CN110399760A - 一种批量二维码定位方法、装置、电子设备及存储介质 - Google Patents

一种批量二维码定位方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN110399760A
CN110399760A CN201910666539.3A CN201910666539A CN110399760A CN 110399760 A CN110399760 A CN 110399760A CN 201910666539 A CN201910666539 A CN 201910666539A CN 110399760 A CN110399760 A CN 110399760A
Authority
CN
China
Prior art keywords
dimensional code
data set
batch
convolutional neural
coordinate
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
CN201910666539.3A
Other languages
English (en)
Inventor
叶武剑
李高哲
刘怡俊
陈杰
黄飞扬
潘锡晴
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910666539.3A priority Critical patent/CN110399760A/zh
Publication of CN110399760A publication Critical patent/CN110399760A/zh
Pending legal-status Critical Current

Links

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
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • 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 Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Toxicology (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请所提供的一种批量二维码定位方法，包括：获取包含至少两个二维码的场景图像；将场景图像输入预设的深度卷积神经网络模型，输出各个二维码的坐标；其中，深度卷积神经网络模型为利用MobileNet‑SSD网络进行模型训练得到的模型。该方法先是获取包含至少两个二维码的场景图像，再将场景图像输入预设的深度卷积神经网络模型，输出各个二维码的坐标。其中，深度卷积神经网络模型为利用MobileNet‑SSD网络进行模型训练得到的模型。可见，该方法能够实现在各种应用场景中批量二维码定位。本申请还提供一种批量二维码定位装置、电子设备及计算机可读存储介质，均具有上述有益效果。

