CN111738031B - 一种一维条码识别方法 - Google Patents

Abstract

本发明公开了一种一维条码识别方法，步骤包括：对条码图像进行检测识别，若条码内容和校验位无误，则输出条码内容，若存在错误，则利用OCR识别对条码图像进行识别获取文本内容，再根据条码内容输出识别结果；若条码内容只识别到起始字符，则对OCR识别结果进行打分，并根据打分结果进行识别结果输出。该一维条码识别方法利用OCR识别方式获取到文本内容，再根据条码内容和文本内容输出对应的识别结果，从而能够在条码污损的条件下实现对一维条码的快速识别，有效提高工作效率；利用交叉替换的方式完成条码内容的补充和验证识别，能够在条码的数据区域存在污损位时进行识别。

Description

一种一维条码识别方法

技术领域

本发明涉及一种条码识别方法，尤其是一种一维条码识别方法。

背景技术

条码技术是电子与信息科学领域的高新技术，研究如何将计算机所须的数据用一组条码表示，以及如何将条码所表示的信息转变为计算机可读的数据，包括研究编码规则及标准、符号技术、自动识读技术、印制技术、应用系统设计技术等五大部分。经过多年的研究和应用实践，条码技术已经发展成为较成熟的实用技术。具有操作简单、信息采集速度快、采集信息量大、可靠性高、设备结构简单、成本底等优点，因而具有广阔的发展前景。随着信息化程度的不断提高，条形码被广泛地应用于物流运输、商品流通、仓储、邮政、医疗等领域。

就目前物流运输领域而言，通过条码可以采集货物的相关信息，列如：货物的运单号、生产日期、生产地址、厂家、保质期等等信息，采集之后便可查询有关厂家或者销售部门的关于产品的信息，然后反馈到电脑自动录入数据并且存档，通过条码技术，可以使得企业快速地采集货物的信息，提高作业的效率，同时结合信息系统，利用网络技术，可以做到整个供应链信息实时共享。

但是现有的条码识别处理方法还存在条码污损无法读取以及传统数字图像处理方式定位条码鲁棒性不高的缺陷和不足。物流条码应用于包装环节，促使该环节的效率大大地提高，所以条码所包含的数据至关重要，在实际在包装环节中，条码被损害的情况时有发生，主要包含以下几方面：（1）面单的打印质量太差，条码打印模糊、错误等；（2）工作人员意识比较弱，条码在运输过程中被刮花、褶皱等；（3）货物存放的环境如雨雪天气等影响，会导致条形码沾水膨胀变形；（4）若条码被损坏，以目前的技术条码扫描器就无法读取污损条码，此时需要工作人员手动录入条码，多次操作降低了工作效率，一旦手动录入出现错误，则会给企业带来严重的损失。传统数字图像处理包括以下几个步骤：（1）图像预处理：图像灰度化以及高斯模糊；（2）图像梯度化：条码X方向信息明显，Y方向信息过滤；（3）边缘检测：使用sobel边缘检测；（4）筛选边缘：根据条码特征筛选出边缘一致的区域；（5）连通域合并：将保留下来的区域进行合并；（6）角度矫正：通过角度仿射变换矫正图像。传统数字图像处理虽然实现条码定位，但是存在一定局限性：（1）预处理无法做到普适性，需对不同场景进行不同的预处理；（2）条码X和Y方向只能是一种显著的特征，受某些场景的限制，无法做到自适应性。

发明内容

发明目的：提供一种一维条码识别方法，能够在条码污损的条件下实现对一维条码的快速识别，有效提高使用者的工作效率。

技术方案：本发明公开的一种一维条码识别方法，包括如下步骤：

步骤1，获取条码图像，并对获取的条码图像进行条码检测识别，若检测识别到的条码内容和校验位准确无误，则直接输出条码内容，识别结束，若检测识别到的条码内容和/或校验位存在错误，则进入步骤2；

步骤2，利用OCR识别对条码图像中的文本进行识别，获取与条码内容相对应的文本内容，再进入步骤3；

步骤3，根据检测识别的条码内容输出对应的识别结果：

若条码内容与文本内容一致，则表明只是校验位存在识别错误或无法识别，直接输出条码内容，识别结束；

若条码内容的数据区域只识别到一部分，则表明条码的数据区域存在污损位，利用交叉替换的方式完成条码内容的补充和验证识别，若验证识别通过，则输出补充后的条码内容，若验证识别未通过，则进入步骤4；

