CN113553876A - 条形码识别方法、装置、设备及存储介质 - Google Patents
条形码识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113553876A CN113553876A CN202111103922.1A CN202111103922A CN113553876A CN 113553876 A CN113553876 A CN 113553876A CN 202111103922 A CN202111103922 A CN 202111103922A CN 113553876 A CN113553876 A CN 113553876A
- Authority
- CN
- China
- Prior art keywords
- bar code
- image
- pose
- barcode
- identified
- 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
- G06K7/1413—1D 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种条形码识别方法、装置、设备及存储介质,获取待识别图像,待识别图像包括条形码;对待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息;在位姿信息不满足预设位姿条件的情况下,根据位姿信息对待识别图像进行旋转,得到目标图像,目标图像中的条形码的位姿信息满足预设位姿条件;对目标图像中的条形码进行识别,得到所述条形码对应的识别结果,可以实现对任意角度旋转的条形码准确识别。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种条形码识别方法、装置、设备及存储介质。
背景技术
随着科技的进步和社会的发展,人们渐渐步入了数字化时代,条形码作为一种新型信息载体已广泛应用于人们的生活当中。条形码是由反射率相差很大的黑条和白条排成的平行线图案,通过使用条形码阅读器将光线照到条形码上,根据黑条和白条的反射率的不同获取并转换得到一组数据信号,从而根据数据信号识别商品的生产国、制造厂家、商品名称、生产日期、物流情况等许多信息,方便对商品进行管理和追踪。
在实际应用中,条形码通常附着于商品或商品包装上,由于商品的大小、形状的不同以及条形码与条形码识别设备的距离等等原因,导致条形码识别设备采集的条形码图像中的条形码存在一定角度的倾斜旋转,但是现有技术中的方法条形码识别方法并不能准确识别旋转角度过大的条形码。
发明内容
本申请实施例提供一种在条形码识别方法、装置、设备及存储介质,解决现有技术中无法对任意角度旋转的条形码进行准确识别的技术问题。
第一方面,本申请实施例提供一种条形码识别方法,包括:
获取待识别图像,所述待识别图像包括条形码;
对所述待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息;
在所述位姿信息不满足预设位姿条件的情况下,根据所述位姿信息对所述待识别图像进行旋转,得到目标图像,所述目标图像中的条形码的位姿信息满足所述预设位姿条件;
对所述目标图像中的条形码进行识别,得到所述条形码对应的识别结果。
第二方面,本申请实施例提供一种条形码识别装置,包括:
图像获取模块,用于获取待识别图像,待识别图像包括条形码;
图像检测模块,用于对所述待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息;
图像旋转模块,用于在所述位姿信息不满足预设位姿条件的情况下,根据所述位姿信息对所述待识别图像进行旋转,得到目标图像,所述目标图像中的条形码的位姿信息满足所述预设位姿条件;
图像识别模块,用于对所述目标图像中的条形码进行识别,得到所述条形码对应的识别结果。
第三方面,本申请实施例提供了一种电子设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面所示的条形码识别方法。
第四方面,本申请实施例提供了一种可读存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所示的条形码识别方法。
本申请实施例提供的条形码识别方法,通过对条形码位姿不满足预设位姿条件的图像进行旋转,使得旋转后的目标图像中的条形码的位姿满足预设位姿条件,然后对目标图像中的条形码进行识别。如此,本申请实施例可以通过对待识别图像进行旋转,使得旋转后的条形码满足预设位姿条件,然后再对旋转后的待识别图像进行条形码识别。所以,本申请实施例通过图像旋转的方式,使得图像中的条形码处于能够准确识别的位姿,从而实现了对任意角度旋转的条形码准确识别。
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的介绍,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是本申请实施例提供的条形码识别方法的流程示意图;
图2是本申请实施例提供的旋转条形码位姿检测模型训练方法的流程示意图;
图3是本申请实施例提供的旋转条形码位姿检测模型训练样本图像生成方法的示例图;
图4是本申请实施例提供的条形码识别方法的示例图;
图5是本申请实施例提供的条形码识别装置的结构示意图;
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,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。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本申请实施例提供了一种条形码识别方法、装置、设备及存储介质。下面首先对本申请实施例所提供的条形码识别方法进行介绍。
图1示出了本申请一个实施例提供的条形码识别方法的流程示意图。如图1所示,该方法包括:
步骤101,获取待识别图像,待识别图像包括条形码。
步骤102,对待识别图像进行条形码位姿检测,得到条形码在所述待识别图像中的位姿信息。