Description

一种批量二维码定位方法、装置、电子设备及存储介质
技术领域
本申请涉及批量二维码定位领域，特别涉及一种批量二维码定位方法、装置、电子设备及计算机可读存储介质。
背景技术
工业生产环境中时常需要批量检测货物信息，需要同时检测定位多个二维码，进而获得二维码中的信息。目前，批量二维码定位方法是：将待识别文字图像进行二值化处理，根据预定二维码扫码模式对二值化图像进行扫描，获得二维码模式点，然后对二维码模式点进行聚类，获得二维码的剪切边长和聚类中心点，对二维码进行剪切。该方法主要是利用二维码黑白像素点规律的排列特性以及预定的模式点来检测定位多个二维码，对应用的场景和模式有特殊要求，兼容性存在一定欠缺。
因此，如何实现在各种应用场景中批量二维码定位是本领域技术人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种批量二维码定位方法、装置、电子设备及计算机可读存储介质，能够实现在各种应用场景中批量二维码定位。
为解决上述技术问题，本申请提供一种批量二维码定位方法，包括：
获取包含至少两个二维码的场景图像；
将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标；其中，所述深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
优选地，所述将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标，包括：
获取数据集并对所述数据集进行预处理，得到目标数据集；其中，所述目标数据集包含目标训练集和目标测试集；
将所述目标训练集输入所述MobileNet-SSD网络进行模型训练得到所述深度卷积神经网络模型；
将所述场景图像输入所述深度卷积神经网络模型，输出各个所述二维码的坐标。
优选地，所述获取数据集并对所述数据集进行预处理，得到目标数据集，包括：
获取所述数据集并对所述数据集进行像素重构处理，得到所述目标数据集。
优选地，所述输出各个所述二维码的坐标之后，还包括：
根据各所述坐标分割对应的二维码，并将各个分割出的二维码保存至移动端存储中。
本申请还提供一种批量二维码定位装置，包括：
场景图像获取模块，用于获取包含至少两个二维码的场景图像；
二维码坐标输出模块，用于将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标；其中，所述深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
优选地，所述二维码坐标输出模块，包括：
目标数据集获取单元，用于获取数据集并对所述数据集进行预处理，得到目标数据集；其中，所述目标数据集包含目标训练集和目标测试集；
深度卷积神经网络模型获取单元，用于将所述目标训练集输入所述MobileNet-SSD网络进行模型训练得到所述深度卷积神经网络模型；
二维码坐标输出单元，用于将所述场景图像输入所述深度卷积神经网络模型，输出各个所述二维码的坐标。
优选地，所述目标数据集获取单元，包括：
目标数据集获取子单元，用于获取所述数据集并对所述数据集进行像素重构处理，得到所述目标数据集。
优选地，该批量二维码定位装置还包括：
二维码分割模块，用于根据各所述坐标分割对应的二维码，并将各个分割出的二维码保存至移动端存储中。
本申请还提供一种电子设备，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述所述的批量二维码定位方法的步骤。
本申请还提供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，所述计算机程序被处理器执行时实现上述所述的批量二维码定位方法的步骤。
本申请所提供的一种批量二维码定位方法，包括：获取包含至少两个二维码的场景图像；将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标；其中，所述深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
该方法先是获取包含至少两个二维码的场景图像，再将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标。其中，所述深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。可见，该方法能够实现在各种应用场景中批量二维码定位。本申请还提供一种批量二维码定位装置、电子设备及计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种批量二维码定位方法的流程图；
图2为本申请实施例所提供的一种数据集示意图；
图3为本申请实施例所提供的一种8X8特征图；
图4为本申请实施例所提供的一种4X4特征图；
图5为本申请实施例所提供的一种批量二维码定位装置的结构框图。
具体实施方式
本申请的核心是提供一种批量二维码定位方法，能够实现在各种应用场景中批量二维码定位。本申请的另一核心是提供一种批量二维码定位装置、电子设备及计算机可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
工业生产环境中时常需要批量检测货物信息，需要同时检测定位多个二维码，进而获得二维码中的信息。目前，批量二维码定位方法是：将待识别文字图像进行二值化处理，根据预定二维码扫码模式对二值化图像进行扫描，获得二维码模式点，然后对二维码模式点进行聚类，获得二维码的剪切边长和聚类中心点，对二维码进行剪切。该方法主要是利用二维码黑白像素点规律的排列特性以及预定的模式点来检测定位多个二维码，对应用的场景和模式有特殊要求，兼容性存在一定欠缺。本申请提供的一种批量二维码定位方法，能够实现在各种应用场景中批量二维码定位，具体请参考图1，图1为本申请实施例所提供的一种批量二维码定位方法的流程图，该批量二维码定位方法具体包括：
S101、获取包含至少两个二维码的场景图像；
