CN112001200A - 识别码识别方法、装置、设备、存储介质和系统 - Google Patents
识别码识别方法、装置、设备、存储介质和系统 Download PDFInfo
- Publication number
- CN112001200A CN112001200A CN202010904179.9A CN202010904179A CN112001200A CN 112001200 A CN112001200 A CN 112001200A CN 202010904179 A CN202010904179 A CN 202010904179A CN 112001200 A CN112001200 A CN 112001200A
- Authority
- CN
- China
- Prior art keywords
- identification code
- image
- identification
- reference image
- processed
- 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
Links
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
- G06K7/1408—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
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
Abstract
本申请提供一种识别码识别方法、装置、设备、存储介质和系统。该方法包括:获取待处理识别码的识别码图像;对所述识别码图像进行检测,获取所述识别码图像中识别码所在的图像区域;根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像;所述参考图像是所述识别码对应的标准识别码图像;通过训练得到的第一预设模型对所述参考图像以及所述识别码图像识别码所在的图像区域进行处理,得到所述待处理识别码的质量检测结果;根据质量检测结果判断是否对识别码进行识别。本申请实施例通过获取识别码对应的参考图像,并根据识别码对应的参考图像利用第一预设模型,对识别码的质量进行检测,准确性和效率较高。
Description
技术领域
本申请涉及条码检测技术领域,尤其涉及一种识别码识别方法、装置、设备、存储介质和系统。
背景技术
目前随着信息技术的发展,越来越多的场景中使用识别码记载信息,识别码例如条形码(barcode,又称条码)或二维码等。例如通过条形码记录商品的生产厂家、商品名称、生产日期等信息,或者通过条形码对物流信息进行跟踪,或者通过二维码进行支付等等。条码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。
条码能否被准确识别在很大程度上取决于条码的打印质量。若条码的打印质量不高,如条码的颜色较浅,条码被蹭脏等,会为使用者带来不便,而且在对条码进行识别时,识别效率较低。
发明内容
本申请提供一种识别码识别方法、装置、设备、存储介质和系统,以提高识别码识别效率。
第一方面,本申请提供一种识别码识别方法,包括:
获取待处理识别码的识别码图像;
对所述识别码图像进行检测,获取所述识别码图像中识别码所在的图像区域;
根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像;所述参考图像是所述识别码对应的标准识别码图像;
通过训练得到的第一预设模型对所述参考图像以及所述识别码图像中识别码所在的图像区域进行处理,得到所述待处理识别码的质量检测结果;
根据所述待处理识别码的质量检测结果判断是否进行识别。
第二方面,本申请提供一种识别码识别装置,包括:
获取模块,用于获取待处理识别码的识别码图像;
所述获取模块,还用于对所述识别码图像进行检测,获取所述识别码图像中识别码所在的图像区域;
根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像;所述参考图像是所述识别码对应的标准识别码图像;
处理模块,用于通过训练得到的第一预设模型对所述参考图像以及所述识别码图像进行处理,得到所述待处理识别码的质量检测结果;
根据所述待处理识别码的质量检测结果判断是否对所述识别码进行识别。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。
第四方面,本申请实施例提供一种电子设备,包括:
图像采集器,用于采集待处理识别码的图像;以及
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。
第五方面,本申请实施例提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。
第六方面,本申请实施例提供一种识别码质量检测系统,包括:
图像采集设备,用于采集待处理识别码的图像;以及
如第五方面中所述的电子设备。