步骤103,在位姿信息不满足预设位姿条件的情况下,根据位姿信息对待识别图像进行旋转,得到目标图像,目标图像中的条形码的位姿信息满足所述预设位姿条件。
步骤104,对目标图像中的条形码进行识别,得到条形码对应的识别结果。
上述各步骤的具体实现方式将在下文中进行详细描述。
本申请实施例提供的条形码识别方法,可以对获取到的包括条形码的待识别图像进行条形码位姿检测,通过对条形码位姿不满足预设位姿条件的图像进行旋转,使得旋转后的目标图像中的条形码的位姿满足预设位姿条件,然后对目标图像中的条形码进行识别。如此,本申请实施例可以通过对待识别图像进行旋转,使得旋转后的条形码满足预设位姿条件,然后再对旋转后的待识别图像进行条形码识别。所以,本申请实施例通过图像旋转的方式,使得图像中的条形码处于能够准确识别的位姿,从而实现了对任意角度旋转的条形码准确识别。
下面介绍上述各个步骤的具体实现方式。
步骤101,获取待识别图像,待识别图像包括条形码。
待识别图像可以是终端设备通过自身携带的图像采集装置对条形码进行采集获得,也可以是通过其他设备(例如可以是收银员手持的扫码枪)对条形码进行采集,并将采集到的待识别图像通过有线或无线的方式传输给终端设备。另外,待识别图像可以是彩色图像,也可以是灰度图。
在进行图像采集时,可以是通过照相的模式,对条形码进行拍照,获得一张待识别图像;也可以是通过视频采集的模式,采集一段视频,然后从该段视频中选择其中一帧的图像作为待识别图像,或者从中选择成像效果最好的一帧作为待识别图像。
步骤102,对待识别图像进行条形码位姿检测,得到条形码在待识别图像中的位姿信息。
一般情况下,条形码通常附着于某个物品上,例如商品或商品包装上,由于商品的大小、形状的不同以及条形码与条形码识别设备的距离等等原因,导致条形码识别设备采集的条形码图像中的条形码存在一定角度的倾斜旋转,不同的位姿信息会对识别结果造成影响。因此为了确定条形码在待识别图像中的位姿信息,需要对待识别图像进行条形码位姿检测,得到待识别图像中的条形码的位姿信息。
在一些实施例中,对待识别图像进行条形码位姿检测,得到条形码在待识别图像中的位姿信息,可以包括:
对待识别图像进行条形码位姿检测,得到条形码的特征信息;根据条形码的特征信息,确定位姿信息。
一般情况下,条形码的形状为矩形,即包括长边和短边。条形码的特征信息可以是条形码的顶点所在的位置坐标,是指条形码在待识别图像中四个顶点的位置坐标,通过四个顶点的位置坐标,可以确定条形码的位姿信息。
条形码的特征信息也可以是条形码的中心点所在的位置坐标、条形码的尺寸以及条形码第一边与条形码的顶点所在的位置坐标预设坐标轴的夹角。条形码的尺寸为长边长度和短边长度,条形码第一边,可以是条形码的长边。例如:条形码的特征信息可以表示为:(x,y,w,h,θ),其中,x表示条形码中心点的横坐标,y表示条形码中心点的纵坐标,w为条形码的长边长度,h为条形码的短边长度,θ为最长边到x轴逆时针旋转的夹角,逆时针方向角度为负,θ∈[-180,0)。
上述坐标位置所在的坐标系均为待识别图像所在坐标系。
在一些实施例中,可以将待识别图像输入到预先训练的旋转条形码位姿检测模型,得到条形码的特征信息。可以快速检测出待识别图像中条形码的特征信息。
如图2所示,旋转条形码位姿检测模型通过以下步骤训练获得:
步骤201,根据条形码编码规则随机生成预设尺寸的多个条形码样本图片。
步骤202,分别随机旋转每个所述条形码样本图片,得到样本图片对应的多个旋转条形码图片。
步骤203,将每个条形码样本图片对应的多个旋转条形码图片分别嵌入目标对象图像中,得到多个样本图像。
步骤204,对每一样本图像根据样本图像中条形码的特征信息进行标注,得到特征信息标签。
步骤205,分别根据每个样本图像及其对应的特征信息标签构建训练样本。
步骤206,根据多个训练样本,训练预设旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型。
在本申请实施例中,可以生成任意角度条形码图片,并且可以在不同的商品图片的不同位置嵌入不同尺寸大小、类型和不同角度的条形码图片,极大地丰富了训练样本。
在步骤201中,根据条形码编码规则随机生成预设尺寸的多个条形码样本图片,具体地,根据不同类型的条形码的编码规则,随机生成条形码字符串;根据条形码字符串生成预设尺寸的黑白条空条形码图片。预设尺寸为条形码单个条空模块≥2像素的条形码尺寸,也可以是其他满足视觉检测要求的条形码尺寸。
可选的,条形码的编码规则可以是EAN8、EAN13、UPCA、UPCE以及现有技术中其他条形码编码规则,本申请不做限定;可以根据编码规则生成各种类型的条形码,条码类型可以是任意类型的一维码,例如Code128,Code93,Code39,Codabar,ITF等类型的条码,本申请不做限定。
在步骤202中,分别随机旋转每个条形码样本图片,得到样本图片对应的多个旋转条形码图片,可以根据0~360°各角度的概率分布情况随机旋转每个条形码样本图片,得到各个角度旋转的条形码样本图片,各角度的概率分配可以根据实际条形码使用情况数据确定。
在本实施例中可以自动生成的各角度数据,解决了因数据不足导致的样本数据角度类间不平衡的问题。
在步骤203中,将每个条形码样本图片对应的多个旋转条形码图片分别嵌入目标对象图像中,得到多个样本图像。
具体的,对每个旋转条形码图片可以先随机预设旋转条形码图片的四个顶点位置坐标(坐标系为目标对象图像所在坐标系),然后根据顶点坐标将旋转条形码图片嵌入目标对象图像,得到多个样本图像。其中旋转条形码图片的四个顶点位置坐标不能超出目标对象图像范围。
可选的,目标对象图像可以是从网络上自行下载的公开的各种类型的商品图片(如口红、眼影、乳液、香槟、烟、食品等),需要对商品图片进行尺寸缩放,获得固定尺寸。尺寸大小可以是1024*1024的图像。
在一些实施例中,如图3所示,将旋转条形码图片随机嵌入目标对象图像(商品图)中,获得样本图像。
在步骤204中,对每一样本图像根据样本图像中条形码的特征信息进行标注,得到特征信息标签。