S102、将场景图像输入预设的深度卷积神经网络模型，输出各个二维码的坐标；其中，深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
该方法先是获取包含至少两个二维码的场景图像，再将场景图像输入预设的深度卷积神经网络模型，输出各个二维码的坐标。其中，深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。可见，该方法能够实现在各种应用场景中批量二维码定位。
基于上述实施例，本实施例中上述将场景图像输入预设的深度卷积神经网络模型，输出各个二维码的坐标，包括：获取数据集并对数据集进行预处理，得到目标数据集；其中，目标数据集包含目标训练集和目标测试集；将目标训练集输入MobileNet-SSD网络进行模型训练得到深度卷积神经网络模型；将场景图像输入深度卷积神经网络模型，输出各个二维码的坐标。
进一步地，上述获取数据集并对数据集进行预处理，得到目标数据集，包括：获取数据集并对数据集进行像素重构处理，得到目标数据集。进一步地，上述输出各个二维码的坐标之后，还包括：根据各坐标分割对应的二维码，并将各个分割出的二维码保存至移动端存储中。
下面就一种最优实施例对上述内容进行说明：
步骤1、制作数据集，该数据集包含381张标注了Ground Truth的输入图片。如图2所示，图2为本申请实施例所提供的一种数据集示意图。
步骤1中包括如下步骤：
1.1通过在日常生活和工厂中实景拍摄，还有网络下载获得381张包含二维码的图片，每张图片可能有多个二维码。然后对每张图片使用labelImg进行标注，标注的方框称为Ground Truth。注意：在制作数据集时，二维码所在的场景必须具有多样性，防止欠拟合导致定位与识别效果不佳。
1.2选取250张图片作为训练集Train，剩下131张作为测试集Test。
步骤2、使用MobileNet-SSD网络的图片预处理函数对数据集进行预处理。
步骤2中包括如下步骤：
2.1进行resize处理，该操作将大小不统一的数据集图片重构为500×500像素。
步骤3、将训练集放入MobileNet-SSD网络进行训练，得到对场景中物体的分类与坐标(prediction)。
步骤3中包括如下步骤：
3.1训练集图片首先经过一个基础的卷积神经网络mobilenet_v1提取出图片的特征，在基础网络结构后，添加了额外的卷积层，这些卷积层的大小是逐层递减的，每层上都有各自不同规格的feature map(特征图)，即是对该层图像的一种特征提取方法，将图像划分成网格，如图3是8X8的feature map(图3为本申请实施例所提供的一种8X8特征图)，而图4是4X4的featuremap(图4为本申请实施例所提供的一种4X4特征图)，其中每一个网格称为feature map cell。这种结构可以在多尺度下进行prediction。
3.2在每个feature map cell上，都有一系列的预选框(default box)，负责提取物体在图片中的位置和种类，如图4，每个虚线框都是一个default box，图4中共有4个default box，而网络中多个额外的卷积层都有各自不同大小规格feature map，每一个default box相对于与其对应的feature map cell的位置是固定的。在每一个feature mapcell中，我们要预测得到的bounding box与default box之间的偏移值(offsets)，以及每一个bounding box中包含物体的confidence(每一个类别概率都要计算出)。
具体来说，对于一个位置上的k个boxes中的每一个box，我们需要计算出c个类，每一个类的confidence，还有这个box相对于它的默认box的4个offsets。于是，在featuremap中的每一个feature map cell上，就需要有(c+4)×k个filters。对于一张m×n大小的feature map，即会产生(c+4)×k×m×n个输出结果。
3.3训练过程中的Loss分为两部分，一部分是localization loss，另一部分是confidence loss，总的损失函数由这两部分加权求和得到，其中localizationloss表示模型预测的default box与实际的二维码位置ground truth box的偏差，confidence loss表示模型预测的置信度(confidence)与实际的得分(是二维码则为1，不是则为0)的差别，用softmax函数来计算。
Lloc是localization loss，是predict box(最终模型预测的二维码所在的方框)与ground truth box(g)之间的Smooth L1loss，具体来说就是对default box的中心(cx,cy)、宽(w)和高(h)作回归预测。图4中的loc即为Lloc，cx和cy分别表示中心的横坐标和纵坐标，w和h分别表示宽和高。
Lconf是confidence loss，是每个预测值的confidence的softmax loss。图4中的conf即为Lconf，c1、c2和cp表示各个Lconf的纵坐标。
步骤4、将测试集作为步骤3中的输入，观测输出对于二维码检测和定位的效果，得到损失函数，表示Loss的值随着迭代次数增长而不断下降。
步骤5、将步骤4中测试的输出转化成二维码的坐标，并将二维码从原图像上分割下来，保存到移动端存储中。
步骤5中包括如下步骤：
5.1提取MobileNet-SSD的输出坐标，即为二维码所在位置的坐标，依据坐标对原始图像进行分割，将二维码分割出来。
5.2将分割下来的二维码保存到移动端存储中。
由上文可知，本发明具有如下有益效果：
(1)利用深度学习实现批量检测与定位二维码，即可以同时检测与定位场景中的多个二维码；
(2)将SSD_mobilenet，即SSD的移动端版本应用在二维码检测与定位领域，在移动端设备性能限制的情况下保证定位与识别的速度；
(3)能够在移动端拍摄图像，通过内置的深度神经网络模型来检测定位出二维码后，并将原图像中的二维码分割，然后保存下来。