若条码内容只识别到起始字符，则直接进入步骤5；

步骤4，进行逐位替换来验证识别，若逐位替换最终验证识别通过，则输出逐位替换后的条码内容，识别结束，若逐位替换完成后仍未验证识别，则直接进入步骤5；

步骤5，对OCR识别结果进行打分，并根据打分结果进行识别结果输出：

若OCR识别打分的分值大于等于95，则直接输出文本内容；

若OCR识别打分的分值小于95且大于等于60，则提示确认该文本内容；

若OCR识别打分的分值小于60，则提示忽略该文本内容。

进一步的，步骤1中，在获取条码图像时，实时监听扫码按键的触发信息，若监听到扫码按键的触发信息，则向扫码相机发送扫码指令，再获取扫码相机获得的条码图像，并将获取的条码图像以及覆盖式优先显示指令发送至显示屏。

进一步的，步骤1中，在对获取的条码图像进行条码检测识别时，利用识别神经网络对条码图像中的条码进行定位识别，具体步骤为：

首先，收集条码样本图像，搭建用于条码定位识别的神经网络模型；

然后，利用条码样本图像对搭建的神经网络模型进行训练；

最后，利用训练好的神经网络模型对获取的条码图像进行定位识别，获取条码图像中的条码内容和校验位。

进一步的，步骤2中，利用OCR识别对条码图像中的文本进行识别时的具体步骤为：

首先，利用SSD模型将条码图像中的文本检测出来；

然后，利用直线拟合方法以及仿射变换方法对检测出来的文本进行矫正；

最后，利用OCR识别模型对矫正后的文本进行文字识别，获得文本内容。

进一步的，步骤3中，利用交叉校验的方式完成条码内容的补充和校验识别的具体步骤为：

首先，利用特殊字符来替换条码内容的污损位；

然后，利用OCR识别的文本内容中对应于污损位的符号替换条码内容中的特殊字符；

再后，将替换后的条码内容加上最后的校验位进行校验识别。

进一步的，步骤4中，在进行逐位替换来验证识别时：

逐位比较条码内容和文本内容各个位置处的字符是否相同，若某个位置处的字符不同，则用文本内容中该位置处的字符替换条码内容中对应位置处的字符；

每替换一个位置处的字符则进行一次校验位的验证，若校验位验证通过，则识别完成，输出替换后的条码内容；

若文本内容的全部字符均进行了逐位比较替换，且全部的校验位验证均未通过，则进入步骤5。

进一步的，步骤5中，在对OCR识别结果进行打分时，利用束搜索迭代算法对OCR识别结果进行最优识别结果搜索，获得最优识别结果对应的文本内容以及该文本内容对应的概率值，再将概率值乘以100作为该文本内容的打分值。

本发明与现有技术相比，其有益效果是：利用深度学习OCR识别方式获取到文本内容，再根据检测识别的条码内容和文本内容输出对应的识别结果，从而能够在条码污损的条件下实现对一维条码的快速识别，有效提高使用者的工作效率；利用交叉替换的方式完成条码内容的补充和验证识别，能够在条码的数据区域存在污损位时能够进一步进行识别，能够在很大程度上提高了使用者的工作效率；通过对OCR识别结果进行打分能够根据OCR识别打分结果确认输出文本内容、提示确认或提示忽略。

附图说明

图1为本发明的一维条码识别方法流程图；

图2为本发明的使用ocr定位到条码下方的文字；

图3为本发明的直线拟合方法和仿射变换将文本进行矫正；

图4为本发明的校正后的图像数据；

图5为条码被污损的样例；

图6为条码无污损条码样例；

图7为正常识别到的条码内容示意图；

图8为人为制造打印问题的样例；

图9为本发明中OCR识别到条码识别到下方文本内容的样例。

具体实施方式

下面结合附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例1：

如图1所示，本发明公开了一种一维条码识别方法，包括如下步骤：

步骤1，开启系统的后台识别服务，打开扫码相机以获取条码图像，并对获取的条码图像进行条码检测识别，若检测识别到的条码内容和校验位准确无误，表明条码为被污损，则直接输出条码内容，识别结束，若检测识别到的条码内容和/或校验位存在错误，表明条码可能存在污损，如图2所示的条码就是有打印问题校验不过的，此时就需要使用OCR定位到条码下的文字，因此进入步骤2；