具体的,在根据顶点坐标将旋转条形码图片嵌入目标对象图像之后,可以通过手动标注或者自动标注的方式,对目标对象图像中的旋转条形码图片标注特征信息标签。其中,特征信息可以包括,旋转条形码图片的四个顶点位置坐标(即条形码所在位置区域的边框的顶点坐标);或者包括,中心点位置坐标,条形码长边边长、条形码短边边长、条形码第一边与目标对象图像所在坐标系中的预设坐标轴的夹角;还可以包括条形码自身的码字符串信息等等特征信息。例如:对样本图像标注的标签可以是样本图像中四个顺时针顶点坐标,如(x1,y1,x2,y2,x3,y3,x4,y4),也可以是(x,y,w,h,θ),其中,x表示条形码中心点的横坐标,y表示条形码中心点的纵坐标,w为矩形框的长边长度,h为矩形框的短边长度,θ为最长边到x轴逆时针旋转的夹角,逆时针方向角度为负,θ∈[-180,0)。
在一些实施例中,为了方便运算,可以对特征信息标签数据进行归一化处理,并且转换成Yolo格式。
具体地,对每一样本图像标注根据样本图像中的条形码的特征信息进行标注,获得初始特征信息标签;
对初始特征信息标签的标签数据进行归一化处理,并且转换成Yolo格式,得到标签图像得到特征信息标签。
例如,当样本图像标注的特征信息标签为(x,y,w,h,θ),对标签中的x、y、w、h进行归一化处理,可以是将这四个数据除以条形码边长中数值较大的一条边长。
在步骤205中,分别根据每个样本图像及其对应的特征信息标签构建训练样本。具体的,将一个样本图像与其对应的特征信息标签组成一个训练样本。所有的样本图像及其对应的特征信息标签构建成了一个训练样本集。
为了提高训练样本的总量,增强训练得到的旋转条形码位姿检测模型模型的泛化能力,在一些实施例中,在分别根据每个所述样本图像及其对应的所述特征信息标签构建训练样本,之后还包括:
分别根据每个样本图像及其对应的特征信息标签构建第一训练样本;
对第一训练样本进行数据增强处理,得到第二训练样本;
其中,训练样本包括第一训练样本与第二训练样本;
其中,数据增强处理包括随机触发、混合、随机仿射变换、HSV色域增强、镜像翻转以及水平翻转方式中的至少一项。
具体来说:对于随机触发(Mosaic),可以是将四张图片进行随机裁剪,再拼接到一张图上作为样本图像;对于混合(Mixup),可以是将随机的两张样本按比例混合,分类的结果按比例分配;对于随机仿射变换,可以是随机对样本图像进行透视(Perspective)、旋转(Rotation)、缩放(Scale)、错切(Shear)、平移(Translation)、集中(Center)等等仿射变换操作;对于HSV色域增强,可以是对图像进行色域扭曲,也可以按一定的随机概率,调整一些样本图像的饱和度、对比度或者色调。
可选的,数据增强处理可以是在线数据增强处理。具体的,在训练样本集很大时,为了节省空间,可以采用在线数据增强处理方式,即在需要利用训练样本集对模型进行多次训练时,在训练样本集进行一次完整训练前,对训练样本集进行数据增强操作。
在步骤206中,根据多个训练样本,训练预设旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型。
在一些实施例中,根据多个训练样本,训练预设旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型,可以包括:
对每个训练样本,分别执行以下步骤:
将训练样本输入至预设的旋转条形码位姿检测模型中,得到样本图像中条形码的预测特征信息;
根据预测特征信息和特征信息标签,确定旋转条形码位姿检测模型的损失函数值;
在损失函数值不满足训练停止条件的情况下,调整所述旋转条形码位姿检测模型的模型参数,并利用训练样本集训练参数调整后的旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型。
在一些实施例中,损失函数值可以包括:角度损失函数值。具体的,根据预测特征信息获取预测旋转角度;根据特征信息标签获取标签旋转角度;对标签旋转角度进行角度预处理,将标签旋转角度转换成标签旋转角度对应类别,获得标签旋转角度类别(例如,可以将所有角度分成180个类别,任意角度都可以转换成180个类别中对应的类别);根据预测旋转角度和标签旋转角度类别,确定角度损失函数值。
在一些实施例中,当特征信息包括中心点位置坐标,条形码长边边长、条形码短边边长、条形码第一边与目标对象图像所在坐标系中的预设坐标轴的夹角时,即(x,y,w,h,θ),其中,假设预测特征信息为(x2,y2,w2,h2,θ2),特征信息标签为(x1,y1,w1,h1,θ1),对于角度损失函数值,可以根据预测特征信息和特征信息标签中的条形码第一边与目标对象图像所在坐标系中的预设坐标轴的夹角来计算角度损失函数值。当特征信息包括条形码的顶点所在的位置坐标,则可以根据顶点坐标计算获得上述θ1和θ2。
可选的,对于角度损失函数值,可以是先采用CSL方法(Circular Smooth Label)对特征信息标签中的θ1进行角度预处理,将θ1由角度转换成θ1所属分类。将θ1经CSL处理后,获得θ1所属分类,再根据θ1所属分类和预测特征信息中的θ2通过BCEWithLogitsLoss公式和Focalloss公式计算角度损失函数。具体的:
将θ1经CSL处理后,获得θ1所属分类,即通过CSL表达式获得θ1所属分类。
CSL表达式为:
g(x)是一个窗口函数,r为窗口半径;理想窗口函数g(x)需要有以下的特性:
周期性:g(x)=g(x+kT),k∈N,N为自然数。T=180/ω表示角度被分成的格数,T的默认值是180;
对称性:0≤g(θ+ε)=g(θ−ε)≤1,∣ε∣<r,其中,θ是对称中心;
最大值:g(θ)=1;
满足上述三个属性的窗口函数可以是脉冲函数、矩形函数、三角形函数或高斯函数。
BCEWithLogitsLoss损失函数通过公式(2)~(4)计算,具体如下:
其中,x为预测值(即预测特征信息中的θ2),y为标签值(即经过CSL处理后的特征信息标签中的θ1),σ(x)为sigmoid函数。
Focalloss损失函数通过公式(5)~(6)计算,具体如下:
其中,Pt表示预测样本(即预测特征信息中的θ2)属于标签值(即经过CSL处理后的
特征信息标签中的θ1)所表示分类(true class)的概率,γ为焦点参数(focusing
parameter)表示难分样本权重,用来衡量难分样本和易分样本,γ>=0,为调制系
数(modulating factor)。p表示预测样本属于标签值所表示的分类的概率(范围为0-1),y