下面对本申请实施例提供的一种批量二维码定位装置、电子设备及计算机可读存储介质进行介绍，下文描述的批量二维码定位装置、电子设备及计算机可读存储介质与上文描述的批量二维码定位方法可相互对应参照。
请参考图5，图5为本申请实施例所提供的一种批量二维码定位装置的结构框图；该批量二维码定位装置包括：
场景图像获取模块501，用于获取包含至少两个二维码的场景图像；
二维码坐标输出模块502，用于将场景图像输入预设的深度卷积神经网络模型，输出各个二维码的坐标；其中，深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
基于上述实施例，本实施例中二维码坐标输出模块502，包括：
目标数据集获取单元，用于获取数据集并对数据集进行预处理，得到目标数据集；其中，目标数据集包含目标训练集和目标测试集；
深度卷积神经网络模型获取单元，用于将目标训练集输入MobileNet-SSD网络进行模型训练得到深度卷积神经网络模型；
二维码坐标输出单元，用于将场景图像输入深度卷积神经网络模型，输出各个二维码的坐标。
基于上述实施例，本实施例中目标数据集获取单元，包括：
目标数据集获取子单元，用于获取数据集并对数据集进行像素重构处理，得到目标数据集。
基于上述实施例，本实施例中该批量二维码定位装置还包括：
二维码分割模块，用于根据各坐标分割对应的二维码，并将各个分割出的二维码保存至移动端存储中。
本申请还提供一种电子设备，包括：存储器和处理器；其中，存储器用于存储计算机程序，处理器用于执行计算机程序时实现上述任意实施例的批量二维码定位方法的步骤。
本申请还提供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，计算机程序被处理器执行时实现上述任意实施例的批量二维码定位方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种批量二维码定位方法、装置、电子设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种批量二维码定位方法，其特征在于，包括：
获取包含至少两个二维码的场景图像；
将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标；其中，所述深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
2.根据权利要求1所述的批量二维码定位方法，其特征在于，所述将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标，包括：
获取数据集并对所述数据集进行预处理，得到目标数据集；其中，所述目标数据集包含目标训练集和目标测试集；
将所述目标训练集输入所述MobileNet-SSD网络进行模型训练得到所述深度卷积神经网络模型；
将所述场景图像输入所述深度卷积神经网络模型，输出各个所述二维码的坐标。
3.根据权利要求2所述的批量二维码定位方法，其特征在于，所述获取数据集并对所述数据集进行预处理，得到目标数据集，包括：
获取所述数据集并对所述数据集进行像素重构处理，得到所述目标数据集。
4.根据权利要求3所述的批量二维码定位方法，其特征在于，所述输出各个所述二维码的坐标之后，还包括：
根据各所述坐标分割对应的二维码，并将各个分割出的二维码保存至移动端存储中。
5.一种批量二维码定位装置，其特征在于，包括：
场景图像获取模块，用于获取包含至少两个二维码的场景图像；
二维码坐标输出模块，用于将所述场景图像输入预设的深度卷积神经网络模型，输出各个所述二维码的坐标；其中，所述深度卷积神经网络模型为利用MobileNet-SSD网络进行模型训练得到的模型。
6.根据权利要求5所述的批量二维码定位装置，其特征在于，所述二维码坐标输出模块，包括：
目标数据集获取单元，用于获取数据集并对所述数据集进行预处理，得到目标数据集；其中，所述目标数据集包含目标训练集和目标测试集；
深度卷积神经网络模型获取单元，用于将所述目标训练集输入所述MobileNet-SSD网络进行模型训练得到所述深度卷积神经网络模型；
二维码坐标输出单元，用于将所述场景图像输入所述深度卷积神经网络模型，输出各个所述二维码的坐标。
7.根据权利要求6所述的批量二维码定位装置，其特征在于，所述目标数据集获取单元，包括：
目标数据集获取子单元，用于获取所述数据集并对所述数据集进行像素重构处理，得到所述目标数据集。
8.根据权利要求7所述的批量二维码定位装置，其特征在于，还包括：
二维码分割模块，用于根据各所述坐标分割对应的二维码，并将各个分割出的二维码保存至移动端存储中。
9.一种电子设备，其特征在于，包括：
存储器和处理器；其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现如权利要求1至4任一项所述的批量二维码定位方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的批量二维码定位方法的步骤。
CN201910666539.3A 2019-07-23 2019-07-23 一种批量二维码定位方法、装置、电子设备及存储介质 Pending CN110399760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910666539.3A CN110399760A (zh) 2019-07-23 2019-07-23 一种批量二维码定位方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910666539.3A CN110399760A (zh) 2019-07-23 2019-07-23 一种批量二维码定位方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN110399760A true CN110399760A (zh) 2019-11-01

