CN112417919A - 一种防伪二维码的检测识别方法及系统、存储介质 - Google Patents

一种防伪二维码的检测识别方法及系统、存储介质 Download PDF

Info

Publication number
CN112417919A
CN112417919A CN202011299225.3A CN202011299225A CN112417919A CN 112417919 A CN112417919 A CN 112417919A CN 202011299225 A CN202011299225 A CN 202011299225A CN 112417919 A CN112417919 A CN 112417919A
Authority
CN
China
Prior art keywords
dimensional code
counterfeiting
network
image
information
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
Application number
CN202011299225.3A
Other languages
English (en)
Inventor
陈家亮
王子玉
张壮
肖向才
张俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202011299225.3A priority Critical patent/CN112417919A/zh
Publication of CN112417919A publication Critical patent/CN112417919A/zh
Pending legal-status Critical Current

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
    • G06K7/1417—2D bar codes
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Toxicology (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种防伪二维码的检测识别控制方法及系统、存储介质，当通过二维码检测神经网络检测出图像采集装置采集的图像中存在防伪二维码时，利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码，其中，所述防伪二维码通过编码器网络生成；通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，所述解码器网络与编码器网络相对应，能够利用编码器网络生成易于被解码器网络识别的防伪二维码，以在确保该防伪二维码容易识别的前提下，同时通过防伪信息的添加增强防伪二维码的安全性。

Description

一种防伪二维码的检测识别方法及系统、存储介质
技术领域
本发明属于二维码应用技术领域，具体涉及一种防伪二维码的检测识别方法及系统、存储介质。
背景技术
目前，二维码识别技术已经比较成熟，用户能够使用手机、相机或者特定的二维码识别器对二维码进行快速定位和识别。但是，在一些特定场合，如较暗的环境下、二维码被部分遮挡、二维码与识别器之间形成一定角度或者二维码与识别器之间发生相对运动的过程中，二维码识别器对二维码的检测识别效果往往不够理想。
因此，目前需要解决的问题是提升二维码识别器在不同场合下的识别准确度。
现在亟须一种防伪二维码的检测识别方法及系统、存储介质。
发明内容
本发明所要解决的技术问题是提升二维码识别器在不同场合下的识别准确度。
针对上述问题，本发明提供了一种防伪二维码的检测识别方法及系统、存储介质。
第一方面，本发明提供了一种防伪二维码的检测识别方法，包括以下步骤：
当通过二维码检测神经网络检测出图像采集装置采集的图像中存在防伪二维码时，利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码，其中，所述防伪二维码通过编码器网络生成；
通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，所述解码器网络与编码器网络相对应。
根据本发明的实施例，优选地，所述防伪二维码通过编码器网络生成，包括以下步骤：
将预先生成的初始二维码图像的大小调整为预设像素，得到调整后初始二维码图像作为载体图像；
将待融合的秘密信息转换成二进制流；
将待融合的秘密信息转换成的二进制流与载体图像进行融合生成防伪二维码。
根据本发明的实施例，优选地，所述载体图像中隐含待表达的数据，所述待融合的秘密信息为防伪信息。
根据本发明的实施例，优选地，将待融合的秘密信息转换成的二进制流与载体图像进行融合生成防伪二维码，包括以下步骤：
通过全连接层将待融合的秘密信息转换成的二进制流进一步转换为与载体图像维度相同的信息向量；
将与载体图像维度相同的信息向量与载体图像进行融合生成防伪二维码。
根据本发明的实施例，优选地，将与载体图像维度相同的信息向量与载体图像进行融合生成防伪二维码通过U-net网络结构实现。
根据本发明的实施例，优选地，通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，包括以下步骤：
通过解码器网络中一系列卷积的密集层和一个激活函数对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息。
根据本发明的实施例，优选地，编码器网络和解码器网络通过以下步骤训练：
将编码器网络生成的防伪二维码输入解码器网络中，利用交叉熵损失对解码器网络进行监督训练；
根据解码器网络产生的交叉熵损失更新解码器网络的参数权重，并将解码器网络产生的交叉熵损失反馈至编码器网络，以更新编码器网络的参数权重。
第二方面，本发明提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
第三方面，本发明提供了一种防伪二维码的检测识别控制装置，其包括存储器和处理器，该存储器上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
第四方面，本发明提供了一种防伪二维码的检测识别控制系统，包括：
图像采集装置，其用于采集图像；和
上述防伪二维码的检测识别控制装置，其与所述图像采集装置连接，用于从所述图像采集装置采集的图像中检测出防伪二维码并提取出防伪二维码中表达的数据和防伪信息。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
应用本发明的防伪二维码的检测识别控制方法，当通过二维码检测神经网络检测出图像采集装置采集的图像中存在防伪二维码时，利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码，其中，所述防伪二维码通过编码器网络生成；通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，所述解码器网络与编码器网络相对应，能够利用编码器网络生成易于被解码器网络识别的防伪二维码，以在确保该防伪二维码容易识别的前提下，同时通过防伪信息的添加增强防伪二维码的安全性。
本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、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
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1示出了本发明实施例一防伪二维码的检测识别方法的流程图；
图2示出了本发明实施例一中二维码检测神经网络的训练流程图；
图3示出了本发明实施例二防伪二维码的检测识别方法的流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
实施例一
为解决现有技术中存在的上述技术问题，本发明实施例提供了一种防伪二维码的检测识别方法。
参照图1，本实施例的防伪二维码的检测识别方法，包括以下步骤：
S110，通过二维码检测神经网络检测图像采集装置采集的图像中是否存在防伪二维码，其中，所述防伪二维码通过编码器网络生成；
若是，则执行S120；
若否，则不予响应；
S120，利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码，其中，空间变换器网络能够识别检测工业场景中的各种二维码图像，包括遮挡、模糊图像等；
S130，通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，所述解码器网络与编码器网络相对应。
在步骤S110中，二维码检测神经网络可以将MobileNet作为backbone对图像采集装置采集的图像进行分类，以检测图像采集装置采集的图像中是否存在防伪二维码。
如图2所示，在步骤S110中，二维码检测神经网络通过以下步骤训练：
首先，收集训练集，其中，训练集来源现实生活中的二维码图片以及目前已公开的数据集，同时，收集条形码以及与二维码相似的纹理图像作为反例图片。由收集的二维码、条形码和纹理图片形成训练集。对训练集图像进行标注，分别标注为“QR”(二维码)、“BARCODE”(条纹)和“TEXTTURE”(纹理)，然后，对图像进行预处理，数据增强，包括去噪，补充光照，旋转，去模糊等。
然后，在处理训练集后，搭建二维码检测神经网络，将训练集图片送入二维码检测神经网络进行训练。通过多次的迭代训练，不断对二维码神经网络进行正反馈以及负反馈，降低网络模型学习的误差，训练过程中观察训练集和验证集当中的错误率，判断模型是否过拟合或欠拟合。如果训练错误率不下降或者下降速度很慢，那么对超参数重新初始化设置；如果训练集样本错误率不断下降，而在验证集的误差很大，说明模型过于复杂，出现过拟合现象，这时候需要减少模型的复杂度或者增加训练集的数量或者使用正则化降低模型复杂度。
在步骤S110中，所述防伪二维码通过编码器网络生成，包括以下步骤：
将预先生成的初始二维码图像的大小调整为预设像素，得到调整后初始二维码图像作为载体图像；
将待融合的秘密信息转换成二进制流；
将待融合的秘密信息转换成的二进制流与载体图像进行融合生成防伪二维码，其中，所述载体图像中隐含待表达的数据，所述待融合的秘密信息为防伪信息。
进一步地，将待融合的秘密信息转换成的二进制流与载体图像进行融合生成防伪二维码，包括以下步骤：
通过全连接层将待融合的秘密信息转换成的二进制流进一步转换为与载体图像维度相同的信息向量，例如，载体图像维度为72*72*3，待融合的秘密信息相对应的信息向量的维度为72*72*3；
将与载体图像维度相同的信息向量与载体图像进行融合生成防伪二维码，具体地，通过U-net网络结构实现将与载体图像维度相同的信息向量与载体图像进行融合生成防伪二维码。
步骤S110中的编码器网络和步骤S130中的解码器网络通过以下步骤训练：
将编码器网络生成的防伪二维码输入解码器网络中，利用交叉熵损失对解码器网络进行监督训练；
根据解码器网络产生的交叉熵损失更新解码器网络的参数权重，并将解码器网络产生的交叉熵损失反馈至编码器网络，以更新编码器网络的参数权重。
步骤S110中的编码器网络和步骤S130中的解码器网络还通过以下步骤训练：在将编码器网络生成的防伪二维码输入解码器网络中之前，对防伪二维码进行预处理和数据增强，包括去噪，补充光照，旋转，去模糊等。
在步骤S130中，解码器网络可以将MobileNet作为backbone从防伪二维码中提取其表达的数据和防伪信息。
本实施例在训练二维码检测神经网络过程中观察错误率或其他指标，判断是否过拟合或欠拟合，从而避免以上两种情况已经成为了一种方法论，模型要保持优秀的泛化能力，在实际应用场景中取得不错的表现，训练过程中必须避免过拟合或欠拟合。
本实施例在在将编码器网络生成的防伪二维码输入解码器网络中训练解码器网络之前，对防伪二维码进行预处理和数据增强，包括去噪，补充光照，旋转，去模糊等，能够针对待识别的防伪二维码在现实环境中的状态，如遮挡，较暗，偏转以及模糊等状态，形成解码器网络的训练集以及测试集，从而提高对防伪二维码的识别率。
本实施例通过模拟现实环境中的防伪二维码状态，形成相应的训练集和验证集，供给解码器网络以及二维码检测神经网络训练学习，通过不断的迭代训练，不断提升解码器网络以及二维码检测神经网络的检测率和识别率。
本实施例通过二维码检测神经网络对各种环境不同条件下的二维码图片进行检测训练学习，训练学习得到的二维码检测神经网络检测定位新的二维码图片，与传统的二维码定位识别相比，二维码检测神经网络具有较高的检测识别率。
本实施例针对传统二维码识别过程中，在光暗，遮挡，模糊等条件下的识别效果并不理想，利用二维码检测神经网络，通过获取各种环境下的二维码图片作为训练集，对二维码检测神经网络进行学习训练，提升二维码检测神经网络检测识别二维码的能力，训练学习得到的二维码检测神经网络可以用于现实环境中的二维码检测识别，并且能够取得不错的效果。
本实施例通过二维码检测神经网络检测出防伪二维码，其中，所述防伪二维码通过编码器网络生成；利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码；通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，所述解码器网络与编码器网络相对应，能够利用编码器网络生成易于被解码器网络识别的防伪二维码，以在确保该防伪二维码容易识别的前提下，同时通过防伪信息的添加增强防伪二维码的安全性。
本实施例通过全连接层将二进制流转变为初始信息图像，并通过上采样或下采样将初始信息图像调整为大小与预设像素相同的信息图像，能够达到将该二进制流转变为与初始二维码图像融合的信息图像的技术效果。
本实施例将调整后初始二维码图像与信息图像融合生成防伪二维码通过U-net网络结构实现，能够达到将二维码图像与信息图像融合为二维码图像的技术效果。
本实施例通过解码器网络中一系列卷积的密集层和一个激活函数对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，进一步达到快速准确地提取防伪二维码中数据的技术效果。
本实施例根据解码器网络产生的交叉熵损失更新解码器网络的参数权重，并将解码器网络产生的交叉熵损失反馈至编码器网络，以更新编码器网络的参数权重，进一步达到能够根据解码器网络产生的交叉熵损失同时调整解码器网络和编码器网络的参数权重的技术效果。
实施例二
为解决现有技术中存在的上述技术问题，本发明实施例基于实施例一提供了一种防伪二维码的检测识别方法，其中，本发明实施例的方法对实施例一中步骤S130进行改进。
参照图3，本实施例的防伪二维码的检测识别方法，包括以下步骤：
S210，通过二维码检测神经网络检测图像采集装置采集的图像中是否存在防伪二维码，其中，所述防伪二维码通过编码器网络生成；
若是，则执行S220；
若否，则不予响应；
S220，利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码；
S230，通过解码器网络中一系列卷积的密集层和一个激活函数对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息。
本实施例通过二维码检测神经网络检测出防伪二维码，其中，所述防伪二维码通过编码器网络生成；利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码；通过解码器网络中一系列卷积的密集层和一个激活函数对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，能够利用编码器网络生成易于被解码器网络识别的防伪二维码，使得与编码器网络对应的解码器网络容易识别该防伪二维码，而且与编码器网络不对应的解码器网络易识别该防伪二维码，从而增强防伪二维码的安全性。
实施例三
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种应用于物流跟踪管理体系中的二维码的检测识别方法。
本实施例的防伪二维码的检测识别方法，包括以下步骤：
将物流跟踪批次流水号生成二维码图像；
将二维码图像与防伪信息进行融合，形成融合二维码消息图像；
当物流跟踪管理系统中的图像采集装置捕捉到融合二维码消息图像时，通过解码器网络对其进行解码，从融合二维码消息图像中提取物流跟踪批次流水号。
将二维码图像与防伪信息进行融合，具体包括以下步骤：
将二维码图像resize成400*400大小；
将防伪信息转换成100bit的二进制流，通过全连接层形成50*50*3的张量，并通过上采样形成400*400*3的张量，使得防伪信息与二维码图像大小相等，以得到400*400*6的输入，从而对二维码图像和消息进行融合。
进一步地，解码器网络对融合二维码消息图像进行解码，从其中提取物流跟踪批次流水号，包括以下步骤：
通过解码器网络中一系列卷积的密集层和一个激活函数对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，密集层包括多层的卷积层和两层的全连接层，激活函数是Relu，目的是让模型有更好的非线性表达能力，卷积层的作用就是提取局部的纹理特征，全连接层将卷积层中学到分布式特征整合，一个作用是维度变换，在高维特征变成低维特征的时候可以将有用的信息保留下来，另一个作用是整合卷积层学到的特征，将“分布式特征表示”映射到样本标记空间，在图像领域即起到分类作用。
对于解码器网络无法实时识别的防伪二维码，对该防伪二维码进行采集并存储在服务器，同时根据上一个扫描结果和下一个扫描结果预测当前无法识别的防伪二维码图像的内容。
在实际应用场景中，防伪二维码中隐藏的信息大部分是一些批次流水号，流水号一般都是连号的，如A001，A002，A003。在实际应用过程中，可能无法立即识别出当前的防伪二维码，但是可以根据前一个二维码扫描的内容或者下一个二维码扫描的内容或者这个批次已分配的流水号等先验知识去预测和推断当前无法识别的防伪二维码的内容，起到一个辅助识别的作用。
进一步地，在解码器网络识别防伪二维码图片过程中，如发现有防伪二维码图片未被识别，对防伪二维码图片进行采集并形成训练集，然后对解码器网络进行再训练，以此类推，不断对其进行迭代优化训练，力求达到较优的检测识别率。例如，在训练解码器网络时，采集一些二维码图像作为训练集，当遇到未被识别的二维码图像，将未被识别的二维码图像纳入到训练集中作为模型优化训练迭代，以此来提升解码器网络的二维码图像的识别能力。
本实施例在训练学习得到的二维码检测神经网络在实际环境中遇到无法检测识别的二维码图片，可以用未能识别的图片作为反馈样本供二维码检测神经网络学习，通过不断地反馈迭代更新，不断提升二维码检测神经网络检测识别二维码的能力。
实施例四
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质。
本实施例的存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中方法的步骤。
实施例五
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种防伪二维码的检测识别控制装置。
本实施例的防伪二维码的检测识别控制装置，其包括存储器和处理器，该存储器上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
实施例六
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种防伪二维码的检测识别控制系统。
本实施例的防伪二维码的检测识别控制系统，包括：
图像采集装置，其用于采集图像；和
上述防伪二维码的检测识别控制装置，其与所述图像采集装置连接，用于从所述图像采集装置采集的图像中检测出防伪二维码并提取出防伪二维码中表达的数据和防伪信息。
在本实施例中，可以将防伪二维码的检测识别控制装置部署在图像采集装置中，并将图像采集装置并架设在需要识别防伪二维码的地方，从而实现图像采集装置对防伪二维码进行捕捉以及防伪二维码的检测识别控制装置对防伪二维码识别，其中，图像采集装置可以包括摄像头。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，开非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种防伪二维码的检测识别方法，其特征在于，包括以下步骤：
当通过二维码检测神经网络检测出图像采集装置采集的图像中存在防伪二维码时，利用空间变换器网络对防伪二维码进行预处理，得到预处理后防伪二维码，其中，所述防伪二维码通过编码器网络生成；
通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，其中，所述解码器网络与编码器网络相对应。
2.根据权利要求1所述的方法，其特征在于，所述防伪二维码通过编码器网络生成，包括以下步骤：
将预先生成的初始二维码图像的大小调整为预设像素，得到调整后初始二维码图像作为载体图像；
将待融合的秘密信息转换成二进制流；
将待融合的秘密信息转换成的二进制流与载体图像进行融合生成防伪二维码。
3.根据权利要求2所述的方法，其特征在于，所述载体图像中隐含待表达的数据，所述待融合的秘密信息为防伪信息。
4.根据权利要求2所述的方法，其特征在于，将待融合的秘密信息转换成的二进制流与载体图像进行融合生成防伪二维码，包括以下步骤：
通过全连接层将待融合的秘密信息转换成的二进制流进一步转换为与载体图像维度相同的信息向量；
将与载体图像维度相同的信息向量与载体图像进行融合生成防伪二维码。
5.根据权利要求2所述的方法，其特征在于，将与载体图像维度相同的信息向量与载体图像进行融合生成防伪二维码通过U-net网络结构实现。
6.根据权利要求1所述的方法，其特征在于，通过解码器网络对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息，包括以下步骤：
通过解码器网络中一系列卷积的密集层和一个激活函数对预处理后防伪二维码进行解码，提取出防伪二维码中表达的数据和防伪信息。
7.根据权利要求1所述的方法，其特征在于，所述编码器网络和所述解码器网络通过以下步骤训练：
将编码器网络生成的防伪二维码输入解码器网络中，利用交叉熵损失对解码器网络进行监督训练；
根据解码器网络产生的交叉熵损失更新解码器网络的参数权重，并将解码器网络产生的交叉熵损失反馈至编码器网络，以更新编码器网络的参数权重。
8.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
9.一种防伪二维码的检测识别控制装置，其包括存储器和处理器，其特征在于，该存储器上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
10.一种防伪二维码的检测识别控制系统，其特征在于，包括：
图像采集装置，其用于采集图像；和
根据权利要求9所述的防伪二维码的检测识别控制装置，其与所述图像采集装置连接，用于对所述图像采集装置采集的图像中存在的防伪二维码进行识别，并提取出防伪二维码中表达的数据和防伪信息。
CN202011299225.3A 2020-11-18 2020-11-18 一种防伪二维码的检测识别方法及系统、存储介质 Pending CN112417919A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011299225.3A CN112417919A (zh) 2020-11-18 2020-11-18 一种防伪二维码的检测识别方法及系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011299225.3A CN112417919A (zh) 2020-11-18 2020-11-18 一种防伪二维码的检测识别方法及系统、存储介质

Publications (1)

Publication Number Publication Date
CN112417919A true CN112417919A (zh) 2021-02-26

Family

ID=74773520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011299225.3A Pending CN112417919A (zh) 2020-11-18 2020-11-18 一种防伪二维码的检测识别方法及系统、存储介质

Country Status (1)

Country Link
CN (1) CN112417919A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819022A (zh) * 2022-04-13 2022-07-29 复旦大学 条码的编码方法、解码方法及设备
CN115099836A (zh) * 2022-08-26 2022-09-23 南通领跑信息技术有限公司 一种全网智能营销防伪数据监控系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657676B1 (en) * 2018-06-28 2020-05-19 Snap Inc. Encoding and decoding a stylized custom graphic
WO2020187394A1 (de) * 2019-03-15 2020-09-24 Gottfried Wilhelm Leibniz Universität Hannover Verfahren zum trainieren eines autoencoders und zum klassifizieren von daten sowie autoencoder und computerprogramm hierzu
CN111754445A (zh) * 2020-06-02 2020-10-09 国网湖北省电力有限公司宜昌供电公司 隐藏信息的光纤标签的编码解码方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657676B1 (en) * 2018-06-28 2020-05-19 Snap Inc. Encoding and decoding a stylized custom graphic
WO2020187394A1 (de) * 2019-03-15 2020-09-24 Gottfried Wilhelm Leibniz Universität Hannover Verfahren zum trainieren eines autoencoders und zum klassifizieren von daten sowie autoencoder und computerprogramm hierzu
CN111754445A (zh) * 2020-06-02 2020-10-09 国网湖北省电力有限公司宜昌供电公司 隐藏信息的光纤标签的编码解码方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819022A (zh) * 2022-04-13 2022-07-29 复旦大学 条码的编码方法、解码方法及设备
CN115099836A (zh) * 2022-08-26 2022-09-23 南通领跑信息技术有限公司 一种全网智能营销防伪数据监控系统
CN115099836B (zh) * 2022-08-26 2022-11-11 南通领跑信息技术有限公司 一种全网智能营销防伪数据监控系统

Similar Documents

Publication Publication Date Title
Yu et al. Sketch-a-net: A deep neural network that beats humans
Zang et al. Vehicle license plate recognition using visual attention model and deep learning
CN105825511B (zh) 一种基于深度学习的图片背景清晰度检测方法
CN112288074A (zh) 图像识别网络生成方法及装置、存储介质及电子设备
CN111652233B (zh) 一种针对复杂背景的文本验证码自动识别方法
CN112906706A (zh) 一种改进的基于编解码器的图像语义分割方法
CN109840512A (zh) 一种面部动作单元识别方法及识别装置
CN116664961B (zh) 基于信码的防伪标签智能识别方法及系统
CN114419641B (zh) 文本分离模型的训练方法、装置、电子设备和存储介质
CN114155540B (zh) 基于深度学习的文字识别方法、装置、设备及存储介质
CN112417919A (zh) 一种防伪二维码的检测识别方法及系统、存储介质
CN112183335A (zh) 一种基于无监督学习的手写体图像识别方法及系统
Cerman et al. A mobile recognition system for analog energy meter scanning
CN117197727B (zh) 一种基于全局时空特征学习的行为检测方法与系统
CN116797248A (zh) 基于区块链的数据溯源管理方法及其系统
CN116542610B (zh) 一种非接触式柜内资产自动盘点装置、方法和存储介质
CN106529547A (zh) 一种基于完备局部特征的纹理识别方法
Bhanu et al. Introduction to the special section on learning in computer vision
Sun et al. TemplateFree: product detection on retail store shelves
Jin et al. Vehicle license plate recognition for fog‐haze environments
CN113221814A (zh) 一种道路交通标志识别方法、设备及存储介质
CN112966676A (zh) 一种基于零样本学习的文档关键信息抽取方法
Lu et al. A single‐model multi‐task method for face recognition and face attribute recognition in internet of things and visual computing
Kumar et al. Augmented handwritten Devanagari digit recognition using convolutional autoencoder
CN117011906A (zh) 人脸关键点识别模型训练方法、人脸识别方法及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210226

RJ01 Rejection of invention patent application after publication