本申请实施例提供的识别码识别方法、装置、设备、存储介质和系统,利用获取到的识别码图像,获取识别码图像中识别码所在的图像区域;利用识别码所在的图像区域,获取识别码对应的参考图像,参考图像是识别码对应的标准识别码图像,进而通过训练得到的第一预设模型对参考图像以及识别码所在的图像区域进行处理,得到待处理识别码的质量检测结果,利用模型进行质量检测准确性和效率较高,而且在利用模型检测时使用了参考图像进一步提高了质量检测的准确性,进一步根据质量检测结果确定是否对识别码进行识别,即在识别之前对识别码进行筛选,提高了识别效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的系统架构示意图;
图2为本申请实施例提供的应用场景示意图;
图3是本申请提供的识别码质量检测方法一实施例的流程示意图;
图4是本申请提供的方法一实施例的模型训练原理示意图;
图5是本申请提供的方法一实施例的检测识别原理示意图;
图6是本申请提供的方法一实施例的质量检测原理示意图;
图7是本申请提供的识别码质量检测装置一实施例的结构示意图;
图8是本申请提供的电子设备一实施例的结构示意图;
图9是本申请提供的电子设备另一实施例的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,对本申请实施例涉及的部分词汇和应用场景进行介绍。
条形码(barcode,又称条码)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;条码包含多种码制:128码、39码、93码、EAN码等等,每种码制的编码规则及应用场景都不同。条码一般由起始符、数据符、结束符组成。
图1为本申请实施例提供的系统架构示意图。如图1所示,本申请实施例的系统架构中可以包括但不限于:图像采集设备1、电子设备2和识别设备3。识别设备例如包括用户的终端设备,例如手机、平板电脑、条码扫描器等等。
其中,图像采集设备1可以设置在电子设备2中,或与电子设备2独立设置。图像采集设备1用于采集待处理识别码的识别码图像。识别设备用于对识别码进行识别,获取识别码的信息。
在一实施例中,电子设备可以是工业相机,带有摄像头和读码器,既具有图像采集功能,又具有识别码识别功能。
其中,电子设备2和识别设备3可以是同一个设备,也可以是不同的设备。
其中,图像采集设备1和电子设备2之间可以通过网络连接,电子设备2和识别设备3之间可以通过网络连接。
在其他实施例中,该系统架构中还可以包括服务器,电子设备和服务器之间可以通过网络连接,电子设备可以将识别码的质量检测结果发送给服务器进行存储,电子设备也可以显示识别码的质量检测结果。其中,服务器可以为一个或多个本申请实施例对此并不限定。
本申请实施例提供的方法可由一个电子设备如处理器执行相应的软件代码实现,也可由一个电子设备在执行相应的软件代码的同时,通过和服务器进行数据交互来实现。
在其他场景中,本申请实施例的方法也可以通过服务器执行,本申请实施例对此并不限定。
识别码可以包括条码、二维码等,以下实施例中以条码为例进行说明,并以条码在物流场景中的应用为例进行说明。
条码质量检测的用途较多,例如,可用于条码打印装置的质量判别,避免打印质量有问题的条码标签流入市场使用,影响后续条码识别的效率,对于质量有问题的条码在识别失败时需要人工补扫读码,因此,条码识别效率较低,而且还会额外增加人工成本。
因此,对于本领域技术人员来说,亟需实现一种高效的条码识别方案。在图2所示的物流读码场景中,传送带4向箭头指向的方向前进,包裹5在传送带上,条码6贴在包裹5上,图像采集设备1架设在传送带上方,进行图像采集,并将采集到的识别码图像传送到电子设备2处,进行条码质量检测、条码识别与结果显示等操作。
另外,在对条码进行识别的过程中,可以记录每个条码的质量情况,如质量等级,当条码识别出现错误时,可通过设置质量阈值来实现对质量差的条码进行追溯。还可以通过设置质量阈值过滤伪码,提高条码识别效率等。
本申请实施例的识别方法的技术构思如下:通过学习得到的模型对识别码图像进行质量检测,进一步为了提高模型处理结果的鲁棒性,获取识别码图像对应的参考图像,参考图像是该识别码对应的标准识别码图像,利用第一预设模型对识别码图像以及对应的参考图像处理,得到质量检测结果,准确性和效率较高,而且根据质量检测结果可以确定是否对识别码进行识别,识别效率较高。
下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图3是本申请提供的识别码识别方法一实施例的流程示意图。如图3所示,本实施例提供的方法,包括:
步骤101、获取待处理识别码的识别码图像。
具体的,在检测待处理识别码的质量时,可以通过对包含识别码的识别码图像的质量进行检测,即利用识别码图像的质量检测结果表征识别码的质量。识别码的质量高的话,识别码图像的质量也会较高,本申请实施例中不考虑生成图像的损失。
采集待处理识别码的识别码图像,可以实时的对获取到的识别码图像进行检测,也可以周期性的对获取到的识别码图像进行质量检测,例如持续预设时长获取多个识别码图像之后进行质量检测,本申请实施例对此并不限定。
其中,可以利用图像采集设备采集识别码图像,或利用电子设备中集成的图像采集组件采集识别码图像,本申请实施例对此并不限定。
上述识别码图像可以采集单帧图像或多帧图像,本申请实施例对此并不限定。
步骤102、对识别码图像进行检测,获取识别码图像中识别码所在的图像区域。
具体的,为了后续图像处理的质量以及效率较高,在获取到识别码图像之后,可以利用目标检测算法检测出识别码图像中识别码所在的图像区域,剔除掉与识别码无关的部分,使用识别码所在区域进行质量检测和识别码识别。