Family

ID=68325839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910666539.3A Pending CN110399760A (zh) 2019-07-23 2019-07-23 一种批量二维码定位方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110399760A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860027A (zh) * 2020-06-11 2020-10-30 贝壳技术有限公司 二维码的识别方法及装置
CN112016339A (zh) * 2020-08-18 2020-12-01 中移（杭州）信息技术有限公司 二维码识别及缺损修复方法、装置、电子设备及存储介质
CN112183148A (zh) * 2020-09-18 2021-01-05 内江师范学院 一种批量条码定位方法及识别系统
CN112580382A (zh) * 2020-12-28 2021-03-30 哈尔滨工程大学 基于目标检测二维码定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229232A (zh) * 2016-12-21 2018-06-29 腾讯科技（深圳）有限公司 批量扫描二维码的方法和批量扫描二维码的装置
CN108898163A (zh) * 2018-06-08 2018-11-27 Oppo广东移动通信有限公司 信息处理方法和装置、电子设备、计算机可读存储介质
CN108921218A (zh) * 2018-06-29 2018-11-30 炬大科技有限公司 一种目标物体检测方法及装置
CN109446870A (zh) * 2018-09-07 2019-03-08 佛山市顺德区中山大学研究院 一种基于cnn的qr码寻像图形缺陷恢复方法
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN109918957A (zh) * 2019-03-05 2019-06-21 大连民族大学 一种双瞳远距离二维码扫描的终端、系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229232A (zh) * 2016-12-21 2018-06-29 腾讯科技（深圳）有限公司 批量扫描二维码的方法和批量扫描二维码的装置
CN108898163A (zh) * 2018-06-08 2018-11-27 Oppo广东移动通信有限公司 信息处理方法和装置、电子设备、计算机可读存储介质
CN108921218A (zh) * 2018-06-29 2018-11-30 炬大科技有限公司 一种目标物体检测方法及装置
CN109446870A (zh) * 2018-09-07 2019-03-08 佛山市顺德区中山大学研究院 一种基于cnn的qr码寻像图形缺陷恢复方法
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN109918957A (zh) * 2019-03-05 2019-06-21 大连民族大学 一种双瞳远距离二维码扫描的终端、系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨洁等: "基于SSD卷积网络的视频目标检测研究", 《南华大学学报(自然科学版)》 *
蔡若君等: "基于深度学习的二维码定位与检测技术", 《现代计算机(专业版)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860027A (zh) * 2020-06-11 2020-10-30 贝壳技术有限公司 二维码的识别方法及装置
CN112016339A (zh) * 2020-08-18 2020-12-01 中移（杭州）信息技术有限公司 二维码识别及缺损修复方法、装置、电子设备及存储介质
CN112016339B (zh) * 2020-08-18 2023-12-29 中移（杭州）信息技术有限公司 二维码识别及缺损修复方法、装置、电子设备及存储介质
CN112183148A (zh) * 2020-09-18 2021-01-05 内江师范学院 一种批量条码定位方法及识别系统
CN112580382A (zh) * 2020-12-28 2021-03-30 哈尔滨工程大学 基于目标检测二维码定位方法
CN112580382B (zh) * 2020-12-28 2022-06-17 哈尔滨工程大学 基于目标检测二维码定位方法

Similar Documents

Publication Publication Date Title
CN110399760A (zh) 一种批量二维码定位方法、装置、电子设备及存储介质
CN110738207A (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN112418216B (zh) 一种复杂自然场景图像中的文字检测方法
CN110414451A (zh) 一种基于端对端的车牌识别方法、装置、设备及存储介质
CN114155543A (zh) 神经网络训练方法、文档图像理解方法、装置和设备
US9239948B2 (en) Feature descriptor for robust facial expression recognition
CN111275034B (zh) 从图像中提取文本区域的方法、装置、设备和存储介质
CN107516096A (zh) 一种字符识别方法及装置
CN110866529A (zh) 字符识别方法、装置、电子设备及存储介质
CN110046617A (zh) 一种基于深度学习的数字电表读数自适应识别方法
CN111738280A (zh) 一种图像识别方法、装置、设备及可读存储介质
CN113705461A (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN111597845A (zh) 一种二维码检测方法、装置、设备及可读存储介质
CN110458132A (zh) 一种基于端到端的不定长文本识别方法
CN110879972A (zh) 一种人脸检测方法及装置
CN115909378A (zh) 单据文本检测模型的训练方法及单据文本检测方法
US9311523B1 (en) Method and apparatus for supporting object recognition
CN113554655B (zh) 基于多特征增强的光学遥感图像分割方法及装置
CN116798041A (zh) 图像识别方法、装置和电子设备
CN113744158B (zh) 图像生成方法、装置、电子设备和存储介质
CN113468906B (zh) 图形码提取模型构建方法、识别方法、装置、设备和介质
CN111382750A (zh) 图形验证码识别方法及装置
CN116863509B (zh) 运用改进的PolarMask进行人形轮廓检测和姿态识别的方法
CN117649358B (zh) 图像处理方法、装置、设备及存储介质
LU504734B1 (en) Self-supervised text recognition method, device and storage medium

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

Application publication date: 20191101

RJ01 Rejection of invention patent application after publication