CN111767754A - 一种识别码的识别方法、装置、电子设备及存储介质 - Google Patents
一种识别码的识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111767754A CN111767754A CN202010618235.2A CN202010618235A CN111767754A CN 111767754 A CN111767754 A CN 111767754A CN 202010618235 A CN202010618235 A CN 202010618235A CN 111767754 A CN111767754 A CN 111767754A
- Authority
- CN
- China
- Prior art keywords
- identification code
- image
- model
- identification
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims description 133
- 238000001514 detection method Methods 0.000 claims description 82
- 230000009466 transformation Effects 0.000 claims description 18
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4012—Verifying personal identification numbers [PIN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种识别码的识别方法、装置、电子设备及存储介质。该方法包括：获取待识别图像，所述待识别图像包括至少一个识别码；利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；对所述识别码的位置信息进行矫正，获得矫正后的识别码；利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。识别装置用于执行上述方法。本申请实施例通过对识别码先进行定位和矫正，然后再对识别码进行去噪，最后对去噪后的识别码进行识别，能够提高对识别码去噪的效果，进而提高识别的准确性。
Description
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种识别码的识别方法、装置、电子设备及存储介质。
背景技术
识别码的出现给人们的生活带来了极大的便利，例如超市的收银员通过手持设备扫描商品上的条形码，可以方便快速地获取到商品的相关信息。再如：用户在支付时，通过移动终端扫描商家提供的二维码进行支付操作。
由于外部环境的影响，在使用设备对识别码进行扫描时，获得的视频或图像中包含较高的噪声。为了提高设备对识别码的识别准确性，现有技术通过基于字符去噪的方法对识别码进行去噪，这样容易导致识别码发生变化，从而影响识别的准确性。
发明内容
本申请实施例的目的在于提供一种识别码的识别方法、装置、电子设备及存储介质，用以提高对识别码识别的准确性。
第一方面，本申请实施例提供一种识别码的识别方法，包括：获取待识别图像，所述待识别图像包括至少一个识别码；利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；对所述识别码的位置信息进行矫正，获得矫正后的识别码；利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
本申请实施例通过对识别码先进行定位和矫正，然后再对识别码进行去噪，最后对去噪后的识别码进行识别，能够提高对识别码去噪的效果，进而提高识别的准确性。
进一步地，在获取待识别图像之后，所述方法还包括：将所述待识别图像输入对象检测模型中，获得包含单个识别码的检测框；根据所述检测框对所述待识别图像进行裁剪，获得裁剪后图像；所述利用定位模型对所述识别码进行定位，包括：利用所述定位模型对所述裁剪后图像中的识别码进行定位。
本申请实施例通过对待识别图像进行对象检测，从而获得包含单个识别码的检测框，并根据检测框进行裁剪，去除了待识别图像中的背景部分，降低了对识别码进行后续操作的工作量。
进一步地，在将所述待识别图像输入对象检测模型中之前，所述方法还包括：获取第一训练样本集，所述第一训练样本集包括多张第一训练图像以及每张第一训练图像对应的第一标签；其中，所述第一训练图像包括至少一个识别码，所述第一标签为包含单个识别码的检测框；将所述第一训练图像输入对象检测模型中，所述对象检测模型输出对应的第一预测结果；根据所述第一预测结果和对应的第一训练图像的第一标签对所述对象检测模型中的参数进行优化，获得训练好的对象检测模型。
本申请实施例通过对对象检测模型进行训练，使得训练好的对象检测模型能够从待识别图像中准确识别出识别码。
进一步地，在利用定位模型对所述识别码进行定位之前，所述方法还包括：获取第二训练样本集，所述第二训练样本集包括多张第二训练图像以及每张第二训练图像对应的第二标签；其中，所述第二训练图像包括识别码，所述第二标签为所述识别码的位置信息；将所述第二训练图像输入定位模型中，所述定位模型输出对应的第二预测结果；根据所述第二预测结果和对应的第二标签对所述定位模型中的参数进行优化，获得训练好的定位模型。
本申请实施例通过对定位模型进行训练，获得训练好的定位模型能够准确地获得识别码的位置信息。