步骤2，利用OCR识别对条码图像中的文本进行识别，获取与条码内容相对应的文本内容，再进入步骤3；

步骤3，根据检测识别的条码内容输出对应的识别结果：

若条码内容与文本内容一致，则表明只是校验位存在识别错误或无法识别，直接输出条码内容，识别结束；

若条码内容的数据区域只识别到一部分，则表明条码的数据区域存在污损位，利用交叉替换的方式完成条码内容的补充和验证识别，若验证识别通过，则输出补充后的条码内容，若验证识别未通过，则进入步骤4；

若条码内容只识别到起始字符，则直接进入步骤5；

步骤4，进行逐位替换来验证识别，若逐位替换最终验证识别通过，则输出逐位替换后的条码内容，识别结束，若逐位替换完成后仍未验证识别，则直接进入步骤5；

步骤5，对OCR识别结果进行打分，并根据打分结果进行识别结果输出：

若OCR识别打分的分值大于等于95，表明可靠性较高，则直接输出文本内容；

若OCR识别打分的分值小于95且大于等于60，则提示确认该文本内容；

若OCR识别打分的分值小于60，则提示忽略该文本内容。

利用深度学习OCR识别方式获取到文本内容，再根据检测识别的条码内容和文本内容输出对应的识别结果，从而能够在条码污损的条件下实现对一维条码的快速识别，条码污损如图5所示，有效提高使用者的工作效率；利用交叉替换的方式完成条码内容的补充和验证识别，能够在条码的数据区域存在污损位时能够进一步进行识别，能够在很大程度上提高了使用者的工作效率；通过对OCR识别结果进行打分能够根据OCR识别打分结果确认输出文本内容、提示确认或提示忽略。

条形码是左往右黑白相间的条码，黑的叫“条”白的叫“空”，条和空都有4种不同的宽度，将它从细到粗赋予1、2、3、4这几个值，根据这个值来判断条码信息；以C128为例，C128的格式为：空白区域、起始字符、数据区域、校验码、结束字符以及空白区域；C128头有三种分别为A)211412、 B)211214 和C)211232，计算出数据区域的宽度，然后对照C128字符集可以得到条码信息，再通过MOD103算法与校验位进行对比，如图6所示是一张无污损的C128条码，以此条码为例。

图6中从左至右分别为：2个黑条、1个白条、1个黑条、2个白条、3个黑条以及2个白条，即“211232”，表示的就是123C类型条码，接着就是“112232”，如果1表示黑条，0表示白条，那么可以换算成这样“10110011100”，对照C128C编码表可知这表示的是“12”，以此类推，如下图7所示，已经识别到了全部条码。

图7中“47”是校验位，按照校验规则：(105+(1*12+2*34+3*56+4*78))%103=47，那么可以说成功识别该条码；若条码被污损或者打印问题，使得最后的校验失败或者在计算宽度时出现严重偏差，导致最后识别失败或者校验失败，此时没法正确获取到条码信息，如图8为人为制造打印问题。图8中在打印过程中出现了问题，“12”对应的黑白条变成“121232”，对应的编码为“10010011100”，则在编码表中无法查询到对应的字符。

进一步的，步骤1中，在获取条码图像时，实时监听扫码按键的触发信息，若监听到扫码按键的触发信息，则向扫码相机发送扫码指令，再获取扫码相机获得的条码图像，并将获取的条码图像以及覆盖式优先显示指令发送至显示屏。通过添加扫码按键的按键服务，则在后台服务Service中可以通过注册服务的方式来判断按键是否按下；在任何界面都可以把预览图像显示在最上层，供客户瞄准使用；在Framework中添加功能，使得客户软件中的输入框自动填充条码信息。

进一步的，步骤1中，在对获取的条码图像进行条码检测识别时，利用识别神经网络对条码图像中的条码进行定位识别，具体步骤为：

首先，收集条码样本图像，搭建用于条码定位识别的神经网络模型，使用的是VGG模型，VGG用较深的网络结构和较小的卷积核既可以保证感受视野，又能够减少卷积层的参数，比如两个33的卷积层叠加等价于一个55卷积核的效果，3个33卷积核叠加相加相当于一个77的卷积核，而且参数更少，可以很方便的迁移到移动端；

