CN111931530B - 基于深度学习的工业条码识别装置及方法 - Google Patents

Abstract

本发明提供一种基于深度学习的工业条码识别装置及方法，工业条码识别装置包括：图像采集模块，用以采集产线上物品的条码图像，该产线上的物品的条码的打码规则相同；控制模块，与该图像采集模块相连接，该控制模块用以对该图像采集模块采集的该条码图像进行识别以获得识别结果，并对未识别的条码图像进行标记；以及深度学习模块，包括预设条码识别模型，该深度学习模块与该控制模块相连接，该深度学习模块用以将标记后的该未识别的条码图像输入该预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块。本发明可以有效解决现有计数中解码效率低和解码时间长的问题。

Description

基于深度学习的工业条码识别装置及方法

技术领域

本发明涉及工业条码识别技术领域，尤其涉及一种基于深度学习的工业条码识别装置及方法。

背景技术

目前工业上，最常用的是DPM码 (Direct Part Mark)，DPM码制作方法是通过点刻、蚀刻或者喷码直接将条码印刷在产品上。DPM码的主要优势在于能够直接在零件表面形成牢固的甚至与零件相同寿命的图形和文字，成为产品本身的固定组成部分，永不丢失也不可涂改，并且在产品的继续加工时也不会产生干扰，这样产品在整个寿命周期内都是可以识别的，因而也是可以追溯的。

但是DPM码在形成于产品上的过程中，由于制作质量不同，难免会出现打码歪曲、缺角等问题，这就大大地提高了对条码识别设备的要求，如此不仅会导致解码识别率低、解码时间长，而且还会增加设备成本。

发明内容

针对上述技术问题，本发明提供一种基于深度学习的工业条码识别装置及方法，以解决现有技术中的解码识别率地以及解码时间长等问题。

为达上述目的，本发明提供一种基于深度学习的工业条码识别装置，该工业条码识别装置包括：图像采集模块，用以采集产线上物品的条码图像，该产线上的物品的条码的打码规则相同；控制模块，与该图像采集模块相连接，该控制模块用以对该图像采集模块采集的该条码图像进行识别以获得识别结果，并对未识别的条码图像进行标记；以及深度学习模块，包括预设条码识别模型，该深度学习模块与该控制模块相连接，该深度学习模块用以将标记后的该未识别的条码图像输入该预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块。

作为可选的技术方案，该控制模块还包括存储模块，该存储模块用以存储该图像采集模块采集的该条码图像以及该控制模块的该识别结果。

作为可选的技术方案，该工业条码识别装置还包括本地服务器，该本地服务器与该控制模块相连接，该深度学习模块设置于该本地服务器内。

作为可选的技术方案，该工业条码识别装置还包括云端服务器，该深度学习模块设置于该云端服务器内，该控制模块与该云端服务器通讯连接，且该控制模块还用以定期地将存储的多个标记后的未识别的条码图像传输至该云端服务器。

作为可选的技术方案，该控制模块通过无线wifi接口电路或以太网接口电路与该云端服务器连接。

作为可选的技术方案，该控制模块采用CPU处理器。

作为可选的技术方案，该图像采集模块还用以采集产线上多个物品的第一图像；该控制模块还用以将多个该第一图像传输至该深度学习模块；以及该深度学习模块还用以基于深度学习算法对多个该第一图像进行模型训练，以构建该预设条码识别模型，并将该预设条码识别模型数据反馈至该控制模块。

作为可选的技术方案，该控制模块还用以根据该条码识别模型数据定位该产线上物品的条码位置；以及，该图像采集模块还用以根据条码位置采集产线上物品的该条码图像。

本发明还提供一种基于深度学习的工业条码识别方法，该工业条码识别方法包括以下步骤：

步骤S1，提供如上所述的基于深度学习的工业条码识别装置；

步骤S2，采集物品的条码图像；

步骤S3，对该条码图像进行识别以获得识别结果，并对未识别的条码图像进行标记；

步骤S4，将标记后的未识别的条码图像输入预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块。

作为可选的技术方案，该工业条码识别方法在该步骤S1与该步骤S2之间还包括以下步骤：

步骤S11，利用该图像采集模块采集产线上多个物品的第一图像，该产线上的物品的条码的打码规则相同；

步骤S12，利用控制模块将多个该第一图像传输至该深度学习模块；

步骤S13，利用深度学习模块基于深度学习算法，对多个该第一图像进行模型训练，以构建该预设条码识别模型，并将该预设条码识别模型数据反馈至该控制模块；

步骤S14，根据该预设条码识别模型数据定位该产线上物品的条码位置。

与现有技术相比，本发明的基于深度学习的工业条码识别装置及方法通过构建条码识别模型，可以快速定位条码位置；并且通过已经识别的条码提取有效信息，例如条码大小、条码位置、特征等，可以来优化本体解码库或解码数据；同时将未识别的条码图像输送至本地或云端服务器进行学习，可以在线更新条码识别模型。而且，当使用量增加时，云端服务器中的未识别的条码图像数量也会增加，将这些未识别的条码数据全都进行学习训练，再将学习更新后的条码识别模型的数据文件反馈至解码端（或控制模块的解码数据库），使得本发明的工业条码识别装置越来越智能，能极大地解码率以及缩短解码时间。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明一实施例的基于深度学习的工业条码识别装置的示意图；