进一步地，所述对所述识别码的位置信息进行矫正，获得矫正后的识别码，包括：对所述识别码的位置信息进行仿射变换或透视变换，获得矫正后的识别码。
由于在采集识别码时，光心没有正对识别码而导致采集到的待识别图像中的识别码变形，因此，本申请实施例通过根据识别码的位置信息进行矫正，还原了识别码应有的形状，提高了识别的准确性。
进一步地，在利用去噪模型对所述矫正后的识别码进行去噪处理之前，所述方法还包括：获取第三训练样本集，所述第三训练样本集包括多张第三训练图像以及每张第三训练图像对应的第三标签；其中，所述第三训练图像包括识别码，所述第三标签为所述第三训练图像中每一像素点的属性，所述属性为识别码、噪声和背景中的一个；将所述第三训练图像输入定位模型中，所述去噪模型输出对应的第三预测结果；根据所述第三预测结果和对应的第三标签对所述去噪模型中的参数进行优化，获得训练好的去噪模型。
本申请通过利用像素标注对去噪模型进行训练，获得训练好的去噪模型能够提高对识别码的去噪效果。
进一步地，所述识别码为条形码，所述对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果，包括：从所述去噪后的识别码中获取各条码的宽度信息，根据预设编码规则对各条码的宽度信息进行解码，获得所述识别结果。
由于条形码中不同宽度的条码表示不同的信息，因此，通过对条形码先进行定位和矫正，然后再对条形码进行去噪，去噪过程不会改变条码的宽度，提高了对条形码识别的准确性。
第二方面，本申请实施例提供一种识别码的识别装置，包括：图像获取模块，用于获取待识别图像，所述待识别图像包括至少一个识别码；定位模块，用于利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；矫正模块，用于对所述识别码的位置信息进行矫正，获得矫正后的识别码；去噪模块，用于利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；识别模块，用于对所述去噪后的识别码进行识别，获得识别结果。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种识别方法流程示意图；
图2为本申请实施例提供的另一种识别方法流程示意图；
图3为本申请实施例提供的对象检测模型训练流程示意图；
图4为本申请实施例提供的定位模型训练流程示意图；
图5为本申请实施例提供的去噪模型训练流程示意图；
图6为本申请实施例提供的识别装置结构示意图；
图7为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
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描述。
将某些信息按照一定的编码规则生成对应的图像，这个图像称为识别码，识别码包括很多种类，例如：条形码、方形二维码和圆形二维码等。以条形码为例：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。可以理解的是，除了黑条外，还可以采用其他深色的条，例如：暗绿色、深棕色等。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、银行系统等许多领域都得到广泛的应用。如果对带有高噪声的条形码进行识别，往往会识别不出来或者识别错误，因此在进行识别之前，需要进行去噪处理。
本申请实施例提供了一种识别方法，如图1所示，执行该识别方法的主体为识别装置，识别装置可以是台式电脑、笔记本电脑、平板电脑、智能手机、智能穿戴设备等智能电子设备。该方法包括：
步骤101：获取待识别图像，所述待识别图像包括至少一个识别码；
步骤102：利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；
步骤103：对所述识别码的位置信息进行矫正，获得矫正后的识别码；
步骤104：利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；
步骤105：对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
在步骤101中，待识别图像可以是通过识别装置上的图像采集装置采集获得，也可以是通过其他图像采集设备进行采集，并将采集到的待识别图像传输给识别装置。其中，待识别图像可以为彩色图像也可以是灰度图像。其他图像采集设备可以是手持式扫码枪或固定扫码器，也可以是通过照相机、手机上的摄像头对识别码进行拍摄获得。
可以理解的是，在采集待识别图像时，可以是实时采集，实时识别，也可以是先将识别码以图片的形式采集，然后再识别。其中，实时采集，实时识别的方式是指通过识别装置上的图像采集装置、手持式扫码枪或固定扫码器对识别码进行扫描，提取扫描视频中某一时刻的一帧图像作为待识别图像。先进行图像拍摄，再识别是指通过识别装置上的图像采集装置或其他图像采集装置先对识别码进行图像采集，获得待识别图像，然后再通过识别装置进行识别操作。
待识别图像中包括至少一个识别码，对于包括多个识别码的情况，识别码的种类可以是相同的，也可以是不同的。例如：识别图像中包括两个识别码，这两个识别码可以都是条形码或二维码，也可以一个识别码为条形码，另一个为二维码。
在步骤102中，定位模型为预先训练好的，具体的训练过程在后面实施例描述。可以理解的是，定位模型为一种对象检测的工具，其原理就是识别出输入图像中的目标对象，并确定目标对象上能够表征位置信息的点的像素坐标。因此，将待识别图像输入定位模型中，定位模型输出待识别图像中识别码的位置信息。其中，对于条形码和方形二维码来说，位置信息可以是其四个顶角的像素坐标，对于圆形二维码来说，位置信息可以是圆心以及圆周上的若干个像素点的像素坐标。