然后，利用条码样本图像对搭建的神经网络模型进行训练，本实施例训练了2万次，loss值已经是非常低了；

最后，利用训练好的神经网络模型对获取的条码图像进行定位识别，获取条码图像中的条码内容和校验位。利用神经网络能够发现图像类别中的底层模式，并自动提取出对于目标类别最具描述性和最显著的特征，也不再需要花大量时间去设计字符特征了。

进一步的，步骤2中，利用OCR识别对条码图像中的文本进行识别时的具体步骤为：

首先，利用SSD模型将条码图像中的文本检测出来；

然后，利用直线拟合方法以及仿射变换方法对检测出来的文本进行矫正，如图3所示；

最后，利用OCR识别模型对矫正后的文本进行文字识别，获得文本内容，如图4和9所示。

利用直线拟合方法以及仿射变换方法对检测出来的文本进行矫正，能够有效增强识别的准确性和可靠性。

进一步的，步骤3中，利用交叉替换的方式完成条码内容的补充和校验识别的具体步骤为：

首先，利用特殊字符来替换条码内容的污损位，例如把被污损位用*替代，则条码内容识别到的数据为**345678；

然后，利用OCR识别的文本内容中对应于污损位的符号替换条码内容中的特殊字符，例如从文本内容中取前两位填充到**上，二者结合之后为“12345678”；

再后，将替换后的条码内容加上最后的校验位进行校验识别，例如加上最后校验位“47”。

进一步的，步骤4中，在进行逐位替换来验证识别时：

逐位比较条码内容和文本内容各个位置处的字符是否相同，若某个位置处的字符不同，则用文本内容中该位置处的字符替换条码内容中对应位置处的字符；

每替换一个位置处的字符则进行一次校验位的验证，若校验位验证通过，则识别完成，输出替换后的条码内容；

若文本内容的全部字符均进行了逐位比较替换，且全部的校验位验证均未通过，则进入步骤5。

进一步的，步骤5中，在对OCR识别结果进行打分时，利用束搜索迭代算法对OCR识别结果进行最优识别结果搜索，获得最优识别结果对应的文本内容以及该文本内容对应的概率值，再将概率值乘以100作为该文本内容的打分值。利用束搜索迭代算法获得最优识别结果对应的文本内容以及该文本内容对应的概率值的具体步骤为：

初始化空的文本候选束和对应得分，遍历OCR识别结果的所有时间步，在每个时间步只保留前一步最大概率值的前K个候选文本；如果是在第一个时间步，则从当前时间步选择概率值最大的K个字符进行扩展，每一束都要对所有可能的字符进行扩展并计算相应概率值，依此类推，一直到最后一个时间步，输出最佳的束，也就是识别的文本内容，同时输出该文本内容对应的概率值。束搜索方法提供了一种找最优解的方法，能够增强OCR识别结果的可靠性，在适当的情况下可以删除一些可信度低的搜索路径，可以对每一层的集束宽度进行独立设置，比如在初始的一些层次中多保留一些结果，使得搜索路径比较丰富，在之后的路径搜索中便可以删除掉多数低概率的搜索分支。

本发明的一维条码识别方法的优势在于：

一、图像数据的采集和条码发送的优点：客户不需要添加任何代码即可扫码获取条码信息。目前的安卓系统只支持在软件可见的界面Activity中来监听按键操作，如程序运行在后台不可见，则无法监听，通过添加扫码按键的按键服务，则在后台服务Service中可以通过注册服务的方式来判断按键是否按下；在任何界面都可以把预览图像显示在最上层，供客户瞄准使用；在Framework中添加功能，使得客户软件中的输入框自动填充条码信息。

二、条码定位：基于深度学习的神经网络进行条码定位具有更强的鲁棒性。从每张图像中选择重要特征是必要步骤，而随着类别数量的增加，特征提取变得越来越麻烦，要确定哪些特征最能描述不同的目标类别，取决于CV工程师的判断和长期试错，此外每个特征定义还需要处理大量参数，所有参数必须由CV工程师进行调整；深度学习引入了端到端学习的概念，即向机器提供的图像数据集中的每张图像均已标注目标类别，因而深度学习模型基于给定数据训练得到，其中神经网络发现图像类别中的底层模式，并自动提取出对于目标类别最具描述性和最显著的特征，也不再需要花大量时间去设计字符特征了。

