CN111104997A - 一种基于深度学习的商品二维码生成方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的商品二维码生成方法及系统，涉及二维码生成技术领域，其中方法包括如下步骤：编码器根据获取的商品信息进行编码，以提取所述商品信息的均值向量和标准差向量；所述编码器根据所述均值向量和所述标准差向量，处理得到满足预设概率分布的隐含向量；所述解码器根据所述隐含向量和所述商品信息，并采用对抗生成网络进行迭代训练，以得到优化后的所述编码器和优化后的所述解码器；采用优化后的所述编码器对待编码商品信息进行编码，得到所述待编码商品信息对应的商品二维码。本发明使生成的码本身根据有抗干扰能力，更适合机器解码；设计上更为简单，鲁棒性也能的得到提升。

Description

一种基于深度学习的商品二维码生成方法及系统

技术领域

本发明涉及二维码生成技术领域，具体涉及一种基于深度学习的商品二维码生成方法及系统。

背景技术

一维码与二维码在日常生活中应用广泛，其基本原理是使用反光性差别较大的两种颜色(比如黑、白)表示0和1实现编码。其解码过程依次包括定位、二值化、解码、校验四个步骤。当码发生模糊，或由于光照原因导致黑、白异位时，这些码往往无法准确的定位。目前基于深度学习检测方法虽然拥有较好的抗干扰能力，能够在模糊或光照不佳的情况下检出码，但由于拍摄、光照等场景因素影响，难以对每个模块进行准确区分，导致识别率低下。

发明内容

本发明的目的在于提供一种基于深度学习的商品二维码生成方法。

为达此目的，本发明采用以下技术方案：

提供一种基于深度学习的商品二维码生成方法，预先设置一编码器和一解码器，所述商品二维码生成方法具体包括：

步骤S1，所述编码器根据获取的商品信息进行编码，以提取所述商品信息的均值向量和标准差向量；

步骤S2，所述编码器根据所述均值向量和所述标准差向量，处理得到满足预设概率分布的隐含向量；

步骤S3，所述解码器根据所述隐含向量和所述商品信息，并采用对抗生成网络进行训练，以对所述编码器和所述解码器进行优化；

步骤S4，重复执行所述步骤S1至所述步骤S3进行迭代训练，得到优化后的所述编码器和优化后的所述解码器；

步骤S5，采用优化后的所述编码器对待编码商品信息进行编码，得到所述待编码商品信息对应的商品二维码。

作为本发明的一种优选方案，所述步骤S2具体包括：

步骤S21，所述编码器将所述标准差向量与所述预设概率分布相乘，得到乘积向量；

步骤S22，所述编码器将所述乘积向量与所述均值向量相加，得到隐含向量。

作为本发明的一种优选方案，所述步骤S21中，所述预设概率分布为标准正态分布。

作为本发明的一种优选方案，执行所述步骤S4之后，还包括采用优化后的所述解码器对待解码商品二维码进行解码，得到所述待解码商品二维码对应的商品信息。

一种基于深度学习的商品二维码生成系统，应用以上任意一项所述的基于深度学习的商品二维码生成方法，所述商品二维码生成系统具体包括：

编码器，所述编码器具体包括：

编码单元，用于根据获取的商品信息进行编码，以提取所述商品信息的均值向量和标准差向量；

处理单元，连接所述编码单元，用于根据所述均值向量和所述标准差向量，处理得到满足预设概率分布的隐含向量；

解码器，连接所述编码器，用于根据所述隐含向量和所述商品信息，并采用对抗生成网络进行迭代训练，以对所述编码器和所述解码器进行优化；

第一存储模块，连接所述解码器，用于保存优化后的所述编码器，以用于对待编码商品信息进行编码，得到所述待编码商品信息对应的商品二维码。

作为本发明的一种优选方案，还包括第二存储模块，连接所述解码器，用于保存优化后的所述解码器，以用于对待解码商品二维码进行解码，得到所述待解码商品二维码对应的商品信息。