应当说明的是，若待识别图像中包括多个识别码，那么定位模型可以对待识别图像中的每一个识别码进行定位，获得每一个识别码的位置信息。
在步骤103中，根据识别码的位置信息可以判断待识别图像中的识别码是否发生了形变。例如：对于矩形的条形码，通过四个顶点的像素点坐标可以确定待识别图像中的识别码是否为矩形，如不为矩形，则说明识别码变形，为了提高识别准确性，可以对识别码进行矫正，使得矫正后的识别码为矩形。
在步骤104中，去噪模型为预先训练好的，具体的训练过程在后面实施例进行描述。识别装置将矫正后的识别码输入去噪模型中，去噪模型对识别码进行去噪处理，去除影响识别的噪声，输出去噪后的识别码。可以理解的是，去噪模型可能不能将校正后的识别码上的噪声全部去掉，因此，去噪后的识别码为低噪声图像。
在步骤105中，不同类别的识别码其编码规则不同，因此，在对去噪后的识别码进行识别时，可以按照对应的编码规则进行解析，从而获得对应的识别结果。
以条形码为例，常用的码制有EAN条形码、UPC条形码、二五条形码，交叉二五条形码、库德巴条形码和128条形码等，而商品上最常用的就是EAN商品条形码。EAN商品条形码分为EAN-13(标准版)和EAN-8(缩短版)两种。
条形码的识别过程为：当条形码的识别装置光源发出的光在条形码上反射后，反射光照射到识别装置内部的光电转换器上，光电转换器根据强弱不同的反射光信号，转换成相应的电信号。根据原理的差异，识别装置的图像采集器可以分为光笔、红光CCD、激光、影像四种。电信号输出到识别装置的放大电路增强信号之后，再送到整形电路将模拟信号转换成数字信号。白条、黑条的宽度不同，相应的电信号持续时间长短也不同。主要作用就是防止静区宽度不足。然后译码器通过测量脉冲数字电信号0，1的数目来判别条和空的数目。通过测量0，1信号持续的时间来判别条和空的宽度。此时所得到的数据仍然是杂乱无章的，要知道条形码所包含的信息，则需根据对应的编码规则(例如：EAN-8码)，将条形符号换成相应的数字、字符信息。最后，由识别装置根据预设编码规则对转换的数字、字符信息进行解析，获得识别码对应的识别结果。
本申请实施例通过对识别码先进行定位和矫正，然后再对识别码进行去噪，最后对去噪后的识别码进行识别，能够提高对识别码去噪的效果，可以适应多视角、多视距、多条形码的检测，进而提高识别的准确性。
在上述实施例的基础上，在获取待识别图像之后，所述方法还包括：
将所述待识别图像输入对象检测模型中，获得包含单个识别码的检测框；
根据所述检测框对所述待识别图像进行裁剪，获得裁剪后图像；
所述利用定位模型对所述识别码进行定位，包括：
利用所述定位模型对所述裁剪后图像中的识别码进行定位。
在具体的实施过程中，图2为本申请实施例提供的另一种识别流程示意图，如图2所示。该方法包括：
步骤201：获取待识别图像，所述待识别图像包括至少一个识别码；
步骤202：将所述待识别图像输入对象检测模型中，获得包含单个识别码的检测框；
步骤203：根据所述检测框对所述待识别图像进行裁剪，获得裁剪后图像；
步骤204：利用所述定位模型对所述裁剪后图像中的识别码进行定位，获得所述识别码对应的位置信息；
步骤205：对所述识别码的位置信息进行矫正，获得矫正后的识别码；
步骤206：利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；
步骤207：对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
可以理解的是，步骤201，步骤205-步骤207的详细描述参见对步骤101，步骤103-步骤105的描述，本申请在此不再赘述。
在步骤202中，对象检测模型为预先训练好的，其具体的训练过程在后面的实施例中描述。对象检测是指利用图像处理与模式识别等领域的理论和方法，检测出图像中存在的目标对象，确定这些目标对象的语义类别，并标定出目标对象在图像中的位置。对象检测是对象识别的前提，当检测到对象后才能对对象进行识别。
识别装置在获取到待识别图像后，将待识别图像输入对象检测模型中，对象检测模型输出包含单个识别码的检测框，可以理解的是，检测框可以是包含单个识别码的最小矩形。应当说明的是，若待识别图像中包含多个识别码，则对象检测模型分别输出每个识别码对应的检测框。
在步骤203中，对于待识别图像中包括多个识别码的情况，在根据检测框对待识别图像进行裁剪时，可以将每个识别码的检测框都裁剪出来。再有，在扫描识别码或对识别码进行拍照时，在该识别码周围会有其他识别码进入扫描区域，为了降低计算工作量，在对象检测模型检测到多个识别码后，可以计算多个检测框分别对应的像素个数，将像素个数的多少作为是否为目标识别码的判断依据，从而根据像素个数最多的检测框进行裁剪，获得裁剪后图像。其中，目标识别码是指需要进行识别的识别码。
在步骤204中，对于矩形或正方形的识别码，若在扫描时，由于镜头没有正对识别码导致待识别图像上的识别码变形，进而导致检测框与识别码的边不重合。对于其他形状的识别码，由于检测框为矩形框，因此，检测框也不会与识别码的边重合。因此，在获得裁剪后图像之后，利用定位模型对裁剪后图像中的识别码进行精确定位，获得识别码在裁剪后图像中的位置信息。
本申请实施例通过对待识别图像进行对象检测，从而获得包含单个识别码的检测框，并根据检测框进行裁剪，去除了待识别图像中的背景部分，降低了对识别码进行后续操作的工作量。
在上述实施例的基础上，所述对所述识别码的位置信息进行矫正，获得矫正后的识别码，包括：
对所述识别码的位置信息进行仿射变换或透视变换，获得矫正后的识别码。
