器中选择相应的识码器；
利用所述公式(1)将输入图像映射识别以获得预测编码信息；以及
对所述预测编码信息进行二值化处理，从而得到输入图像的编码信息。
6.根据权利要求1所述的一种基于深度学习的条码识别方法，其特征在于，当所述待识别的条形码或二维码图像为多个目标时，所述方法还包括：
加载预先训练完成的深度学习多目标检测模型，并使用所述深度学习多目标检测模型对输入图像进行检测识别以得到多个条形码或二维码各自对应的目标特征；
加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型，具体为：加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器分别预测所述多个条形码或二维码各自对应的目标特征的码制类型；
根据所述码制分类器预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息，具体为：根据所述码制分类器预测得到的多个条形码或二维码各自对应的目标特征的码制类型分别加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将多个条形码或二维码各自对应的目标特征分别映射识别为对应的预测编码信息，以及对所述预测编码信息进行二值化处理；
对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息，具体为：对所述识码器对多个条形码或二维码各自对应的目标特征识别得到的编码信息分别进行解码，以得到多个条形码或二维码的原始信息。
7.根据权利要求6所述的一种基于深度学习的条码识别方法，其特征在于，通过深度学习预先训练多目标检测模型，具体包括：
获取不同码制类型的条形码或二维码图像以形成第二数据集；其中，所述第二数据集中对每个码额外标注其在图像中所处的位置大小信息，标注内容至少包括：图像保存路径、位置大小信息、码制类型、二进制序列编码信息；
将所述多目标检测模型的目标类别设为2；
通过所述第二数据集和深度学习技术最小化所述多目标检测模型的损失函数，以训练所述多目标检测模型。
8.一种基于深度学习的条码识别装置，包括存储单元、图像获取单元以及处理单元；所述处理单元包括图像处理单元以及解码单元；所述图像获取单元用于获取待识别的条形码或二维码图像；其特征在于，所述图像处理单元包括：
码制分类模块，用于加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器预测输入图像的码制类型；
识码模块，用于根据所述码制分类器的分类结果的概率预测值是否大于阈值以判断码制是否有效，以及在确定码制有效时根据所述码制分类模块预测得到的输入图像的码制类型加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将输入图像映射识别为编码信息；
所述解码单元，用于对所述识码器对输入图像映射识别得到的编码信息进行解码，以得到条形码或二维码的原始信息。
9.根据权利要求8所述的一种基于深度学习的条码识别装置，其特征在于，还包括模型训练单元，用于：
获取不同码制类型的条形码或二维码图像构成第一数据集；其中，每条数据至少包含{图像保存路径、码制类型、二进制序列编码信息}的信息；
利用所述第一数据集进行深度学习模型训练以得到所述码制分类器；
利用公式(1)进行识码器的计算，以及利用公式(2)进行所述识码器损失函数的计算，并利用公式(1)、(2)以及所述第一数据集对所述识码器Gc进行深度学习训练；
zc＝Gc(x) (1)
Figure FDA0003272713010000041
其中，x为输入图像，属于第c类码制，c～[1，M]，M是正整数，yc为编码信息标注，Gc为第c类码制的识码器，Nc为该码制的二进制序列编码信息长度；zc为预测编码信息，也是长度为Nc的序列。sigmoid是用于将zc的数值缩放到0～1之间的激活函数，Lossc为第c类码制的识码器Gc的损失。
10.根据权利要求9所述的一种基于深度学习的条码识别装置，其特征在于，所述识码模块还用于根据所述码制分类模块判断得到的码制类型选择对应的识码器，根据所述识码器和公式(1)计算获得预测编码信息，以及对所述预测编码信息进行二值化处理。
11.根据权利要求8所述的一种基于深度学习的条码识别装置，其特征在于，所述图像处理单元还包括多目标检测模块；
当所述待识别的条形码或二维码图像为多个目标时，所述多目标检测模块用于加载预先训练完成的深度学习多目标检测模型，并使用所述深度学习多目标检测模型对输入图像进行检测识别以得到多个条形码或二维码各自对应的目标特征；
所述码制分类模块用于加载通过深度学习预先训练完成的码制分类器，并使用所述码制分类器分别预测所述多个条形码或二维码各自对应的目标特征的码制类型；
所述识码模块用于根据所述码制分类器预测得到的多个条形码或二维码各自对应的目标特征的码制类型分别加载相应的通过深度学习预先训练完成的识码器，并由所述识码器将多个条形码或二维码各自对应的目标特征分别映射识别为对应的预测编码信息，以及对所述预测编码信息进行二值化处理；
所述解码单元用于对所述识码器对多个条形码或二维码各自对应的目标特征识别得到的编码信息分别进行解码，以得到多个条形码或二维码的原始信息。
12.根据权利要求11所述的一种基于深度学习的条码识别装置，其特征在于，还包括多目标模型训练单元，用于获取不同码制类型的条形码或二维码图像以形成第二数据集，将所述多目标检测模型的目标类别设为2，以及通过所述第二数据集和深度学习技术最小化所述多目标检测模型的损失函数，以训练所述多目标检测模型；其中，所述第二数据集中对每个码额外标注其在图像中所处的位置大小信息，标注内容至少包括：图像保存路径、位置大小信息、码制类型、二进制序列编码信息。
CN202111106727.4A 2021-09-22 2021-09-22 一种基于深度学习的条码识别方法及装置 Pending CN114021596A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111106727.4A CN114021596A (zh) 2021-09-22 2021-09-22 一种基于深度学习的条码识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111106727.4A CN114021596A (zh) 2021-09-22 2021-09-22 一种基于深度学习的条码识别方法及装置