图2为本发明基于深度学习的工业条码识别方法的流程图。

具体实施方式

为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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，因此不能理解为对本发明的限制。

请参见图1，图1为本发明一实施例的基于深度学习的工业条码识别装置的示意图。本发明提供一种基于深度学习的工业条码识别装置，工业条码识别装置包括图像采集模块1、控制模块2以及深度学习模块3。图像采集模块1用以采集产线上物品的条码图像，其中该产线上的物品的条码的打码规则相同。也就是说，只要场景固定，例如手机产线上，可以全部都是手机壳，或者也可以全部都是PCB板。这些物品可以是同一厂商，也可以是不同厂商的，可以是同一批次的也可以是不同批次的，只要其打码规则一直，即可采用本发明的工业条码识别装置。而且上述图像采集模块1可以采用扫描、图片拍摄等具备摄像头模块的设备进行。同时用于图像采集的设备还具备对焦 控制、补光控制、曝光控制等成像控制逻辑。

控制模块2与图像采集模块1相连接，控制模块2用以对该图像采集模块1采集的该条码图像进行识别以获得识别结果，并对未识别的条码图像进行标记。上述识别结果有两种可能，一种是该条码图像可以被识别解码，另一种可能就是无法识别，这些未被识别的条码图像可能是因为缺少某些内容、或是模糊不清、或是形状差异等因素造成。不过虽然这些条码图像没有被识别出来，但是由于这些未被识别的条码，其与可以被识别的条码的打码规则一致，所以，这些未被识别的条码其内容、其位置等都是可以通过与已经识别的条码进行比对得知的，所以可以根据该未被识别的条码图像的特点对其进行标记。

深度学习模块3包括预设条码识别模型，深度学习模块3与控制模块2相连接，深度学习模块3用以将标记后的未识别的条码图像输入该预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块2。

其中，上述图像采集模块1还用以采集产线上多个物品的第一图像；控制模块2还用以将多个该第一图像传输至深度学习模块3；以及深度学习模块3还用以基于深度学习算法对多个该第一图像进行模型训练，以构建该预设条码识别模型，并将该预设条码识别模型数据反馈至该控制模块2。

另外，本发明的模型采用卷积神经网络模型，卷积神经网络模型图是一个清晰、可读性高、快速的深度学习框架，其基于C++/CUDA架构可以在CPU和GPU直接无缝切换，采用百万级图像预训练过的成熟网络进行调整和优化，通过训练固化卷积神经网络中各隐层网络的参数，形成推理模型，以适应条码图像的自动分类（或标记）和识别，从而实现条码图像的识别。

此外，该控制模块2还用以根据该条码识别模型数据定位该产线上物品的条码位置；以及，该图像采集模块1还用以根据条码位置采集产线上物品的该条码图像。也就是说，可以在产线现场拍摄多张（例如100张）图片，当然也可以设定一个时间段来进行图片拍摄，从这些图片中即可以得出条码在什么位置，那把这些内容根据基于深度学习算法进行学习训练，构建出预设条码识别模型，那么后续即可根据预设条码模型的数据进行定位找码，即准确又快速。

上述控制模块2采用CPU处理器，具有处理功能，而且，控制模块2还包括存储模块，该存储模块用以存储该图像采集模块1采集的该条码图像以及该控制模块2的该识别结果。

而且，工业条码识别装置还包括本地服务器，该本地服务器与该控制模块相连接，该深度学习模块2设置于该本地服务器内。

另外，本实施例中，工业条码识别装置还包括云端服务器4，该深度学习模块3设置于该云端服务器4内，该控制模块2与该云端服务器4通讯连接，且该控制模块2还用以定期地将存储的多个标记后的未识别的条码图像传输至该云端服务器4。其中，控制模块2通过无线wifi接口电路或以太网接口电路与该云端服务器4连接。一般来说，本地设备的存储空间都是有限的，但是对于本发明而言，条码图像的数量越多，工业条码识别装置则会更智能识别率也会更高，所以，本地设备（例如控制模块）会定期的将存储在本地的未识别的条码图像更新至云端服务器进行学习训练，训练结束后再将更新后的条码识别模型中的数据（数据文件）反馈至控制模块，用以更新解码数据库。这样，当再次扫描或获取到相同或类似条码图片时，该条码即可被识别或解码。