在具体的实施过程中，仿射变换就是允许图形任意倾斜，而且允许图形在两个方向(水平方向和垂直方向)上任意伸缩的变换。放射变换可以保持原来的线共点、点共线的关系不变，保持原来相互平行的线仍然平行，保持原来的中点仍然是中点，保持原来在一直线上几段线段之间的比例关系不变。但是，仿射变换不能保持原来的线段长度不变，也不能保持原来的夹角角度不变。放射变换可以通过一系列的原子变换的复合来实现，包括：平移、缩放、翻转、旋转和剪切。
透视变换是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度，破坏原有的投影光纤束，仍能保持承影面上的投影几何图形不变的变换。
因此，通过仿射变换和透视变换均能够实现对识别码的矫正。
由于在采集识别码时，光心没有正对识别码而导致采集到的待识别图像中的识别码变形，因此，本申请实施例通过根据识别码的位置信息进行矫正，还原了识别码应有的形状，提高了识别的准确性。
在上述实施例的基础上，图3为本申请实施例提供的对象检测模型训练流程示意图，如图3所示，包括：
步骤301：获取第一训练样本集，所述第一训练样本集包括多张第一训练图像以及每张第一训练图像对应的第一标签；其中，所述第一训练图像包括至少一个识别码，所述第一标签为包含单个识别码的检测框。其中，检测框可以是识别码的最小外接矩形。第一标签可以是通过人工进行标注获得。如果第一训练图像中包括多个识别码，那么每个识别码都有对应的检测框。可以理解的是，为了保证基于第一训练图像训练得到的对象检测模型具备较好的模型性能，通常需要获取大量的第一训练图像；当然，为了减少识别装置的数据处理量，也可以根据实际需求减少所获取的第一训练图像的数量，在此不对所获取的第一训练图像的数量做具体限定。
步骤302：将所述第一训练图像输入对象检测模型中，所述对象检测模型输出对应的第一预测结果。其中，对象检测模型可以是深度神经网络，例如：YOLO,SSD，faster-RCNN等。在训练之前的初始的对象检测模型中的参数可以是随机的，也可以是采用现有其他已经训练好的模型的参数。第一预测结果也是一个对识别码进行标注的检测框。
步骤303：根据所述第一预测结果和对应的第一训练图像的第一标签对所述对象检测模型中的参数进行优化，获得训练好的对象检测模型。根据第一预测结果和第一标签构建对象检测模型的损失函数，进而，根据该损失函数对对象检测模型中的模型参数进行调整，从而实现对对象检测模型的优化，当对象检测模型满足训练结束条件时，可以获得训练好的对象检测模型。可以理解的是，不同网络构成的对象检测模型其损失函数不同。
本申请实施例通过对对象检测模型进行训练，使得训练好的对象检测模型能够从待识别图像中准确识别出识别码。
图4为本申请实施例提供的定位模型训练流程示意图，如图4所示，包括：
步骤401：获取第二训练样本集，所述第二训练样本集包括多张第二训练图像以及每张第二训练图像对应的第二标签；其中，所述第二训练图像包括识别码，所述第二标签为所述识别码的位置信息。第二训练图像可以与第一训练图像相同，也可以是重新获取的。第二标签是指能够表征识别码位置的像素点的坐标。例如：可以是识别码的顶点对应的像素点坐标。
如果第二训练图像中包括多个识别码，那么每个识别码都有对应的标识位置的像素点坐标。可以理解的是，为了保证基于第二训练图像训练得到的定位模型具备较好的模型性能，通常需要获取大量的第二训练图像；当然，为了减少识别装置的数据处理量，也可以根据实际需求减少所获取的第二训练图像的数量，在此不对所获取的第二训练图像的数量做具体限定。
步骤402：将所述第二训练图像输入定位模型中，所述定位模型输出对应的第二预测结果。分别将每个第二训练图像输入定位模型中进行迭代训练，定位模型对第二训练图像进行处理，输出第二预测结果。其中，第二预测结果为第二训练对象对应的表征位置的像素点坐标，且该像素点坐标为定位模型输出的。
步骤403：根据所述第二预测结果和对应的第二标签对所述定位模型中的参数进行优化，获得训练好的定位模型。根据第二预测结果和第二标签构建定位模型的损失函数，并根据损失函数对定位模型中的模型参数进行优化。当对象检测模型满足训练结束条件时，可以获得训练好的定位模型。
本申请实施例通过对定位模型进行训练，获得训练好的定位模型能够准确地获得识别码的位置信息。
图5为本申请实施例提供的去噪模型训练流程示意图，如图5所示，包括：
步骤501：获取第三训练样本集，所述第三训练样本集包括多张第三训练图像以及每张第三训练图像对应的第三标签；其中，所述第三训练图像包括识别码，所述第三标签为所述第三训练图像中每一像素点的属性，所述属性为识别码、噪声和背景中的一个。其中，第三训练图像可以与第一训练图像或第二训练图像相同，也可以是重新获取的图像。本申请实施例通过对第三训练图像中的每个像素点进行标注，实现了像素级的标注，从而获得的训练好的去噪模型能够对识别码进行较好的去噪处理。
步骤502：将所述第三训练图像输入定位模型中，所述去噪模型输出对应的第三预测结果。识别装置可以将各个第三训练图像输入定位模型中，该定位模型通过对第三训练图像进行分析处理，输出该第三训练图像对应的每个像素点的属性。
步骤503：根据所述第三预测结果和对应的第三标签对所述识别模型中的参数进行优化，获得训练好的去噪模型。根据该定位模型输出的每个像素点的属性和第三标签构建损失函数，进而，根据该损失函数对定位模型中的模型参数进行调整，从而实现对定位模型的优化。当定位模型满足训练结束的条件时，获得训练好的定位模型。
本申请通过利用像素标注对去噪模型进行训练，获得训练好的去噪模型能够提高对识别码的去噪效果。
应当说明的是，在利用损失函数对模型参数进行优化时，其优化的方法包括但不限于随机梯度下降(Stochastic Gradient Descent，SGD)，平方加权平均(Root MeanSquare Prop，RMSProp)，自适应矩估计(Adaptive Moment Estimation，Adam)，涅斯捷罗夫加速梯度(Nesterov Accelerated Gradient，NAG)或他们的组合。
在对象检测模型、定位模型和去噪模型的训练过程中，判断是否满足训练结束的条件，可以利用测试样本对对应的第一模型进行验证。测试样本与训练样本类似，第一模型是指利用多个训练样本对对应的模型进行第一轮训练优化得到的模型；具体的，识别装置将测试样本输入到对应的第一模型中，第一模型对测试样本进行相应的处理，得到对应的预测结果；进而根据测试样本中的标签与预测结果计算预测准确率。当预测准确率大于预设阈值时，即可认为第一模型的模型性能已能够满足需求，则可以将第一模型作为训练好的模型。若小于或等于预设阈值，则需要进行第二轮的训练，直到预测准确率大于预设阈值为止。
应理解，上述预设阈值可以根据实际情况进行设置，在此不对该预设阈值做具体限定。
此外，判断是否满足训练结束条件时，还可以根据经多轮训练得到的多个模型，确定是否继续对模型进行训练。具体的，可以利用测试样本分别对经多轮训练得到的多个模型进行验证。若判断经各轮训练得到的模型的预测准确率之间的差距较小，则认为模型的性能已经没有提升空间，可以选取预测准确率最高的模型作为最终训练好的模型。
图6为本申请实施例提供的识别装置结构示意图，该识别装置可以是电子设备上的模块、程序段或代码。应理解，该装置与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该识别装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该识别装置包括：图像获取模块601、定位模块602、矫正模块603、去噪模块604和识别模块605，其中：
图像获取模块601用于获取待识别图像，所述待识别图像包括至少一个识别码；定位模块602用于利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；矫正模块603用于对所述识别码的位置信息进行矫正，获得矫正后的识别码；去噪模块604用于利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；识别模块605用于对所述去噪后的识别码进行识别，获得识别结果。
在上述实施例的基础上，该识别装置还包括对象检测模块，用于：
将所述待识别图像输入对象检测模型中，获得包含单个识别码的检测框；
根据所述检测框对所述待识别图像进行裁剪，获得裁剪后图像；
定位模块602具体用于：
利用所述定位模型对所述裁剪后图像中的识别码进行定位。
在上述实施例的基础上，该识别装置还包括第一训练模块，用于：
获取第一训练样本集，所述第一训练样本集包括多张第一训练图像以及每张第一训练图像对应的第一标签；其中，所述第一训练图像包括至少一个识别码，所述第一标签为包含单个识别码的检测框；
将所述第一训练图像输入对象检测模型中，所述对象检测模型输出对应的第一预测结果；
根据所述第一预测结果和对应的第一训练图像的第一标签对所述对象检测模型中的参数进行优化，获得训练好的对象检测模型。
在上述实施例的基础上，该识别装置还包括第二训练模块，用于：
获取第二训练样本集，所述第二训练样本集包括多张第二训练图像以及每张第二训练图像对应的第二标签；其中，所述第二训练图像包括识别码，所述第二标签为所述识别码的位置信息；
将所述第二训练图像输入定位模型中，所述定位模型输出对应的第二预测结果；
根据所述第二预测结果和对应的第二标签对所述定位模型中的参数进行优化，获得训练好的定位模型。
在上述实施例的基础上，矫正模块603具体用于：
对所述识别码的位置信息进行仿射变换或透视变换，获得矫正后的识别码。
在上述实施例的基础上，该识别装置还包括第三训练模块，用于：
获取第三训练样本集，所述第三训练样本集包括多张第三训练图像以及每张第三训练图像对应的第三标签；其中，所述第三训练图像包括识别码，所述第三标签为所述第三训练图像中每一像素点的属性，所述属性为识别码、噪声和背景中的一个；
将所述第三训练图像输入定位模型中，所述去噪模型输出对应的第三预测结果；
根据所述第三预测结果和对应的第三标签对所述识别模型中的参数进行优化，获得训练好的去噪模型。
在上述实施例的基础上，所述识别码为条形码，识别模块605具体用于：
从所述去噪后的识别码中获取各条码的宽度信息，根据预设编码规则对各条码的宽度信息进行解码，获得所述识别结果。
图7为本申请实施例提供的电子设备实体结构示意图，如图7所示，所述电子设备，包括：处理器(processor)701、存储器(memory)702和总线703；其中，
所述处理器701和存储器702通过所述总线703完成相互间的通信；
所述处理器701用于调用所述存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待识别图像，所述待识别图像包括至少一个识别码；利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；对所述识别码的位置信息进行矫正，获得矫正后的识别码；利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