其中目标检测算法例如包括:多类别单阶检测器(Single ShotMultiBoxDetector,SSD)、(You Only Look Once,YOLO)算法等。
通过提取识别码图像中识别码所在的图像区域,后续采用该识别码所在的图像区域进行分析处理,准确性较高。
步骤103、根据识别码图像中识别码所在的图像区域,获取识别码对应的参考图像;参考图像是识别码所属类型对应的标准识别码图像。
在对图像的质量检测时,可以参考该图像对应的高质量模板图像,实现较为鲁棒的检测,例如通过对模板图像以及待检测图像进行特征比对,实现对图像的质量检测。
本步骤中根据识别码图像,获取识别码对应的参考图像,例如每一个识别码对应一个参考图像,该参考图像是识别码对应的标准识别码图像,将参考图像作为模板图像,通过将识别码图像和参考图像进行比较,能够更鲁棒地对识别码图像的质量进行检测。
在生成参考图像时,利用识别码图像中识别码所在的图像区域,即只生成识别码所在的图像区域对应的参考图像,后续图像处理的质量以及效率较高。
在一实施例中,为了提高处理效率,参考图像可以是识别码所属类型对应的标准识别码图像,一种类型的识别码对应一个参考图像,减少了数据量,提高处理效率。
例如可以利用深度学习算法建立的模型获取到该识别码对应的参考图像,或根据该识别码的识别结果生成该识别码对应的参考图像等。
步骤104、通过训练得到的第一预设模型对参考图像以及识别码图像中识别码所在的图像区域进行处理,得到待处理识别码的质量检测结果。
具体的,可以利用训练得到的第一预设模型对参考图像以及识别码图像中识别码所在的图像区域进行处理,得到质量检测结果,其中,第一预设模型可以是利用深度学习算法预先建立的模型,并且如图4所示,利用采集到的训练数据对模型的参数进行训练得到的。
在一实施例中,采集到的训练数据包括多组样本数据,每组样本数据包括样本识别码图像,进一步如图4所示对样本识别码图像的特征信息进行标注得到样本识别码图像的特征信息。
其中,样本识别码图像可以是只包括识别码区域的图像。
同样的对于参考图像也可以采用类似的方式处理。
在一实施例中,可以基于第一预设模型分别提取识别码图像中识别码所在的图像区域和参考图像的特征信息,进而根据识别码图像中识别码所在的图像区域和参考图像的特征信息,得到质量检测结果。
在其他实施例中,也可以基于第一预设模型分别提取识别码图像中识别码所在的图像区域和参考图像的特征信息,进而利用第一预设模型对识别码图像中识别码所在的图像区域和参考图像的特征信息进行处理,得到质量检测结果。
其中,第一预设模型可以通过残差网络Resnet算法,或其他深度学习算法等进行建模。
步骤105、根据待处理识别码的质量检测结果判断是否对识别码进行识别。
具体的,为了提高识别码的识别效率,可以对识别码进行筛选,将质量较差的识别码剔除,即在识别之前,根据质量检测结果确定是否进行识别。
若质量检测结果表明该识别码的质量较好,则进行识别;
若质量检测结果表明该识别码的质量较差,则不进行识别,即在识别之前通过质量检测结果对识别码进行筛选,若质量较差则不进行识别,能够提高识别效率。
若该识别码的质量较差,也可以输出该识别码的质量检测结果,能够客观评估识别码的质量,进而可以将质量较差的图像作为模型训练的训练样本,以扩展样本库。
本实施例的方法,利用获取到的识别码图像,获取识别码对应的参考图像,获取识别码图像中识别码所在的图像区域;利用识别码所在的图像区域,获取识别码对应的参考图像,参考图像是识别码对应的标准识别码图像,进而通过训练得到的第一预设模型对参考图像以及识别码所在的图像区域进行处理,得到待处理识别码的质量检测结果,利用模型进行质量检测准确性和效率较高,而且在利用模型检测时使用了参考图像进一步提高了质量检测的准确性,进一步根据质量检测结果确定是否对识别码进行识别,即在识别之前对识别码进行筛选,提高了识别效率。
在上述实施例的基础上,步骤103可以通过如下方式实现:
通过第一预设模型,提取参考图像的特征信息以及识别码图像中识别码所在的图像区域的特征信息;所述第一预设模型为对多组样本数据训练得到的,每组样本数据包括:样本识别码图像和所述样本识别码图像对应的特征信息;
根据识别码图像中识别码所在的图像区域的特征信息和参考图像的特征信息,确定质量检测结果。
具体的,将识别码图像中识别码所在的图像区域与参考图像一起送入第一预设模型,通过第一预设模型提取特征信息,并对提取到的特征信息进行处理,得到质量检测结果。
其中,对提取到的特征信息进行处理,可以利用第一预设模型处理,也可以利用其他方式处理,本申请实施例对此并不限定。
在一实施例中,可以通过提取图像中的结构化特征信息来评价图像的质量,结构化特征信息例如包括以下至少一项:亮度、对比度、结构信息。例如通过结构相似性(structual similarity,SSIM)算法提取特征信息。
在其他实施例中,还可以通过特征相似度(feature similarity,FSIM)算法提取特征信息。该FSIM算法认为图像中的所有像素并非具有相同的重要性,比如物体边缘的像素点对于界定物体的结构比其他背景区域的像素点更为重要。
在其他实施例中,还可以通过其他人眼视觉系统(human vision system,HVS)的算法进行特征提取,本申请实施例对此并不限定。
在一实施例中,根据识别码图像中识别码所在的图像区域的特征信息和参考图像的特征信息,确定质量检测结果,具体可以通过如下方式实现:
根据识别码图像中识别码所在的图像区域的特征信息以及参考图像的特征信息,确定识别码图像中识别码所在的图像区域与参考图像的相似度;
根据识别码图像中识别码所在的图像区域与参考图像的相似度,确定质量检测结果。
具体的,在确定质量检测结果时,可以根据识别码图像中识别码所在的图像区域与参考图像的相似度确定,例如相似度越大,说明识别码图像中识别码所在的图像区域与参考图像越相似,则识别码图像的质量越高,即识别码的质量越高。
其中,两个图像的相似度,可以基于图像的特征信息得到。
在一实施例中,相似度可以通过欧式距离表征。
识别码图像中识别码所在的图像区域与参考图像的欧式距离越大,则识别码图像中识别码所在的图像区域与参考图像的相似度越小;识别码图像中识别码所在的图像区域与参考图像的欧式距离越小,则识别码图像中识别码所在的图像区域与参考图像的相似度越大。
在一实施例中,可以对相似度进行归一化处理,得到质量检测结果。
在一实施例中,质量检测结果还可以通过质量等级表示,将相似度与各个等级的相似度阈值进行比较,得到该识别码的质量等级。
例如质量等级分为A-F,A-F按照质量进行降序排列,质量等级A对应相似度区间0.9-1,质量等级B对应相似度区间0.8-0.9,质量等级C对应相似度区间0.7-0.8,质量等级D对应相似度区间0.6-0.7,质量等级E对应相似度区间0.3-0.6,质量等级F对应相似度区间0-0.3。
例如可以将相似度与相似度阈值0.9、0.8、0.7、0.6、0.3进行比较,确定质量检测结果。假设相似度为0.75可以先将0.75与最高质量等级A的相似度阈值0.9比较,0.75小于0.9,则将0.75与质量等级B的相似度阈值0.8比较,0.75小于0.8,则将0.75与质量等级C的相似度阈值0.7比较,发现0.75大于0.7,且小于0.8,则说明该识别码的质量等级为质量等级C。
进一步的,若待处理识别码的质量等级高于预设等级阈值,则对所述识别码进行识别,并获取所述识别码的识别结果;
输出所述识别码的识别结果以及所述识别码的质量检测结果。
具体的,如图5所示,为了提高识别码的识别效率,可以对识别码进行筛选,将质量较差的识别码剔除,即对质量等级高于预设等级阈值,或质量等级与预设等级阈值相同的识别码进行识别(即将质量检测结果高于预设等级阈值的识别码作为合格条码进行使用),并获取所述识别码的识别结果,可以通过该用于识别码质量检测的设备输出识别码的识别结果以及识别码的质量检测结果,例如在该设备上显示识别码的识别结果以及识别码的质量检测结果,或者将识别码的识别结果以及识别码的质量检测结果发送给服务器存储,或发送给服务器进行后续分析。
若质量等级低于预设等级阈值,则确定为不合格识别码,对该识别码不进行识别,直接输出质量检测结果,例如还可以输出识别错误等提示信息。
其中,对识别码进行识别也可以采用深度学习算法实现,例如通过卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)、(Dense ConvolutionalNetwork,DenseNet)等识别算法实现,或者其他算法,本申请实施例对此并不限定。
上述实施方式中,在识别码的质量检测结果高于预设等级阈值,识别码进行识别,即对识别码进行筛选,提高了识别码的识别效率。
在一实施例中,获取所述识别码对应的参考图像,可以通过如下方式实现:
一种实现方式:
根据所述识别码图像中识别码所在的图像区域,利用第二预设模型获取所述识别码对应的参考图像;所述第二预设模型为对多组样本数据训练得到的,每组样本数据包括:样本识别码图像和样本参考图像。
具体的,可以利用第二预设模型对识别码图像中识别码所在的图像区域进行处理,得到参考图像,其中,第二预设模型可以是利用深度学习算法预先建立的模型,并且如图4所示,利用采集到的训练数据对模型的参数进行学习得到的。例如,在训练好第二预设模型之后,可以将识别码所在的图像区域的图像输入到第二预设模型,第二预设模型会基于该识别码区域图像进行处理后输出标准识别码图像,作为一种可能第二预设模型可以基于该识别码区域图像获取识别码类型,然后匹配出该识别码类型对应的标准识别码图像。
如图6所示,可以利用第二预设模型对识别码图像中识别码所在的图像区域进行处理,得到参考图像,进而利用第一预设模型对识别码所在的图像区域,以及参考图像进行处理,得到质量检测结果,例如质量等级B。
上述实施方式中,通过第二预设模型获取识别码对应的参考图像,准确性和效率较高。
在一实施例中,在训练第二预设模型时,采集到的训练数据包括多组样本数据,每组样本数据包括样本识别码图像、样本参考图像。其中,样本识别码图像可以是只包含识别码区域的图像。
其中,可以通过神经网络模型算法进行建模训练第二预设模型,例如,可通过样本图像和初始神经网络进行训练,训练好以后得到第二预设模型,初始神经网络可以是UNet。
UNet是一种语义分割网络模型,能够较为准确的提取图像中的上下文信息(也即像素间的关系),预测图像中的像素点,利用较少的样本数据就可以得到较为准确的结果。UNet网络模型一般采用对称的网络结构,前半部分一般与卷积网络类似,包括卷积层、下采样层,后半部分包括:卷积层、上采样层。
另一种实现方式:
根据所述识别码图像中识别码所在的图像区域获取所述识别码的识别结果,并根据所述识别码的识别结果生成所述识别码对应的参考图像。
具体的,该方式中参考图像可以利用识别码的识别结果生成,例如获取到识别结果,即识别码中包括的信息之后(如识别码类型)利用识别码生成算法,生成相应的识别码(如该识别码类型所对应的标准识别码),作为参考图像。
在一实施例中,可以使用神经网络模型来获取该识别码的识别结果,将该识别码所在图像区域的图像输入到神经网络模型中,该神经网络模型输出识别结果,其中,神经网络模型用于识别该识别码的类型;该神经网络模型可以通过大量的识别码图像进行训练得到。例如通过卷积循环神经网络CRNN等实现深度学习读码。
本申请实施例的方法,可在线对识别码进行质量检测评估,并且提供了细分的质量检测结果,例如质量等级,该方法可用于识别码打印装置的质量判别,提高识别码标签的可用性,提升识别系统的识别稳定性。且通过记录每个识别码的质量检测结果,当识别码出现错误识别时,可实现对质量差的识别码进行追溯等;或通过设置质量等级阈值过滤识别系统中的伪码,提高识别系统的效率等。
图7为本申请提供的识别码识别装置一实施例的结构图,如图7所示,本实施例的识别码识别装置,包括:
获取模块701,用于获取待处理识别码的识别码图像;
处理模块702,用于对所述识别码图像进行检测,获取所述识别码图像中识别码所在的图像区域;
根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像;所述参考图像是所述识别码对应的标准识别码图像;
处理模块702,还用于通过训练得到的第一预设模型对所述参考图像以及所述识别码图像中识别码所在的图像区域进行处理,得到所述待处理识别码的质量检测结果;
根据所述待处理识别码的质量检测结果判断是否对所述识别码进行识别。
在一种可能的实现方式中,处理模块702,具体用于:
通过所述第一预设模型,提取所述参考图像的特征信息以及所述识别码图像中识别码所在的图像区域的特征信息;所述第一预设模型为对多组样本数据训练得到的,每组样本数据包括:样本识别码图像和所述样本识别码图像对应的特征信息;
根据所述识别码图像中识别码所在的图像区域的特征信息和所述参考图像的特征信息,确定所述质量检测结果。
在一种可能的实现方式中,处理模块702,具体用于:
根据所述识别码图像中识别码所在的图像区域的特征信息以及所述参考图像的特征信息,确定所述识别码图像中识别码所在的图像区域与所述参考图像的相似度;
根据所述识别码图像中识别码所在的图像区域与所述参考图像的相似度,确定所述质量检测结果。
在一种可能的实现方式中,处理模块702,具体用于:
将所述识别码图像中识别码所在的图像区域与所述参考图像的相似度,与预设的相似度阈值进行比较,确定所述质量检测结果;所述相似度通过欧式距离表示。
在一种可能的实现方式中,获取模块701,具体用于:
根据所述识别码图像中识别码所在的图像区域,利用第二预设模型获取所述识别码对应的参考图像;所述第二预设模型为对多组样本数据训练得到的,每组样本数据包括:样本识别码图像和样本参考图像;或,
根据所述识别码图像中识别码所在的图像区域获取所述识别码的识别结果,并根据所述识别码的识别结果生成所述识别码对应的参考图像。
在一种可能的实现方式中,第二预设模型为根据UNet算法建立的模型。
在一种可能的实现方式中,若所述待处理识别码的质量检测结果包括质量等级,处理模块702,还用于:
若所述待处理识别码的质量等级高于预设等级阈值,则对所述识别码进行识别,并获取所述识别码的识别结果;
输出所述识别码的识别结果以及所述识别码的质量检测结果;
若所述待处理识别码的质量等级低于预设等级阈值,则输出所述识别码的质量等级。
本实施例的装置,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本申请提供的电子设备一实施例的结构图,如图8所示,该电子设备包括:
处理器801,以及,用于存储处理器801的可执行指令的存储器802。
可选的,还可以包括:通信接口803,用于实现与其他设备的通信。
上述部件可以通过一条或多条总线进行通信。
其中,处理器801配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,此处不再赘述。
图9为本申请提供的电子设备另一实施例的结构图,如图9所示,该电子设备包括:
图像采集器901、处理器902,以及,用于存储处理器902的可执行指令的存储器903。
上述部件可以通过一条或多条总线进行通信。
其中,处理器902配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,此处不再赘述。
其中,图像采集器901用于实现前述实施例中图像采集设备的功能。
本申请实施例中还提供一种识别码识别系统,该系统包括:
图8所示实施例中的电子设备,以及图像采集设备;
可选的,还可以包括识别设备,用于对识别码进行识别,得到识别结果,进一步还可以显示识别结果。
其中,电子设备可以位于图像采集设备内部,也可以位于图像采集设备外部,即二者可以集成在一个设备中,或分别为独立的设备,本申请实施例对此并不限定。
在一实施例中,该系统还包括:
传送带,所述传送带用于传送包裹,所述包裹上贴有识别码,所述待处理识别码为所述条码;
所述图像采集设备为工业相机,用于拍摄带有所述条码的图像。
本实施例的系统,可以用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本申请实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述方法实施例中对应的方法,其具体实施过程可以参见前述方法实施例,其实现原理和技术效果类似,此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种识别码识别方法,其特征在于,包括:
获取待处理识别码的识别码图像;
对所述识别码图像进行检测,获取所述识别码图像中识别码所在的图像区域;
根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像;所述参考图像是所述识别码对应的标准识别码图像;
通过训练得到的第一预设模型对所述参考图像以及所述识别码图像中识别码所在的图像区域进行处理,得到所述待处理识别码的质量检测结果;
根据所述待处理识别码的质量检测结果判断是否对所述识别码进行识别。
2.根据权利要求1所述的方法,其特征在于,所述通过训练得到的第一预设模型对所述参考图像以及所述识别码图像中识别码所在的图像区域进行处理,得到所述待处理识别码的质量检测结果,包括:
通过所述第一预设模型,提取所述参考图像的特征信息以及所述识别码图像中识别码所在的图像区域的特征信息;所述第一预设模型为对多组样本数据训练得到的,每组样本数据包括:样本识别码图像和所述样本识别码图像对应的特征信息;
根据所述识别码图像中识别码所在的图像区域的特征信息和所述参考图像的特征信息,确定所述质量检测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据所述识别码图像中识别码所在的图像区域的特征信息和所述参考图像的特征信息,确定所述质量检测结果,包括:
根据所述识别码图像中识别码所在的图像区域的特征信息以及所述参考图像的特征信息,确定所述识别码图像中识别码所在的图像区域与所述参考图像的相似度;
根据所述识别码图像中识别码所在的图像区域与所述参考图像的相似度,确定所述质量检测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述识别码图像中识别码所在的图像区域与所述参考图像的相似度,确定所述质量检测结果,包括:
将所述识别码图像中识别码所在的图像区域与所述参考图像的相似度,与预设的相似度阈值进行比较,确定所述质量检测结果;所述相似度通过欧式距离表示。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像,包括:
根据所述识别码图像中识别码所在的图像区域,利用第二预设模型获取所述识别码对应的参考图像;所述第二预设模型为对多组样本数据训练得到的,每组样本数据包括:样本识别码图像和样本参考图像;或,
根据所述识别码图像中识别码所在的图像区域获取所述识别码的识别结果,并根据所述识别码的识别结果生成所述识别码对应的参考图像。
6.根据权利要求1-4任一项所述的方法,其特征在于,若所述待处理识别码的质量检测结果包括所述识别码的质量等级,所述根据所述待处理识别码的质量检测结果判断是否进行识别之后,还包括:
若所述待处理识别码的质量等级高于预设等级阈值,则对所述识别码进行识别,并获取所述识别码的识别结果;
输出所述识别码的识别结果以及所述识别码的质量等级;
若所述待处理识别码的质量等级低于预设等级阈值,则输出所述识别码的质量等级。
7.一种识别码识别装置,其特征在于,包括:
获取模块,用于获取待处理识别码的识别码图像;
处理模块,用于对所述识别码图像进行检测,获取所述识别码图像中识别码所在的图像区域;
根据所述识别码图像中识别码所在的图像区域,获取所述识别码对应的参考图像;所述参考图像是所述识别码对应的标准识别码图像;
所述处理模块,用于通过训练得到的第一预设模型对所述参考图像以及所述识别码图像进行处理,得到所述待处理识别码的质量检测结果;
根据所述待处理识别码的质量检测结果判断是否对所述识别码进行识别。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
9.一种电子设备,其特征在于,包括:
图像采集器,用于采集待处理识别码的图像;以及
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的方法。
11.一种识别码识别系统,其特征在于,包括:
图像采集设备,用于采集待处理识别码的图像;以及
如权利要求10所述的电子设备。
12.根据权利要求11所述的系统,其特征在于,还包括:
传送带,所述传送带用于传送包裹,所述包裹上贴有条码,所述待处理识别码为所述条码;
所述图像采集设备为工业相机,用于拍摄带有所述条码的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904179.9A CN112001200A (zh) | 2020-09-01 | 2020-09-01 | 识别码识别方法、装置、设备、存储介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904179.9A CN112001200A (zh) | 2020-09-01 | 2020-09-01 | 识别码识别方法、装置、设备、存储介质和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001200A true CN112001200A (zh) | 2020-11-27 |
Family
ID=73465852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904179.9A Pending CN112001200A (zh) | 2020-09-01 | 2020-09-01 | 识别码识别方法、装置、设备、存储介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001200A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113364986A (zh) * | 2021-07-08 | 2021-09-07 | 杭州海康机器人技术有限公司 | 对焦方法、装置及存储介质 |
CN113610414A (zh) * | 2021-08-13 | 2021-11-05 | 深圳市巨力方视觉技术有限公司 | 基于机器视觉的pcb板管控方法、装置及计算机可读介质 |
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 |
---|---|---|---|---|
CN105975893A (zh) * | 2016-05-03 | 2016-09-28 | 增城市美祺印刷有限公司 | 二维码标签印刷检测系统 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
CN108681684A (zh) * | 2018-04-16 | 2018-10-19 | 佛山市顺德区中山大学研究院 | 一种二维条码图像无参考质量评价方法及其装置、系统 |
CN109085176A (zh) * | 2018-08-20 | 2018-12-25 | 深圳科瑞技术股份有限公司 | 一种标签印刷质量检测及数据校验方法 |
CN109118470A (zh) * | 2018-06-26 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种图像质量评价方法、装置、终端和服务器 |
CN109410210A (zh) * | 2018-11-29 | 2019-03-01 | 陕西省标准化研究院 | 基于机器视觉的商品条码印制质量检测方法 |
US20190215410A1 (en) * | 2018-01-05 | 2019-07-11 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer |
WO2019171070A1 (en) * | 2018-03-09 | 2019-09-12 | Prisymid Limited | Label data processing system |
CN110858394A (zh) * | 2018-08-20 | 2020-03-03 | 深圳云天励飞技术有限公司 | 一种图像质量评估方法、装置、电子设备及计算机可读存储介质 |
CN110858286A (zh) * | 2018-08-23 | 2020-03-03 | 杭州海康威视数字技术股份有限公司 | 一种用于目标识别的图像处理方法及装置 |
CN110889304A (zh) * | 2018-09-11 | 2020-03-17 | 杭州海康威视数字技术股份有限公司 | 二维码质量评估方法及装置、存储介质、电子设备、系统 |
CN111598837A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
-
2020
- 2020-09-01 CN CN202010904179.9A patent/CN112001200A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975893A (zh) * | 2016-05-03 | 2016-09-28 | 增城市美祺印刷有限公司 | 二维码标签印刷检测系统 |
CN108288027A (zh) * | 2017-12-28 | 2018-07-17 | 新智数字科技有限公司 | 一种图像质量的检测方法、装置及设备 |
US20190215410A1 (en) * | 2018-01-05 | 2019-07-11 | Datamax-O'neil Corporation | Methods, apparatuses, and systems for detecting printing defects and contaminated components of a printer |
WO2019171070A1 (en) * | 2018-03-09 | 2019-09-12 | Prisymid Limited | Label data processing system |
CN108681684A (zh) * | 2018-04-16 | 2018-10-19 | 佛山市顺德区中山大学研究院 | 一种二维条码图像无参考质量评价方法及其装置、系统 |
CN109118470A (zh) * | 2018-06-26 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种图像质量评价方法、装置、终端和服务器 |
CN109085176A (zh) * | 2018-08-20 | 2018-12-25 | 深圳科瑞技术股份有限公司 | 一种标签印刷质量检测及数据校验方法 |
CN110858394A (zh) * | 2018-08-20 | 2020-03-03 | 深圳云天励飞技术有限公司 | 一种图像质量评估方法、装置、电子设备及计算机可读存储介质 |
CN110858286A (zh) * | 2018-08-23 | 2020-03-03 | 杭州海康威视数字技术股份有限公司 | 一种用于目标识别的图像处理方法及装置 |
CN110889304A (zh) * | 2018-09-11 | 2020-03-17 | 杭州海康威视数字技术股份有限公司 | 二维码质量评估方法及装置、存储介质、电子设备、系统 |
CN109410210A (zh) * | 2018-11-29 | 2019-03-01 | 陕西省标准化研究院 | 基于机器视觉的商品条码印制质量检测方法 |
CN111598837A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 适用于可视化二维码的全参考图像质量评价方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113364986A (zh) * | 2021-07-08 | 2021-09-07 | 杭州海康机器人技术有限公司 | 对焦方法、装置及存储介质 |
CN113364986B (zh) * | 2021-07-08 | 2022-08-09 | 杭州海康机器人技术有限公司 | 对焦方法、装置及存储介质 |
CN113610414A (zh) * | 2021-08-13 | 2021-11-05 | 深圳市巨力方视觉技术有限公司 | 基于机器视觉的pcb板管控方法、装置及计算机可读介质 |
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 |
WO2024045589A1 (zh) * | 2022-08-30 | 2024-03-07 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046529B (zh) | 二维码识别方法、装置及设备 | |
CN111369545B (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
CN112001200A (zh) | 识别码识别方法、装置、设备、存储介质和系统 | |
CN110222687B (zh) | 复杂背景卡面信息识别方法及系统 | |
WO2014092979A1 (en) | Method of perspective correction for devanagari text | |
US20190244008A1 (en) | Manufacturing Part Identification Using Computer Vision And Machine Learning | |
CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN112052813A (zh) | 染色体间易位识别方法、装置、电子设备及可读存储介质 | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
US20160125253A1 (en) | Method and apparatus for image matching | |
CN109508716B (zh) | 一种图像文字的定位方法及装置 | |
Wicht et al. | Camera-based sudoku recognition with deep belief network | |
CN114419739A (zh) | 行为识别模型的训练方法、行为识别方法及设备 | |
CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
CN113486715A (zh) | 图像翻拍识别方法、智能终端以及计算机存储介质 | |
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 | |
CN112215222A (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN111626313B (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
CN110428264A (zh) | 基于点阵屏防伪标签的识别验伪方法、装置、设备及介质 | |
CN112308062B (zh) | 一种复杂背景图像中的医疗影像访问号识别方法 | |
CN115424253A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN111814780B (zh) | 一种票据图像处理方法、装置、设备及存储介质 |
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 |