表示特征信息标签(label)所表示的分类,y的取值为{+1,-1},例如,标签值表示的分类为
1,也就是y=1时,p表示预测样本为1的概率。
角度损失函数值由BCEWithLogitsLoss损失函数和Focalloss损失函数相加获得,即,
在一些实施例中,损失函数值可以包括:水平边框损失函数值。对于水平边框损失函数值,可以根据预测特征信息和特征信息标签来计算水平边框损失函数值。具体的,可以根据预测特征信息和特征信息标签获取预测条形码顶点坐标(即预测特征信息中的条形码所在位置区域的边框的顶点坐标),和标签条形码顶点坐标(即特征信息标签中标注的条形码所在位置区域的边框的顶点坐标);根据预测条形码顶点坐标和标签条形码顶点坐标计算水平边框损失函数值。
可选的,对于水平边框损失函数值可以采用GIOU(Generalized Intersectionover Union)计算水平边框损失函数值LGIoU,具体的计算过程如下:
根据预测特征信息获得预测条形码顶点坐标,获取预测条形码顶点坐标中的左上和右下两个顶点坐标,表示为Bp(xp 1,yp 1,xp 2,yp 2),其中xp 2>xp 1,yp 2>yp 1;
根据特征信息标签获得标签条形码顶点坐标,获取标签条形码顶点坐标中的左上和右下两个顶点坐标,表示为Bg(xg 1,yg 1,xg 2,yg 2);
通过公式(8)~(12)计算预测条形码区域边框面积Ap:
通过公式(13)计算标签图像条形码区域边框面积Ag:
通过公式(14)~(18)计算Bp与Ag相交的区域面积I:
通过公式(19)~(23)计算包围Bp、Bg的最小区域边界即最小包围框面积Ac:
通过公式(24)~(27)计算水平边框损失函数值GIOU_Loss即LGIoU:
在本实施例中的旋转条形码位姿检测模型训练方法,可以生成各种类别的样本数据,解决了现有技术中训练样本不足的问题,通过将旋转条形码的角度问题转换为分类问题,将角度θ视为分类任务来处理,解耦了角度信息与边框位置信息,故旋转条形码位姿检测模型训练的损失函数值可以是角度损失函数值或水平边框损失函数值,也可以同时计算角度损失函数值和或水平边框损失函数值。
以上为步骤102的具体实现方式。
在步骤103中,在位姿信息不满足预设位姿条件的情况下,根据位姿信息对待识别图像进行旋转,得到目标图像,目标图像中的条形码的位姿信息满足预设位姿条件。
具体的,在步骤102中得到了条形码的位姿信息,不同的位姿信息会对条形码的识别结果造成影响,当位姿信息不满足预设位姿条件时,会导致识别设备无法识别条形码,因此需要对待识别图像进行旋转,得到满足预设条件的目标图像。
可选的,在一些实施例中可以直接对待识别图像中的条形码进行旋转,得到满足预设条件的目标图像。
其中,预设位姿条件可以根据条形码能够被准确识别的位姿信息来确定,例如当条形码的位姿信息为条形码旋转角度θ∈[-10°,10°]时,可以准确识别条形码,θ为其他角度时则无法准确识别条形码,则预设位姿条件可以设定为条形码旋转角度θ∈[-10°,10°]。这里条形码的旋转角度可以是条形码长边与目标对象图像所在坐标系中的x轴的夹角θ。
如图4所示,当条形码的旋转角度θ不满足预设位姿条件时,对待识别图像进行旋转,得到条形码旋转角度为θ′的目标图像,θ′为满足预设位姿条件的角度。
在步骤104中,对目标图像中的条形码进行识别,得到条形码对应的识别结果。
在一些实施例中,可以采用Zxing、Zbar、openCV解码技术对目标图像中的条形码进行识别。其中,Zxing是一个开源Java类库用于解析多种格式的1D/2D条形码,能够对QR编码、DataMatrix、UPC的1D条形码进行解码;Zbar是一个开源库,用于扫描、读取二维码和条形码,可识别大部分种类的一维码(条形码),比如I25,CODE39,CODE128;OpenCV是一个用于图像处理、分析、机器视觉方面的开源函数库。还可以采用现有技术中其他条形码识别方法,本申请不做限定。
在一些实施例中,可以同时采用多种条形码识别方法,也可以选取一种识别方法。
在一些实施例中,对目标图像中的条形码进行识别,得到条形码对应的识别结果,具体为:
首先提取目标图像中的条形码,获得目标条形码;对目标条形码进行识别,输出识别结果。
其中,提取目标图像中的条形码可以是对在步骤103中获得的目标图像进行裁剪,获得目标图像中的条形码图片。如图4所示,对于经过旋转后获得的目标图像,从中提取出条形码图片。因为目标图像中的条形码满足预设的位姿条件,因此提取出的条形码图片可以通过条形码解码方法进行准确识别。
在一些实施例中,对目标图像中的条形码进行识别可以是对目标条形码进行第一次解码,得到第一次解码结果;在第一次解码结果的结果字符串不为空的情况下,输出第一次解码结果。
在一些实施例中,由于条形码的尺寸大小并不一致,尺寸较小的条形码,可能无法识别,因此需对尺寸较小的条形码进行预处理。预处理方法可以包括:超分辨率放大处理或二值化处理。
在一些实施例中,对目标图像中的条形码进行识别可以包括:
在第一次解码结果的结果字符串为空的情况下,则对目标条形码进行超分辨率放大处理;
对经过超分辨率放大处理后的目标条形码进行第二次解码,得到第二次解码结果;
在第二而次解码结果的结果字符串不为空的情况下,输出第二次解码结果。
其中,采用超分辨率放大处理,可以将条形码图像的分辨率的放大。
可选的,超分辨率放大可以是采用图像插值处理方法,图像插值处理是指通过对邻近像素点做加权平均来求得未知像素点的处理,其中,权值通常与像素点间的距离有关。插值处理可以是最邻近插值、双线性插值和双立方插值以及其他现有技术采用的方法。
在本实施例中,采用超分辨率放大处理可以将条形码图像分辨率放大并增强条形码图像质量,提高条形码识别的准确率。
在一些实施例中,在第二次解码结果的结果字符串为空的情况下,则对目标条形码进行二值化操作;
对经过二值化处理后的目标条形码进行第三次解码,得到第三次解码结果;
在第三而次解码结果的结果字符串不为空的情况下,输出第三次解码结果;
在第三而次解码结果的结果字符串为空的情况下,输出解码失败。
在本实施例中,对于第二次解码失败后的条形码图像进行二值化处理,对经过二值化处理后的条形码图像进行第三次解码,若解码结果不为空,则说明,解码成功,输出第三次解码结果;若解码结果为空,则解码失败,输出解码失败。