作为本发明的一种优选方案，所述处理单元具体包括：

第一处理子单元，用于将所述标准差向量与所述预设概率分布相乘，得到乘积向量；

第二处理子单元，连接所述第一处理子单元，用于将所述乘积向量与所述均值向量相加，得到隐含向量。

作为本发明的一种优选方案，所述预设概率分布为标准正态分布。

本发明的有益效果：

1)摒弃了传统人为规则的限制，使生成的码本身根据有抗干扰能力，更适合机器解码

2)利用深度学习的模型进行自动的特征抽取，摒弃了繁杂的定位、二值化、矫正等工作，不仅设计上更为简单，鲁棒性也能的得到提升。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅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是本发明一实施例所述的一种基于深度学习的商品二维码生成方法的流程示意图。

图2是本发明一实施例所述的编码器和解码器的原理框图。

图3是本发明一实施例所述的变分编码器的原理框图。

图4是本发明一实施例所述的对抗生成网络的原理框图。

图5是本发明一实施例所述的编码器对均值向量和标准差向量进行处理的流程示意图。

图6是本发明一实施例所述的一种基于深度学习的商品二维码生成系统的结果示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“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发明和简化描述，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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

针对现有技术中存在的问题，本发明提供一种基于深度学习的商品二维码生成方法，预先设置一编码器和一解码器，如图1所示，商品二维码生成方法具体包括：

步骤S1，编码器根据获取的商品信息进行编码，以提取商品信息的均值向量和标准差向量；

步骤S2，编码器根据均值向量和标准差向量，处理得到满足预设概率分布的隐含向量；

步骤S3，解码器根据隐含向量和商品信息，并采用对抗生成网络进行训练，以对编码器和解码器进行优化；

步骤S4，重复执行步骤S1至步骤S3进行迭代训练，得到优化后的编码器和优化后的解码器；

步骤S5，采用优化后的编码器对待编码商品信息进行编码，得到待编码商品信息对应的商品二维码。

具体地，本实施例中，本发明主要包含两个独立的子结构：编码器和解码器。编码器将待编码的商品信息输出转换成固定大小的图片信息，用于粘贴、打印。解码器则读取图片信息作为输入，通过深度学习模型将其映射成对应的商品码。

如图2和图3所示，编码器和解码器是一个“变分编码器”的两个部分，编码器每次生成两个向量，一个表示均值，一个表示标准差，然后用一个标准正态分布乘上标准差再加上均值合成隐含向量，这个隐含向量即为商品编号。使用时，将商品编号输入解码器即可得到对应的图片。将图片输入编码器即可得到对应的商品编号。

变分编码器的输出图像容易模糊，因此，如图4所示，需采用对抗生成网络(GAN)同步优化编码器和解码器，通过迭代训练，使任意的商品码输入都能得到与之对应的图形输出，使任意的图形输入都能得到对应的商品码输出，且保证两者匹配。