如此地，将每次未识别的条码图像均传输到控制模块的存储模块，然后定期对模型进行重新训练得到更新后的条码识别模型用于下次使用，使得条码的识别会越来越精准。

此外，如图2所示，图2所示为本发明的于深度学习的工业条码识别方法的流程图，本发明还提供一种基于深度学习的工业条码识别方法，该工业条码识别方法包括以下步骤：

步骤S1，提供如上所述的基于深度学习的工业条码识别装置；

步骤S2，采集物品的条码图像，为加快采集速度，可以根据定位的条码位置来进行采集；

步骤S3，对该条码图像进行识别以获得识别结果，并对未识别的条码图像进行标记；

步骤S4，将标记后的未识别的条码图像输入预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块。

其中，该工业条码识别方法在该步骤S1与该步骤S2之间还包括以下步骤：

步骤S11，利用该图像采集模块采集产线上多个物品的第一图像，该产线上的物品的条码的打码规则相同；

步骤S12，利用控制模块将多个该第一图像传输至该深度学习模块；

步骤S13，利用深度学习模块基于深度学习算法，对多个该第一图像进行模型训练，以构建该预设条码识别模型，并将该预设条码识别模型数据反馈至该控制模块；

步骤S14，根据该预设条码识别模型数据定位该产线上物品的条码位置。

综上所述，本发明的基于深度学习的工业条码识别装置及方法通过构建条码识别模型，可以快速定位条码位置；并且通过已经识别的条码提取有效信息，例如条码大小、条码位置、特征等，可以来优化本体解码库或解码数据；同时将未识别的条码图像输送至本地或云端服务器进行学习，可以在线更新条码识别模型。而且，当使用量增加时，云端服务器中的未识别的条码图像数量也会增加，将这些未识别的条码数据全都进行学习训练，再将学习更新后的条码识别模型的数据文件反馈至解码端（或控制模块的解码数据库），使得本发明的工业条码识别装置越来越智能，能极大地解码率以及缩短解码时间。

本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。此外，上面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (10)

1.一种基于深度学习的工业条码识别装置，其特征在于，该工业条码识别装置包括：

图像采集模块，用以采集产线上物品的条码图像，该产线上的物品的条码的打码规则相同；

控制模块，与该图像采集模块相连接，该控制模块用以对该图像采集模块采集的该条码图像进行识别以获得识别结果，并通过未被识别的条码图像的内容、位置与已经识别的条码图像进行比对，根据未被识别的条码图像的特点对该未识别的条码图像进行标记；以及

深度学习模块，包括预设条码识别模型，该深度学习模块与该控制模块相连接，该深度学习模块用以将标记后的该未识别的条码图像输入该预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块。

2.如权利要求1所述的基于深度学习的工业条码识别装置，其特征在于，该控制模块还包括存储模块，该存储模块用以存储该图像采集模块采集的该条码图像以及该控制模块的该识别结果。

3.如权利要求1所述的基于深度学习的工业条码识别装置，其特征在于，该工业条码识别装置还包括本地服务器，该本地服务器与该控制模块相连接，该深度学习模块设置于该本地服务器内。

4.如权利要求1所述的基于深度学习的工业条码识别装置，其特征在于，该工业条码识别装置还包括云端服务器，该深度学习模块设置于该云端服务器内，该控制模块与该云端服务器通讯连接，且该控制模块还用以定期地将存储的多个标记后的未识别的条码图像传输至该云端服务器。

5.如权利要求4所述的基于深度学习的工业条码识别装置，其特征在于，该控制模块通过无线wifi接口电路或以太网接口电路与该云端服务器连接。

6.如权利要求1所述的基于深度学习的工业条码识别装置，其特征在于，该控制模块采用CPU处理器。

7.如权利要求1所述的基于深度学习的工业条码识别装置，其特征在于，

该图像采集模块还用以采集产线上多个物品的第一图像；

该控制模块还用以将多个该第一图像传输至该深度学习模块；以及

该深度学习模块还用以基于深度学习算法对多个该第一图像进行模型训练，以构建该预设条码识别模型，并将该预设条码识别模型数据反馈至该控制模块。

8.如权利要求7所述的基于深度学习的工业条码识别装置，其特征在于，该控制模块还用以根据该条码识别模型数据定位该产线上物品的条码位置；以及，该图像采集模块还用以根据条码位置采集产线上物品的该条码图像。

9.一种基于深度学习的工业条码识别方法，其特征在于，该工业条码识别方法包括以下步骤：

步骤S1，提供如权利要求1-6中任意一项所述的基于深度学习的工业条码识别装置；

步骤S2，采集物品的条码图像；

步骤S3，对该条码图像进行识别以获得识别结果，并对未识别的条码图像进行标记；

步骤S4，将标记后的未识别的条码图像输入预设条码识别模型进行训练，得到更新后的条码识别模型，并将更新后的条码识别模型数据返回该控制模块。

10.如权利要求9所述的一种基于深度学习的工业条码识别方法，其特征在于，该工业条码识别方法在该步骤S1与该步骤S2之间还包括以下步骤：

步骤S11，利用该图像采集模块采集产线上多个物品的第一图像，该产线上的物品的条码的打码规则相同；

步骤S12，利用控制模块将多个该第一图像传输至该深度学习模块；

步骤S13，利用深度学习模块基于深度学习算法，对多个该第一图像进行模型训练，以构建该预设条码识别模型，并将该预设条码识别模型数据反馈至该控制模块；

步骤S14，根据该预设条码识别模型数据定位该产线上物品的条码位置。

Images