其中,图像的二值化处理就是将图像上的点的灰度值为0或255,也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在第一次解码失败先进行超分辨率放大处理是因为超分辨率放大处理可以将条形码可以将条形码图像分辨率放大,并增强条形码图像质量;若超分辨率放大处理后仍无法识别,则再对条形码进行二值化处理,可以提高条形码的识别的准确率。
以下结合一具体应用例对本申请实施例进行说明,在对商品上的条形码进行识别时,可以采用以下步骤对条形码进行识别。
步骤1,采集商品图像,商品图像包括了条形码。
步骤2,条形码位姿检测,将商品图像输入条形码位姿检测模型进行条形码位姿检测,获得的条形码特征信息。例如,获得的条形码特征信息为(0,0,50,25,−20°)即条形码在商品图像所在坐标系中的位姿信息为中心点坐标为(0,0),长边边长为50,短边边长为25,长边到x轴逆时针旋转的夹角大小为20°。
步骤3、判断条形码位姿信息是否满足预设条件,若满足,转到步骤5,若不满足,转到步骤4。例如,预设位姿条件为条形码长边到x轴逆时针旋转的夹角∈[-10°,10°],则条形码特征信息为(0,0,50,25,−20°),不满足预设位姿条件,进行步骤4。
步骤4、旋转商品图像。例如条形码特征信息为(0,0,50,25,−20°),不满足预设位姿条件,则将商品图片进行旋转,旋转至条形码长边到x轴逆时针旋转的夹角角度为10°,获得目标商品图像,此时目标商品图像中的条形码的特征信息为(0,0,50,25,-10°)。
步骤5、提取条形码,根据条形码的特征信息(0,0,50,25,-10°),可以确定条形码在目标商品图像中的具体位置,对目标商品图像进行裁剪,获得该商品的条形码图片,对目标商品图像进行裁剪后获得的条形码图片为旋转角度为10°的条形码图像。
步骤6、条形码解码,对商品条形码同时采用Zxing、Zbar、openCV三种方法对条形码进行解码。
步骤7、判断解码结果是否为空,若得到的解码结果不为空,输出解码结果;若得到的解码结果为空,则转到步骤8。
步骤8、对商品条形码进行超分辨率放大处理。
步骤9、对超分辨率放大处理后的商品图像,进行第二次解码。
步骤10、判断第二次解码结果是否为空,若得到的第二次解码结果不为空,输出解码结果;若得到的解码结果为空,则转到步骤11。
步骤11、对商品条形码进行二值化处理。
步骤12、对二值化处理后的商品图像,进行第三次解码。
步骤13、判断第三次解码结果是否为空,若得到的第三次解码结果不为空,输出第三次解码结果;若得到的第三次解码结果为空,则则输出解码失败。
本申请实施例提供的条形码识别方法,可以对获取到的包括条形码的待识别图像进行条形码位姿检测,将待识别图像输入到预先训练的旋转条形码位姿检测模型,得到条形码的特征信息,根据条形码的特征信息判断条形码在待识别图像中的位姿信息,通过对条形码位姿不满足预设位姿条件的图像进行旋转,使得旋转后的目标图像中的条形码的位姿满足预设位姿条件,然后对目标图像中的条形码进行识别。如此,本申请实施例可以通过对待识别图像进行旋转,使得旋转后的条形码满足预设位姿条件,然后再对旋转后的待识别图像进行条形码识别。所以,本申请实施例通过图像旋转的方式,使得图像中的条形码处于能够准确识别的位姿,从而实现了对任意角度旋转的条形码准确识别。
如图5所示,本申请实施例还提供了一种条形码识别装置,包括:
图像获取模块501,用于获取待识别图像,待识别图像包括条形码;
图像检测模块502,图像检测模块,用于对待识别图像进行条形码位姿检测,得到条形码在待识别图像中的位姿信息;
图像旋转模块503,用于在位姿信息不满足预设位姿条件的情况下,根据所述位姿信息对待识别图像进行旋转,得到目标图像,目标图像中的条形码的位姿信息满足预设位姿条件;
图像识别模块504,用于对目标图像中的条形码进行识别,得到条形码对应的识别结果。
可选地,上述图像检测模块502,可以包括:
检测子模块,用于对待识别图像进行条形码位姿检测,得到条形码的特征信息;
确定子模块,用于根据条形码的特征信息,确定位姿信息;
其中,特征信息包括以下信息中的任一项:条形码的顶点所在的位置坐标;条形码的中心点所在的位置坐标、条形码的尺寸以及条形码第一边与所述待识别图像所在坐标系中的预设坐标轴的夹角。
可选地,为了快速检测出待识别图像中条形码的位姿信息,上述检测子模块,可以包括:
检测单元,用于将待识别图像输入到预先训练的旋转条形码位姿检测模型,得到条形码的特征信息。
可选地,上述条形码识别装置,还可以包括:
模型训练模块,用于训练预设旋转条形码位姿检测模型,得到训练后的旋转条形码位姿检测模型。
可选地,为了丰富了训练样本,上述模型训练模块,可以包括:
条形码生成单元,用于根据条形码编码规则随机生成预设尺寸的多个条形码样本图片;
条形码旋转单元,用于分别随机旋转每个所述条形码样本图片,得到样本图片对应的多个旋转条形码图片;
样本图像生成单元,用于将每个条形码样本图片对应的多个旋转条形码图片分别嵌入目标对象图像中,得到多个样本图像;
标签生成单元,用于对每一样本图像根据样本图像中条形码的特征信息进行标注,得到特征信息标签。;
训练样本生成单元,用于分别根据每个样本图像及其对应的特征信息标签构建训练样本;
训练单元,用于根据多个所述训练样本,训练预设旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型。
可选地,上述训练单元,可以包括:
获取子单元,用于将训练样本输入至预设的旋转条形码位姿检测模型中,得到样本图像中条形码的预测特征信息;
确定子单元,用于根据预测特征信息和特征信息标签,确定旋转条形码位姿检测模型的损失函数值;
调整子单元,用于在损失函数值不满足训练停止条件的情况下,调整旋转条形码位姿检测模型的模型参数,并利用训练样本集训练参数调整后的旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型。
可选地,上述确定子单元,用于根据预测特征信息和特征信息标签,确定旋转条形码位姿检测模型的损失函数值,可以包括:
损失函数值为角度损失函数值;
根据预测特征信息获取预测旋转角度;
根据特征信息标签获取标签旋转角度;