处理器701可以是一种集成电路芯片，具有信号处理能力。上述处理器701可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器702可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)等。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待识别图像，所述待识别图像包括至少一个识别码；利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；对所述识别码的位置信息进行矫正，获得矫正后的识别码；利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待识别图像，所述待识别图像包括至少一个识别码；利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；对所述识别码的位置信息进行矫正，获得矫正后的识别码；利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种识别码的识别方法，其特征在于，包括：
获取待识别图像，所述待识别图像包括至少一个识别码；
利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；
对所述识别码的位置信息进行矫正，获得矫正后的识别码；
利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；
对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果。
2.根据权利要求1所述的方法，其特征在于，在获取待识别图像之后，所述方法还包括：
将所述待识别图像输入对象检测模型中，获得包含单个识别码的检测框；
根据所述检测框对所述待识别图像进行裁剪，获得裁剪后图像；
所述利用定位模型对所述识别码进行定位，包括：
利用所述定位模型对所述裁剪后图像中的识别码进行定位。
3.根据权利要求2所述的方法，其特征在于，在将所述待识别图像输入对象检测模型中之前，所述方法还包括：
获取第一训练样本集，所述第一训练样本集包括多张第一训练图像以及每张第一训练图像对应的第一标签；其中，所述第一训练图像包括至少一个识别码，所述第一标签为包含单个识别码的检测框；
将所述第一训练图像输入对象检测模型中，所述对象检测模型输出对应的第一预测结果；
根据所述第一预测结果和对应的第一训练图像的第一标签对所述对象检测模型中的参数进行优化，获得训练好的对象检测模型。
4.根据权利要求1所述的方法，其特征在于，在利用定位模型对所述识别码进行定位之前，所述方法还包括：
获取第二训练样本集，所述第二训练样本集包括多张第二训练图像以及每张第二训练图像对应的第二标签；其中，所述第二训练图像包括识别码，所述第二标签为所述识别码的位置信息；
将所述第二训练图像输入定位模型中，所述定位模型输出对应的第二预测结果；
根据所述第二预测结果和对应的第二标签对所述定位模型中的参数进行优化，获得训练好的定位模型。
5.根据权利要求1所述的方法，其特征在于，所述对所述识别码的位置信息进行矫正，获得矫正后的识别码，包括：
对所述识别码的位置信息进行仿射变换或透视变换，获得矫正后的识别码。
6.根据权利要求1所述的方法，其特征在于，在利用去噪模型对所述矫正后的识别码进行去噪处理之前，所述方法还包括：
获取第三训练样本集，所述第三训练样本集包括多张第三训练图像以及每张第三训练图像对应的第三标签；其中，所述第三训练图像包括识别码，所述第三标签为所述第三训练图像中每一像素点的属性，所述属性为识别码、噪声和背景中的一个；
将所述第三训练图像输入定位模型中，所述去噪模型输出对应的第三预测结果；
根据所述第三预测结果和对应的第三标签对所述去噪模型中的参数进行优化，获得训练好的去噪模型。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述识别码为条形码，所述对所述去噪后的识别码进行识别，获得所述识别码对应的识别结果，包括：
从所述去噪后的识别码中获取各条码的宽度信息，根据预设编码规则对各条码的宽度信息进行解码，获得所述识别结果。
8.一种识别码的识别装置，其特征在于，包括：
图像获取模块，用于获取待识别图像，所述待识别图像包括至少一个识别码；
定位模块，用于利用定位模型对所述识别码进行定位，获得所述识别码对应的位置信息；
矫正模块，用于对所述识别码的位置信息进行矫正，获得矫正后的识别码；
去噪模块，用于利用去噪模型对所述矫正后的识别码进行去噪处理，获得去噪后的识别码；
识别模块，用于对所述去噪后的识别码进行识别，获得识别结果。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被计算机运行时，使所述计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618235.2A CN111767754B (zh) | 2020-06-30 | 2020-06-30 | 一种识别码的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010618235.2A CN111767754B (zh) | 2020-06-30 | 2020-06-30 | 一种识别码的识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111767754A true CN111767754A (zh) | 2020-10-13 |
| CN111767754B CN111767754B (zh) | 2024-05-07 |
Family