作为本发明的一种优选方案，如图5所示，步骤S2具体包括：

步骤S21，编码器将标准差向量与预设概率分布相乘，得到乘积向量；

步骤S22，编码器将乘积向量与均值向量相加，得到隐含向量。

作为本发明的一种优选方案，步骤S21中，预设概率分布为标准正态分布。

作为本发明的一种优选方案，执行步骤S4之后，还包括采用优化后的解码器对待解码商品二维码进行解码，得到待解码商品二维码对应的商品信息。

一种基于深度学习的商品二维码生成系统，应用以上任意一项的基于深度学习的商品二维码生成方法，如图6所示，商品二维码生成系统具体包括：

编码器1，编码器1具体包括：

编码单元11，用于根据获取的商品信息进行编码，以提取商品信息的均值向量和标准差向量；

处理单元12，连接编码单元11，用于根据均值向量和标准差向量，处理得到满足预设概率分布的隐含向量；

解码器2，连接编码器1，用于根据隐含向量和商品信息，并采用对抗生成网络进行迭代训练，以对编码器和解码器进行优化；

,第一存储模块3，连接解码器2，用于保存优化后的编码器1，以用于对待编码商品信息进行编码，得到待编码商品信息对应的商品二维码。

作为本发明的一种优选方案，还包括第二存储模块4，连接解码器2，用于保存优化后的解码器2，以用于对待解码商品二维码进行解码，得到待解码商品二维码对应的商品信息。

作为本发明的一种优选方案，处理单元12具体包括：

第一处理子单元121，用于将标准差向量与预设概率分布相乘，得到乘积向量；

第二处理子单元122，连接第一处理子单元121，用于将乘积向量与均值向量相加，得到隐含向量。

作为本发明的一种优选方案，预设概率分布为标准正态分布。

需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (8)

1.一种基于深度学习的商品二维码生成方法，其特征在于，预先设置一编码器和一解码器，所述商品二维码生成方法具体包括：

步骤S1，所述编码器根据获取的商品信息进行编码，以提取所述商品信息的均值向量和标准差向量；

步骤S2，所述编码器根据所述均值向量和所述标准差向量，处理得到满足预设概率分布的隐含向量；

步骤S3，所述解码器根据所述隐含向量和所述商品信息，并采用对抗生成网络进行训练，以对所述编码器和所述解码器进行优化；

步骤S4，重复执行所述步骤S1至所述步骤S3进行迭代训练，得到优化后的所述编码器和优化后的所述解码器；

步骤S5，采用优化后的所述编码器对待编码商品信息进行编码，得到所述待编码商品信息对应的商品二维码。

2.根据权利要求1所述的基于深度学习的商品二维码生成方法，其特征在于，所述步骤S2具体包括：

步骤S21，所述编码器将所述标准差向量与所述预设概率分布相乘，得到乘积向量；

步骤S22，所述编码器将所述乘积向量与所述均值向量相加，得到隐含向量。

3.根据权利要求2所述的基于深度学习的商品二维码生成方法，其特征在于，所述步骤S21中，所述预设概率分布为标准正态分布。

4.根据权利要求1所述的基于深度学习的商品二维码生成方法，其特征在于，执行所述步骤S4之后，还包括采用优化后的所述解码器对待解码商品二维码进行解码，得到所述待解码商品二维码对应的商品信息。

5.一种基于深度学习的商品二维码生成系统，其特征在于，应用如权利要求1-4中任意一项所述的基于深度学习的商品二维码生成方法，所述商品二维码生成系统具体包括：

编码器，所述编码器具体包括：

编码单元，用于根据获取的商品信息进行编码，以提取所述商品信息的均值向量和标准差向量；

处理单元，连接所述编码单元，用于根据所述均值向量和所述标准差向量，处理得到满足预设概率分布的隐含向量；

解码器，连接所述编码器，用于根据所述隐含向量和所述商品信息，并采用对抗生成网络进行迭代训练，以对所述编码器和所述解码器进行优化；

第一存储模块，连接所述解码器，用于保存优化后的所述编码器，以用于对待编码商品信息进行编码，得到所述待编码商品信息对应的商品二维码。

6.根据权利要求5所述的基于深度学习的商品二维码生成系统，其特征在于，还包括第二存储模块，连接所述解码器，用于保存优化后的所述解码器，以用于对待解码商品二维码进行解码，得到所述待解码商品二维码对应的商品信息。

7.根据权利要求5所述的基于深度学习的商品二维码生成系统，其特征在于，所述处理单元具体包括：

第一处理子单元，用于将所述标准差向量与所述预设概率分布相乘，得到乘积向量；

第二处理子单元，连接所述第一处理子单元，用于将所述乘积向量与所述均值向量相加，得到隐含向量。

8.根据权利要求7所述的基于深度学习的商品二维码生成系统，其特征在于，所述预设概率分布为标准正态分布。

Images