对标签旋转角度进行角度预处理,将标签旋转角度转换成标签旋转角度对应类别,获得标签旋转角度类别;
根据预测旋转角度和标签旋转角度类别,确定角度损失函数值。
可选地,上述确定子单元,用于根据预测特征信息和特征信息标签,确定旋转条形码位姿检测模型的损失函数值,可以包括:
当损失函数值为水平边框损失函数值时,
根据预测特征信息获取预测条形码顶点坐标;
根据特征信息标签获取标签条形码顶点坐标;
根据预测条形码顶点坐标和标签条形码顶点坐标确定水平边框损失函数值。
可选地,为了提高样本图像的总量,上述样本图像生成单元,还可以包括:
数据增强子单元,分别根据每个样本图像及其对应的特征信息标签构建第一训练样本;
对第一训练样本进行数据增强处理,得到第二训练样本;
其中训练样本包括第一训练样本与第二训练样本
可选地,数据增强处理包括随机触发、混合、随机仿射变换、HSV色域增强、镜像翻转以及水平翻转方式中的至少一项。
可选地,为了方便计算,上述标签图像生成单元,可以包括:
标签生成子单元,用于对每一样本图像标注样本图像中的条形码的特征信息标签;
数据处理子单元,用于对特征信息标签数据进行归一化处理,并且转换成Yolo格式。
可选地,上述图像识别模块504,可以包括:
提取子模块,用于提取目标图像中的条形码,获得目标条形码;
识别子模块,用于对目标条形码进行识别,输出识别结果。
可选地,上述识别子模块,可以包括:
解码单元,用于对目标条形码进行解码,得到解码结果;
输出单元,用于在解码结果的结果字符串不为空的情况下,输出解码结果。
可选地,提高条形码识别的准确率,上述解码单元,可以用于对目标条形码进行一次解码,得到第一次解码结果;
上述识别子模块,还可以包括:
第一预处理子单元,用于在第一次解码结果的结果字符串为空的情况下,对目标条形码进行超分辨率放大处理;
上述解码单元,还可以用于对经过超分辨率放大处理后的目标条形码进行第二次解码,得到第二次解码结果;
上述输出单元,还可以用于在第二次解码结果的结果字符串不为空的情况下,输出第二次解码结果。
可选地,为了进一步提高条形码的识别的准确率,上述识别子模块,还可以包括:
第二预处理子单元,用于在第二次解码结果的结果字符串为空的情况下,对目标条形码进行二值化操作;
上述解码单元,还可以用于对经过二值化处理后后的目标条形码进行第三次解码,得到第三次解码结果;
上述输出单元,还可以用于在第三次解码结果的结果字符串不为空的情况下,输出第三次解码结果;
在第三次解码结果的结果字符串为空的情况下,输出解码失败。
需要说明的是,该条形码识别装置是与上述条形码识别方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
图6示出了本申请实施例提供的电子设备的硬件结构示意图。
在电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit ,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在综合网关容灾设备的内部或外部。在特定实施例中,存储器602是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种条形码识别方法。
在一个示例中,电子设备还可包括通信接口603和总线604。其中,如图6所示,处理器601、存储器602、通信接口603通过总线604连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线604包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线604可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的条形码识别方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种条形码识别方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种条形码识别方法,其特征在于,包括:
获取待识别图像,所述待识别图像包括条形码;
对所述待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息;
在所述位姿信息不满足预设位姿条件的情况下,根据所述位姿信息对所述待识别图像进行旋转,得到目标图像,所述目标图像中的条形码的位姿信息满足所述预设位姿条件;
对所述目标图像中的条形码进行识别,得到所述条形码对应的识别结果;
所述对所述待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息,包括:
将所述待识别图像输入到预先训练的旋转条形码位姿检测模型,得到所述条形码的特征信息;
根据所述条形码的特征信息,确定位姿信息。
2.根据权利要求1所述的方法,其特征在于, 所述特征信息包括以下信息中的任一项:
条形码的顶点所在的位置坐标;
条形码的中心点所在的位置坐标、条形码的尺寸以及条形码第一边与所述待识别图像所在坐标系中的预设坐标轴的夹角。
3.根据权利要求2所述的方法,其特征在于,所述旋转条形码位姿检测模型通过以下步骤训练获得:
根据条形码编码规则随机生成预设尺寸的多个条形码样本图片;
分别随机旋转每个所述条形码样本图片,得到样本图片对应的多个旋转条形码图片;
将每个所述条形码样本图片对应的多个旋转条形码图片分别嵌入目标对象图像中,得到多个样本图像;
对每一所述样本图像根据所述样本图像中条形码的特征信息进行标注,得到特征信息标签;
分别根据每个所述样本图像及其对应的所述特征信息标签构建训练样本;
根据多个所述训练样本,训练预设旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据多个所述训练样本,训练预设旋转条形码位姿检测模型,直至满足训练停止条件,得到训练后的旋转条形码位姿检测模型,包括:
对每个训练样本,分别执行以下步骤:
将所述训练样本输入至预设的旋转条形码位姿检测模型中,得到所述样本图像中条形码的预测特征信息;
根据所述预测特征信息和所述特征信息标签,确定所述旋转条形码位姿检测模型的损失函数值;