Publications (1)

Publication Number Publication Date
CN114021596A true CN114021596A (zh) 2022-02-08

Family

ID=80054527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111106727.4A Pending CN114021596A (zh) 2021-09-22 2021-09-22 一种基于深度学习的条码识别方法及装置

Country Status (1)

Country Link
CN (1) CN114021596A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115909351A (zh) * 2023-02-08 2023-04-04 江苏金恒信息科技股份有限公司 一种基于深度学习的容器编号识别方法及装置
CN116451720A (zh) * 2023-06-09 2023-07-18 陕西西煤云商信息科技有限公司 一种仓储物资扫描识别方法及其识别***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110290879A1 (en) * 2010-06-01 2011-12-01 Fujian Newland Computer Co., Ltd. Qr barcode decoding chip and decoding method thereof
US20130240628A1 (en) * 2010-09-30 2013-09-19 Apple Inc. Barcode Recognition Using Data-Driven Classifier
CN105809094A (zh) * 2014-12-31 2016-07-27 研祥智能科技股份有限公司 基于机器视觉的条形码识别方法
CN108416412A (zh) * 2018-01-23 2018-08-17 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流复合码识别方法
US20180322321A1 (en) * 2016-07-27 2018-11-08 Tencent Technology (Shenzhen) Company Limited Image identification method, terminal and non-volatile storage medium
CN110427793A (zh) * 2019-08-01 2019-11-08 厦门商集网络科技有限责任公司 一种基于深度学习的条码检测方法及其***
WO2020238239A1 (zh) * 2019-05-31 2020-12-03 创新先进技术有限公司 二维码识别方法、二维码定位识别模型建立方法及其装置
CN112347805A (zh) * 2020-11-25 2021-02-09 广东开放大学（广东理工职业学院） 一种多目标二维码检测识别方法、***、装置及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110290879A1 (en) * 2010-06-01 2011-12-01 Fujian Newland Computer Co., Ltd. Qr barcode decoding chip and decoding method thereof
US20130240628A1 (en) * 2010-09-30 2013-09-19 Apple Inc. Barcode Recognition Using Data-Driven Classifier
CN105809094A (zh) * 2014-12-31 2016-07-27 研祥智能科技股份有限公司 基于机器视觉的条形码识别方法
US20180322321A1 (en) * 2016-07-27 2018-11-08 Tencent Technology (Shenzhen) Company Limited Image identification method, terminal and non-volatile storage medium
CN108416412A (zh) * 2018-01-23 2018-08-17 浙江瀚镪自动化设备股份有限公司 一种基于多任务深度学习的物流复合码识别方法
WO2020238239A1 (zh) * 2019-05-31 2020-12-03 创新先进技术有限公司 二维码识别方法、二维码定位识别模型建立方法及其装置
CN110427793A (zh) * 2019-08-01 2019-11-08 厦门商集网络科技有限责任公司 一种基于深度学习的条码检测方法及其***
CN112347805A (zh) * 2020-11-25 2021-02-09 广东开放大学（广东理工职业学院） 一种多目标二维码检测识别方法、***、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115909351A (zh) * 2023-02-08 2023-04-04 江苏金恒信息科技股份有限公司 一种基于深度学习的容器编号识别方法及装置
CN116451720A (zh) * 2023-06-09 2023-07-18 陕西西煤云商信息科技有限公司 一种仓储物资扫描识别方法及其识别***

Similar Documents

Publication Publication Date Title
US8550352B2 (en) QR barcode decoding chip and decoding method thereof
CN101882207B (zh) Data Matrix码条码解码芯片及其解码方法
US20110290878A1 (en) Matrix-type two-dimensional barcode decoding chip and decoding method thereof
CN114021596A (zh) 一种基于深度学习的条码识别方法及装置
CN110114781B (zh) 用于检测和识别远程高密度视觉标记的方法
CN107247985B (zh) 二维码的编码、定位及识别方法
CN111783495A (zh) 一种条形码识别方法、装置、电子设备及存储介质
CN116758544B (zh) 一种基于图像处理的晶圆编码识别***
CN110866402A (zh) 一种命名实体识别的方法、装置、存储介质及电子设备
CN108073966A (zh) 一种二维码与孔阵码的转换方法
CN114005126A (zh) 表格重构方法、装置、计算机设备及可读存储介质
CN112183655A (zh) 文档多标签分类方法和装置
CN113297870A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN101923632B (zh) Maxi Code条码解码芯片及其解码方法
CN113553876A (zh) 条形码识别方法、装置、设备及存储介质
CN104217189A (zh) 一种用于试纸条的条形码的自学习识别方法
Do et al. Smart inference for multidigit convolutional neural network based barcode decoding
CN115147847A (zh) 文本识别结果的确定方法、装置、存储介质及计算机设备
CN201927035U (zh) 一种条码解码装置及其二值化装置
CN113610043A (zh) 一种工业图纸表格结构化识别方法及***
CN111191759A (zh) 一种二维码的生成方法和基于gpu的定位、解码方法
JP2020107325A (ja) 解像度不足のシンボルをデコードするための方法と装置
CN116229493B (zh) 跨模态的图片文本命名实体识别方法、***及电子设备
KR102682942B1 (ko) 바코드 이미지 식별 방법 및 그 장치
US8915433B2 (en) Indentifier eligibility

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