三、条码识别：黑白条宽度值、校验码、OCR识别打分交叉替换。条码识别是本申请的核心内容，若在条码污损的情况下，传统的条码检测方式-黑白条加检验位的方法必定无法使用，此时切换成深度学习OCR识别方式获取到字符信息，再将字符信息与之前的识别内容交叉验证得出结果，在很大程度上提高了使用者的工作效率。

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (6)

1.一维条码识别方法，其特征在于，包括如下步骤：

步骤1，获取条码图像，并对获取的条码图像进行条码检测识别，若检测识别到的条码内容和校验位准确无误，则直接输出条码内容，识别结束，若检测识别到的条码内容和/或校验位存在错误，则进入步骤2；

步骤2，利用OCR识别对条码图像中的文本进行识别，获取与条码内容相对应的文本内容，再进入步骤3；

步骤3，根据检测识别的条码内容输出对应的识别结果：

若条码内容与文本内容一致，则表明只是校验位存在识别错误或无法识别，直接输出条码内容，识别结束；

若条码内容的数据区域只识别到一部分，则表明条码的数据区域存在污损位，利用交叉替换的方式完成条码内容的补充和验证识别，若验证识别通过，则输出补充后的条码内容，若验证识别未通过，则进入步骤4；

若条码内容只识别到起始字符，则直接进入步骤5；

步骤4，进行逐位替换来验证识别，若逐位替换最终验证识别通过，则输出逐位替换后的条码内容，识别结束，若逐位替换完成后仍未验证识别，则直接进入步骤5；

步骤5，对OCR识别结果进行打分，并根据打分结果进行识别结果输出：

若OCR识别打分的分值大于等于95，则直接输出文本内容；

若OCR识别打分的分值小于95且大于等于60，则提示确认该文本内容；

若OCR识别打分的分值小于60，则提示忽略该文本内容；

步骤4中，在进行逐位替换来验证识别时：

逐位比较条码内容和文本内容各个位置处的字符是否相同，若某个位置处的字符不同，则用文本内容中该位置处的字符替换条码内容中对应位置处的字符；

每替换一个位置处的字符则进行一次校验位的验证，若校验位验证通过，则识别完成，输出替换后的条码内容；

若文本内容的全部字符均进行了逐位比较替换，且全部的校验位验证均未通过，则进入步骤5。

2.根据权利要求1所述的一维条码识别方法，其特征在于，步骤1中，在获取条码图像时，实时监听扫码按键的触发信息，若监听到扫码按键的触发信息，则向扫码相机发送扫码指令，再获取扫码相机获得的条码图像，并将获取的条码图像以及覆盖式优先显示指令发送至显示屏。

3.根据权利要求1所述的一维条码识别方法，其特征在于，步骤1中，在对获取的条码图像进行条码检测识别时，利用识别神经网络对条码图像中的条码进行定位识别，具体步骤为：

首先，收集条码样本图像，搭建用于条码定位识别的神经网络模型；

然后，利用条码样本图像对搭建的神经网络模型进行训练；

最后，利用训练好的神经网络模型对获取的条码图像进行定位识别，获取条码图像中的条码内容和校验位。

4.根据权利要求1所述的一维条码识别方法，其特征在于，步骤2中，利用OCR识别对条码图像中的文本进行识别时的具体步骤为：

首先，利用SSD模型将条码图像中的文本检测出来；

然后，利用直线拟合方法以及仿射变换方法对检测出来的文本进行矫正；

最后，利用OCR识别模型对矫正后的文本进行文字识别，获得文本内容。

5.根据权利要求1所述的一维条码识别方法，其特征在于，步骤3中，利用交叉替换的方式完成条码内容的补充和校验识别的具体步骤为：

首先，利用特殊字符来替换条码内容的污损位；

然后，利用OCR识别的文本内容中对应于污损位的符号替换条码内容中的特殊字符；

再后，将替换后的条码内容加上最后的校验位进行校验识别。

6.根据权利要求1所述的一维条码识别方法，其特征在于，步骤5中，在对OCR识别结果进行打分时，利用束搜索迭代地生成识别的文本内容以及该文本内容对应的概率值，再将概率值乘以100作为该文本内容的打分值。

Images