在所述损失函数值不满足训练停止条件的情况下,调整所述旋转条形码位姿检测模型的模型参数,并利用所述训练样本训练参数调整后的旋转条形码位姿检测模型,直至满足所述训练停止条件,得到训练后的旋转条形码位姿检测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述预测特征信息和所述特征信息标签,确定所述旋转条形码位姿检测模型的损失函数值包括:
当所述损失函数值为角度损失函数值时,
根据所述预测特征信息获取预测旋转角度;
根据所述特征信息标签获取标签旋转角度;
对所述标签旋转角度进行角度预处理,将所述标签旋转角度转换成标签旋转角度对应类别,获得标签旋转角度类别;
根据所述预测旋转角度和标签旋转角度类别,确定角度损失函数值。
6.根据权利要求4所述的方法,其特征在于,根据所述预测特征信息和所述特征信息标签,确定所述旋转条形码位姿检测模型的损失函数值,包括:
当所述损失函数值为水平边框损失函数值时,
根据所述预测特征信息获取预测条形码顶点坐标;
根据所述特征信息标签获取标签条形码顶点坐标;
根据所述预测条形码顶点坐标和所述标签条形码顶点坐标确定所述水平边框损失函数值。
7.根据权利要求1所述的方法,其特征在于,所述对所述目标图像中的条形码进行识别,获得所述条形码对应的识别结果,包括:
提取所述目标图像中的条形码,获得目标条形码;
对所述目标条形码进行识别,输出识别结果。
8.一种条形码识别装置,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条形码;
图像检测模块,用于对所述待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息;
图像旋转模块,用于在所述位姿信息不满足预设位姿条件的情况下,根据所述位姿信息对所述待识别图像进行旋转,得到目标图像,所述目标图像中的条形码的位姿信息满足所述预设位姿条件;
图像识别模块,用于对所述目标图像中的条形码进行识别,得到所述条形码对应的识别结果;
所述对所述待识别图像进行条形码位姿检测,得到所述条形码在所述待识别图像中的位姿信息,包括:
将所述待识别图像输入到预先训练的旋转条形码位姿检测模型,得到所述条形码的特征信息;
根据所述条形码的特征信息,确定位姿信息。
9.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的条形码识别方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的条形码识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103922.1A CN113553876A (zh) | 2021-09-22 | 2021-09-22 | 条形码识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103922.1A CN113553876A (zh) | 2021-09-22 | 2021-09-22 | 条形码识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113553876A true CN113553876A (zh) | 2021-10-26 |
Family
ID=78106639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111103922.1A Pending CN113553876A (zh) | 2021-09-22 | 2021-09-22 | 条形码识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553876A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451720A (zh) * | 2023-06-09 | 2023-07-18 | 陕西西煤云商信息科技有限公司 | 一种仓储物资扫描识别方法及其识别系统 |
CN117556847A (zh) * | 2024-01-05 | 2024-02-13 | 深圳爱莫科技有限公司 | 一种条烟端头二维码的识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901329A (zh) * | 2009-05-25 | 2010-12-01 | 汉王科技股份有限公司 | 一种低分辨率条形码的识别方法和设备 |
CN105335681A (zh) * | 2014-07-14 | 2016-02-17 | 株式会社理光 | 条形码识别装置、文档图像管理系统以及条形码识别方法 |
CN109241808A (zh) * | 2018-08-27 | 2019-01-18 | 上海宝尊电子商务有限公司 | 一种时尚图像中二维码自动筛选方法 |
CN110659529A (zh) * | 2019-09-03 | 2020-01-07 | 珠海市杰理科技股份有限公司 | 条形码识别方法、装置、计算机设备和存储介质 |
CN111767750A (zh) * | 2019-05-27 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 图像处理方法和装置 |
CN111967286A (zh) * | 2019-05-20 | 2020-11-20 | 京东方科技集团股份有限公司 | 信息承载介质的识别方法、识别装置、计算机设备和介质 |
CN112085789A (zh) * | 2020-08-11 | 2020-12-15 | 深圳先进技术研究院 | 位姿估计方法、装置、设备及介质 |
CN112651257A (zh) * | 2020-12-23 | 2021-04-13 | 福建新大陆支付技术有限公司 | 一种二维码、条形码图像定位及识别方法及其存储介质 |
-
2021