ID=72724439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010618235.2A Active CN111767754B (zh) | 2020-06-30 | 2020-06-30 | 一种识别码的识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767754B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255392A (zh) * | 2021-06-29 | 2021-08-13 | 浙江华睿科技有限公司 | 一种基于人工智能的条码识别方法、装置和存储介质 |
| CN113627210A (zh) * | 2021-08-19 | 2021-11-09 | 南京华捷艾米软件科技有限公司 | 条形码图像的生成方法、装置、电子设备及存储介质 |
| CN115131741A (zh) * | 2022-08-30 | 2022-09-30 | 江苏时代新能源科技有限公司 | 刻码质量检测方法、装置、计算机设备和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150055855A1 (en) * | 2013-08-02 | 2015-02-26 | Digimarc Corporation | Learning systems and methods |
| CN104573674A (zh) * | 2015-01-29 | 2015-04-29 | 杨克己 | 面向实时嵌入式系统的一维条码识别方法 |
| CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
| CN108920992A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 一种基于深度学习的医药标签条码的定位与识别方法 |
| CN109190439A (zh) * | 2018-09-21 | 2019-01-11 | 南京机灵侠软件技术有限公司 | 一种分光器端口线及其二维码标签的图像识别方法 |
| CN109325491A (zh) * | 2018-08-16 | 2019-02-12 | 腾讯科技（深圳）有限公司 | 识别码识别方法、装置、计算机设备和存储介质 |
| CN109886060A (zh) * | 2019-02-21 | 2019-06-14 | 苏州天准科技股份有限公司 | 一种基于深度学习的条码区域定位方法 |
| CN109977718A (zh) * | 2019-03-21 | 2019-07-05 | 连尚（新昌）网络科技有限公司 | 一种用于识别二维码的方法与设备 |
| CN109993019A (zh) * | 2019-04-15 | 2019-07-09 | 苏州国芯科技股份有限公司 | 基于连通域分析的二维码识别方法、系统及设备和介质 |
| CN110378165A (zh) * | 2019-05-31 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 二维码识别方法、二维码定位识别模型建立方法及其装置 |
| CN110956171A (zh) * | 2019-11-06 | 2020-04-03 | 广州供电局有限公司 | 铭牌自动识别方法、装置、计算机设备和存储介质 |
| CN111046859A (zh) * | 2018-10-11 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 字符识别方法及装置 |
-
2020
- 2020-06-30 CN CN202010618235.2A patent/CN111767754B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150055855A1 (en) * | 2013-08-02 | 2015-02-26 | Digimarc Corporation | Learning systems and methods |
| CN104573674A (zh) * | 2015-01-29 | 2015-04-29 | 杨克己 | 面向实时嵌入式系统的一维条码识别方法 |
| CN108765334A (zh) * | 2018-05-24 | 2018-11-06 | 北京飞搜科技有限公司 | 一种图像去噪方法、装置以及电子设备 |
| CN108920992A (zh) * | 2018-08-08 | 2018-11-30 | 长沙理工大学 | 一种基于深度学习的医药标签条码的定位与识别方法 |
| CN109325491A (zh) * | 2018-08-16 | 2019-02-12 | 腾讯科技（深圳）有限公司 | 识别码识别方法、装置、计算机设备和存储介质 |
| CN109190439A (zh) * | 2018-09-21 | 2019-01-11 | 南京机灵侠软件技术有限公司 | 一种分光器端口线及其二维码标签的图像识别方法 |
| CN111046859A (zh) * | 2018-10-11 | 2020-04-21 | 杭州海康威视数字技术股份有限公司 | 字符识别方法及装置 |
| CN109886060A (zh) * | 2019-02-21 | 2019-06-14 | 苏州天准科技股份有限公司 | 一种基于深度学习的条码区域定位方法 |
| CN109977718A (zh) * | 2019-03-21 | 2019-07-05 | 连尚（新昌）网络科技有限公司 | 一种用于识别二维码的方法与设备 |
| CN109993019A (zh) * | 2019-04-15 | 2019-07-09 | 苏州国芯科技股份有限公司 | 基于连通域分析的二维码识别方法、系统及设备和介质 |
| CN110378165A (zh) * | 2019-05-31 | 2019-10-25 | 阿里巴巴集团控股有限公司 | 二维码识别方法、二维码定位识别模型建立方法及其装置 |
| CN110956171A (zh) * | 2019-11-06 | 2020-04-03 | 广州供电局有限公司 | 铭牌自动识别方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 李慧等: "基于图像技术的EAN-13条码识别系统设计", 信息技术与网络安全, vol. 39, no. 03, pages 73 - 77 * |
| 税午阳等: "基于数字图像处理的EAN13码识别", 计算机工程与应用, vol. 44, no. 26, pages 177 - 179 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255392A (zh) * | 2021-06-29 | 2021-08-13 | 浙江华睿科技有限公司 | 一种基于人工智能的条码识别方法、装置和存储介质 |
| CN113627210A (zh) * | 2021-08-19 | 2021-11-09 | 南京华捷艾米软件科技有限公司 | 条形码图像的生成方法、装置、电子设备及存储介质 |
| CN115131741A (zh) * | 2022-08-30 | 2022-09-30 | 江苏时代新能源科技有限公司 | 刻码质量检测方法、装置、计算机设备和存储介质 |
| CN115131741B (zh) * | 2022-08-30 | 2023-09-22 | 江苏时代新能源科技有限公司 | 刻码质量检测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111767754B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046529B (zh) | 二维码识别方法、装置及设备 | |
| CN110659647B (zh) | 印章图像识别方法及装置、智能发票识别设备和存储介质 | |
| CN111767754B (zh) | 一种识别码的识别方法、装置、电子设备及存储介质 | |
| Gallo et al. | Reading 1D barcodes with mobile phones using deformable templates | |
| CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
| CN111783495B (zh) | 一种条形码识别方法、装置、电子设备及存储介质 | |
| US9147095B2 (en) | Optical code scanner optimized for reading 2D optical codes | |
| Zamberletti et al. | Robust angle invariant 1d barcode detection | |
| CN111259889A (zh) | 图像文本识别方法、装置、计算机设备及计算机存储介质 | |
| US10540532B2 (en) | System and method for detecting optical codes with damaged or incomplete finder patterns | |
| CN111178355B (zh) | 印章识别方法、装置和存储介质 | |
| CN106934806B (zh) | 一种基于结构清晰度的无参考图失焦模糊区域分割方法 | |
| CN110532825B (zh) | 一种基于人工智能目标检测的条码识别装置与方法 | |
| CN111899270A (zh) | 卡片边框检测方法、装置、设备及可读存储介质 | |
| CN114037992A (zh) | 仪表示数识别方法、装置、电子设备及存储介质 | |
| CN111612000B (zh) | 一种商品分类方法、装置、电子设备及存储介质 | |
| Brylka et al. | Camera based barcode localization and decoding in real-world applications | |
| KR101842535B1 (ko) | 부호의 광학적 검출 방법 | |
| CN113312937A (zh) | 条形码识别方法及装置、存储介质、计算机设备 | |
| Bodnár et al. | A novel method for barcode localization in image domain | |
| CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
| CN111797642B (zh) | 条形码识别方法及终端 | |
| CN111507119A (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
| CN104346596A (zh) | 一种qr码的识别方法及识别装置 | |
| CN112084874B (zh) | 一种物体检测方法、装置及终端设备 |
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 |