- 2021-09-22 CN CN202111103922.1A patent/CN113553876A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901329A (zh) * | 2009-05-25 | 2010-12-01 | 汉王科技股份有限公司 | 一种低分辨率条形码的识别方法和设备 |
CN105335681A (zh) * | 2014-07-14 | 2016-02-17 | 株式会社理光 | 条形码识别装置、文档图像管理系统以及条形码识别方法 |
CN109241808A (zh) * | 2018-08-27 | 2019-01-18 | 上海宝尊电子商务有限公司 | 一种时尚图像中二维码自动筛选方法 |
CN111967286A (zh) * | 2019-05-20 | 2020-11-20 | 京东方科技集团股份有限公司 | 信息承载介质的识别方法、识别装置、计算机设备和介质 |
CN111767750A (zh) * | 2019-05-27 | 2020-10-13 | 北京沃东天骏信息技术有限公司 | 图像处理方法和装置 |
CN110659529A (zh) * | 2019-09-03 | 2020-01-07 | 珠海市杰理科技股份有限公司 | 条形码识别方法、装置、计算机设备和存储介质 |
CN112085789A (zh) * | 2020-08-11 | 2020-12-15 | 深圳先进技术研究院 | 位姿估计方法、装置、设备及介质 |
CN112651257A (zh) * | 2020-12-23 | 2021-04-13 | 福建新大陆支付技术有限公司 | 一种二维码、条形码图像定位及识别方法及其存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451720A (zh) * | 2023-06-09 | 2023-07-18 | 陕西西煤云商信息科技有限公司 | 一种仓储物资扫描识别方法及其识别系统 |
CN117556847A (zh) * | 2024-01-05 | 2024-02-13 | 深圳爱莫科技有限公司 | 一种条烟端头二维码的识别方法 |
CN117556847B (zh) * | 2024-01-05 | 2024-04-26 | 深圳爱莫科技有限公司 | 一种条烟端头二维码的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11194984B2 (en) | Localization of machine-readable indicia in digital capture systems | |
US6895116B2 (en) | Automatically extracting graphical bar codes | |
CN108388822B (zh) | 一种检测二维码图像的方法和装置 | |
CN111783495B (zh) | 一种条形码识别方法、装置、电子设备及存储介质 | |
CN110569878A (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
CN113553876A (zh) | 条形码识别方法、装置、设备及存储介质 | |
Lin et al. | Real-time automatic recognition of omnidirectional multiple barcodes and dsp implementation | |
US7305131B2 (en) | Extracting graphical bar codes from an input image | |
US11334731B2 (en) | System and method of decoding a barcode using machine learning | |
CN111767754B (zh) | 一种识别码的识别方法、装置、电子设备及存储介质 | |
CN108932449B (zh) | 一种基于聚类的条码二值化方法及系统 | |
US9098764B2 (en) | Image-based barcode reader | |
CN111860027A (zh) | 二维码的识别方法及装置 | |
CN112163443A (zh) | 一种扫码方法、扫码装置及移动终端 | |
CN113297870A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
Bodnár et al. | A novel method for barcode localization in image domain | |
CN104346596A (zh) | 一种qr码的识别方法及识别装置 | |
Dat et al. | An improved CRNN for Vietnamese Identity Card Information Recognition. | |
CN112101058A (zh) | 一种试卷条码自动识别方法及装置 | |
CN115035533B (zh) | 一种数据鉴真处理方法、装置、计算机设备及存储介质 | |
CN115063739B (zh) | 异常行为的检测方法、装置、设备及计算机存储介质 | |
Ciazynski et al. | Detection of QR-codes in digital images based on histogram similarity | |
CN116469090A (zh) | 喷码图案的检测方法、装置、电子设备和存储介质 | |
US11734531B2 (en) | Methods and systems of harvesting data for training machine learning (ML) model | |
Rahman et al. | An approach to facilitate business system by multiple barcode detection using faster rcnn |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |