CN115618905B - 一种汽车制造零部件的追溯管理方法及系统 - Google Patents
一种汽车制造零部件的追溯管理方法及系统 Download PDFInfo
- Publication number
- CN115618905B CN115618905B CN202211251150.0A CN202211251150A CN115618905B CN 115618905 B CN115618905 B CN 115618905B CN 202211251150 A CN202211251150 A CN 202211251150A CN 115618905 B CN115618905 B CN 115618905B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target pixel
- image
- dimensional code
- probability
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000011176 pooling Methods 0.000 claims description 41
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种汽车制造零部件的追溯管理方法及系统,该方法包括:对汽车制作的零部件采集图像数据;在图像数据中分别检测二维码所在的第一区域、位于零部件内且位于第一区域之外的第二区域;依据第二区域各个原始像素点对第一区域各个原始像素点执行去雾操作,得到目标像素点;对各个目标像素点构建多个大小相同的图像块;针对每个目标像素点,依据多个图像块计算目标像素点属于二维码中黑色图形的总概率;依据总概率调节第一区域中各个原始像素点的原始颜色值,获得第三区域;若完成调节,则对第三区域执行二维码的解码操作,获得零部件的标识;依据标识追溯零部件的信息。提高识别二维码的精确度,从而提高追溯汽车零部件的效率。
Description
技术领域
本发明涉及汽车的技术领域,特别是涉及一种汽车制造零部件的追溯管理方法及系统。
背景技术
汽车产业是密集型产业,从汽车产业的链条看,从毛坯加工到整车装配,大至地板、小至螺钉,制作汽车会使用数千个不同的零部件,因此,汽车的生产过程是由若干不同的专业的厂商(车间)合作完成的,为了高效率地制造汽车,这些专业的厂商(车间)按产品的协作原则组织生产、分工合作。
随着汽车零部件分散生产,在某个零部件出现质量、假冒等问题,会对零部件进行追溯,目前追溯的主要方式是在零部件上印刷唯一的编码,该编码一般包含二维码和具体的字符。
一般情况下,用户使用终端扫描该二维码后,对该零部件记录原材料采购、生产、质检、物流运输、销售等信息。
在长时间使用之后,二维码会存在脱色、模糊等情况,在零部件进行维修的情况下容易发生磕碰,脱色、模糊的情况尤为明显,导致识别二维码的精确度下降,此时依赖用户手动输入字符,从而影响追溯汽车零部件的效率。
发明内容
本发明提供了一种汽车制造零部件的追溯管理方法及系统,以解决因识别二维码精确度下降从而影响追溯汽车零部件的效率的问题。
为了解决上述问题,本发明提供了一种汽车制造零部件的追溯管理方法,包括:
对汽车制作的零部件采集图像数据;
在所述图像数据中分别检测二维码所在的第一区域、位于所述零部件内且位于所述第一区域之外的第二区域;
依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点;
对各个所述目标像素点构建多个大小相同的图像块,其中,同一所述目标像素点在多个所述图像块中所处的相对位置均不相同;
针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率;
依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域;
若完成调节,则对所述第三区域执行二维码的解码操作,获得所述零部件的标识;
依据所述标识追溯所述零部件的信息。
本发明还提供了一种汽车制造零部件的追溯管理系统,包括:
图像数据采集模块,用于对汽车制作的零部件采集图像数据;
区域检测模块,用于在所述图像数据中分别检测二维码所在的第一区域、位于所述零部件内且位于所述第一区域之外的第二区域;
去雾操作模块,用于依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点;
图像块构建模块,用于对各个所述目标像素点构建多个大小相同的图像块,其中,同一所述目标像素点在多个所述图像块中所处的相对位置均不相同;
概率计算模块,用于针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率;
补色模块,用于依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域;
解码模块,用于若完成调节,则对所述第三区域执行二维码的解码操作,获得所述零部件的标识;
信息追溯模块,用于依据所述标识追溯所述零部件的信息。
本发明还提供了一种电子设备,所述电子设备包括处理器、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计算机程序,所述计算机程序被所述处理器执行时实现汽车制造零部件的追溯管理方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现汽车制造零部件的追溯管理方法的步骤。
相对于背景技术,本发明实施例包括以下优点:
在本实施例中,对汽车制作的零部件采集图像数据;在图像数据中分别检测二维码所在的第一区域、位于零部件内且位于第一区域之外的第二区域;依据第二区域各个原始像素点对第一区域各个原始像素点执行去雾操作,得到目标像素点;对各个目标像素点构建多个大小相同的图像块,其中,同一目标像素点在多个图像块中所处的相对位置均不相同;针对每个目标像素点,依据多个图像块计算目标像素点属于二维码中黑色图形的总概率;依据总概率调节第一区域中各个原始像素点的原始颜色值,获得第三区域;若完成调节,则对第三区域执行二维码的解码操作,获得零部件的标识;依据标识追溯零部件的信息。本实施例通过去雾操作可以减少零部件的表面颜色对二维码的干扰,使用不同图像块提供的感受野可以有效地针对二维码的排列特征预测目标像素点属于二维码中黑色图形的总概率,从而调整其对应原始像素点的原始颜色值,实现补色,使其合理地趋向总概率的分布,提高识别二维码的精确度,从而提高追溯汽车零部件的效率。
附图说明
图1是本发明一个实施例的一种汽车制造零部件的追溯管理方法的流程图;
图2是本发明一个实施例的一种图像块的示例图;
图3是本发明一个实施例的一种检测网络的结构示意图;
图4是本发明一个实施例的一种汽车制造零部件的追溯管理系统的结构示意图;
图5是本发明一个实施例的一种电子设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一个实施例的一种汽车制造零部件的追溯管理方法的流程图,该方法具体可以包括如下步骤:
S110、对汽车制作的零部件采集图像数据。
在本实施例中,可以针对汽车制造的零部件配置唯一的标识,该标识可以AztecCode、Data Matrix ECC 200、GS1 Aztec Code、GS1 DataMatrix、GS1 QR Code、Micro QRCode、PDF417、QR Code等算法编码为二维码(2-dimensional bar code),该二维码可以通过激光、喷染等方式刻画在该零部件上。
其中,二维码是用某种特定的几何图形按一定规律在平面(二维方向上)分布的黑色图形与白色图形相间的图形记录数据符号信息。
在实际应用中,技术人员可以在手机、平板电脑等移动终端中安装客户端,用户将移动终端朝向零部件的二维码处,客户端调用移动终端的摄像头对零部件采集图像数据,使得该图像数据的内容包含该二维码。
S120、在图像数据中分别检测二维码所在的第一区域、位于零部件内且位于第一区域之外的第二区域。
一般情况下,二维码是部分区域损坏,并非完全损坏、到达无法识别的程度,因此,二维码仍然保留大体的排列特征,可以基于二维码的排列特征在图像数据中对二维码进行定位,检测二维码所在的区域,记为第一区域。
由于大致对二维码定位即可,因此,检测二维码的算法的精确度要求较低。
示例性地,在检测二维码的算法可以包括如下几个步骤:
(1)图像的预处理
预处理通常包括灰度化,滤波,二值化等操作,目的是得到二值化处理的图像数据,方便后续寻像图形的检测,另外,由于摄像头的视角的不同,图像数据往往发生投影变换,在进行下一步检测前可进行畸变纠正。
(2)寻像图形的检测
根据寻像图形“回”字形状以及黑白像素块的比例特征,可以结合轮廓检测算法检测出寻像图形的检测。
(3)二维码方向的纠正
一般情况下,二维码的三个寻像图形具有一定的相对位置关系,而经前两步处理后的图像数据仍然可能存在旋转变换,因此,根据检测到的寻像图形相对位置关系纠正二维码图形方向。另外,根据算法设计的不同,对于投影变换的纠正同样可以在这一步骤完成。
此外,在图像数据中可以执行边缘检测,得到众多边缘,基于二维码位于零部件内的关系可知,在第一区域外封闭的边缘即为零部件的边缘,此时,可以在零部件的边缘内、第一区域之外的选定一个区域,记为第二区域。
优选地,第二区域为与第一区域相邻的区域,那么,第二区域的颜色趋向第一区域中除二维码的黑色图形之外的颜色,并且,第二区域为纯净、平坦的区域,即,第二区域中并不存在边缘。
S130、依据第二区域各个原始像素点对第一区域各个原始像素点执行去雾操作,得到目标像素点。
在本实施例中,许多零部件的颜色都是接近金属本身的颜色,偏向灰色,第二区域上各个原始像素点表示为零部件的表面,且第二区域上各个原始像素点之间具有一定的差异,符合雾的特性,如果将第二区域上各个原始像素点认为是雾,雾对二维码存在一定的干扰,那么,依据第二区域各个原始像素点使用导向滤波等方式对第一区域各个原始像素点的执行去雾操作,第一区域中去雾操作之后的原始像素点记为目标像素点。
由于二维码的黑色图形与金属的颜色具有较为明显的色差,在去雾操作之后的第一区域中大体上消除了金属本身的颜色的干扰,相比于边缘检测、二值化等预处理,可保留较多的信息供后续检测使用,同时,可以凸显二维码的黑色图形的存在。
示例性地,对第二区域中各个原始像素点在各个颜色通道(如RGB(红绿蓝)通道)的原始颜色值计算平均值,针对每个颜色通道,将第一区域中各个原始像素点的原始颜色值减去该平均值,获得目标像素点,本示例运算量少,耗时低。
S140、对各个目标像素点构建多个大小相同的图像块。
在本实施例中,依次遍历各个目标像素点,针对每个目标像素点,在第一区域的范围内构建多个大小(如25×25)相同的图像块。
其中,多个图像块均包含目标像素点,并且,同一目标像素点在多个图像块中所处的相对位置均不相同,使得针对同一目标像素点得到不同的感受野。
示例性地,如图2所示,针对各个目标像素点0,以目标像素点0为中心点构建一个指定大小的图像块A1,图像块A1的感受野比较宽广。
针对各个目标像素点0,以目标像素点0为右下方的角点构建一个指定大小的图像块A2,图像块A2在左上方的感受野比较深长。
针对各个目标像素点0,以目标像素点0为左下方的角点构建一个指定大小的图像块A3,图像块A3在右上方的感受野比较深长。
针对各个目标像素点0,以目标像素点0为左上方的角点构建一个指定大小的图像块A4,图像块A4在右下方的感受野比较深长。
针对各个目标像素点0,以目标像素点0为右上方的角点构建一个指定大小的图像块A5,图像块A5在左下方的感受野比较深长。
在本示例中,对于图像块A2、图像块A3、图像块A4与图像块A5,单独来看,可以在某个方向上呈现二维码的排列特征,组合来看,可以组成比图像块A1更加宽广的感受野。
S150、针对每个目标像素点,依据多个图像块计算目标像素点属于二维码中黑色图形的总概率。
在实际应用中,二维码具有显著的排列规律,无论是黑色图形亦或是白色图形,均是规范的矩形(尤其为正方面),因此,在本实施例中,依次遍历各个目标像素点,针对每个目标像素点,可以综合参考在多个不同感受野下的图像块预测目标像素点属于二维码中黑色图形的总概率。
在本发明的一种优选实施例中,S150包括如下步骤:
S151、加载检测网络。
在本实施例中,可以预先基于深度学习构建并训练检测网络,其中,该检测网络包括特征提取器、主干网络与多个支路网络。
其中,特征提取器用于提取图像数据的特征,主干网络用于在较宽广的感受野下依据该特征预测像素点属于二维码中黑色图形的概率,支路网络用于在较深长的感受野下依据该特征预测像素点属于二维码中黑色图形的概率。
针对每一个目标像素点为角点的图像块,可以配置一个独立的支路网络。
在检测二维码时,将检测网络加载至内存运行。
S152、将图像块输入特征提取器中提取目标图像特征。
将图像块输入特征提取器中,特征提取器按照其结构对图像块进行处理,输出目标图像特征。
在一个示例中,如图3所示,特征提取器包括第一残差块Res_Block_1、第二残差块Res_Block_2、第三残差块Res_Block_3,第一残差块Res_Block_1、第二残差块Res_Block_2、第三残差块Res_Block_3均为残差块(Residual block)。
残差块包含两层的卷积层,除此之外,残差块还具有skip connection(跳连接)的操作,其将输入两层卷积层的特征与两层卷积层输出的特征逐元素相加,使用skipconnection可以有效减少梯度弥散(Gradient Vanishing)和网络退化的问题。
那么,在本示例中,针对每个图像块,分别将图像块输入第一残差块Res_Block_1中提取特征,作为原始图像特征,将原始图像特征输入第二残差块Res_Block_2中提取特征,作为候选图像特征;将候选图像特征输入第三残差块Res_Block_3中提取特征,作为目标图像特征。
S153、若目标像素点为图像块的中心点,则将目标图像特征输入主干网络中、以输出目标像素点属于二维码中黑色图形的第一子概率。
针对既定的图像块,如果目标像素点为该图像块的中心点,则将目标图像特征输入主干网络中,主干网络按照其结构对目标图像进行处理,输出目标像素点属于二维码中黑色图形的第一子概率。
在一个示例中,如图2所示,主干网络包括空洞金字塔池化层(Atrous spatialpyramid pooling,ASPP)、第一卷积层ConV_1与第一全连接层FC_1。
在本示例中,将目标图像特征输入空洞金字塔池化层ASPP执行池化操作,得到第一池化特征,ASPP结合了空洞卷积可在不丢失分辨率(不进行下采样)的情况下扩大卷积核的感受野,其包含四个卷积与一个池化,将五个feature map(特征图)拼接到一起,然后连接1*1卷积调整通道数。
将第一池化特征输入第一卷积层ConV_1中、在自注意力机制(Self-Attention)下执行卷积操作,得到第一卷积特征,在第一卷积层中分解为k×k个单独的1×1卷积,然后进行移位和求和操作,在自注意力机制中,将查询、键和值的投影解释为多个1×1卷积,通过计算注意力权重和聚合值,在自注意力机制下执行卷积操作具有最小的计算开销。
将第一卷积特征输入第一全连接层FC_1中映射为目标像素点属于二维码中黑色图形的第一子概率(S5)。
S154、若目标像素点为图像块的角点,则将候选图像特征输入角点对应的支路网络中、以输出目标像素点属于二维码中黑色图形的第二子概率。
针对既定的图像块,如果目标像素点为该图像块的角点,则可以获取候选图像特征,候选图像特征为特征提取器提取目标图像特征的过程中生成的特征,可以保留更多的信息。
将将候选图像特征输入角点对应的支路网络中,支路网络按照其结构对目标图像进行处理,输出目标像素点属于二维码中黑色图形的第二子概率。
在一个示例中,如图3所示,每个支路网络均包括第二卷积层ConV_2、空间金字塔池化层(spatial pyramid pooling,SPP)与第二全连接层FC_2。
在本示例中,在角点对应的支路网络中,将候选图像特征输入第二卷积层ConV_2中执行卷积操作,得到第二卷积特征。
将第二卷积特征输入空间金字塔池化层SPP执行池化操作,得到第二池化特征,SPP在不同level(层)上将features map(特征图)划分成不同的spatial bin(窗口),然后在每个bin上计算features(特征),最后将所有features组合起来。
将第二池化特征输入第二全连接层FC_2中映射为目标像素点属于二维码中黑色图形的第二子概率(S1、S2、S3、S4)。
S155、将第一子概率与第二子概率融合为目标像素点属于二维码中黑色图形的总概率。
在本实施例中,可以将第一子概率与各个第二子概率通过线性或非线性的方式融合为目标像素点属于二维码中黑色图形的总概率。
以线性融合为例,可以对第一子概率配置第一权重,对各个第二子概率配置第二权重,第一权重与各个第二权重之间的和值为1,其中,目标像素点为中心的图像块的感受野更加宽广,更加全面,因此,第一权重大于第二权重。
计算第一子概率与第一权重之间的乘积,作为第一调权值,分别计算各个各个第二子概率与第二权重之间的乘积,作为第二调权值,计算第一调权值与第二调权值之间的和值,作为目标像素点属于二维码中黑色图形的总概率。
S160、依据总概率调节第一区域中各个原始像素点的原始颜色值,获得第三区域。
在本实施例中,可以将参考总概率适应性调节第一区域中各个原始像素点的原始颜色值,调节之后的第二区域记为第三区域。
在具体实现中,针对第一区域中各个原始像素点,在每个颜色通道(如RGB)上将总概率与黑色颜色值相乘,得到第一调权颜色值。
将1减去总概率,获得反相概率。
在每个颜色通道(如RGB)上将反相概率与原始像素点的原始颜色值相乘,得到第二调权颜色值。
在每个颜色通道(如RGB)上将第一调权颜色值与第二调权颜色值相加,得到新的像素点,这些新的像素点组成第三区域。
如果总概率越高,新的像素点的颜色值越趋向黑色颜色值,如果总概率越低,新的像素点的颜色值越趋向原始颜色值。
S170、若完成调节,则对第三区域执行二维码的解码操作,获得零部件的标识。
如果完成调节各个原始像素点的原始颜色值,那么,可以对第三区域执行二维码的解码操作,从而得到零部件的标识。
S180、依据标识追溯零部件的信息。
将零部件的标识封装至查询请求中,将该查询请求发送至云端(如区块链),得到该标识映射的零部件的信息,例如,原材料来源、生产批号、质检单位,等等。
在本实施例中,对汽车制作的零部件采集图像数据;在图像数据中分别检测二维码所在的第一区域、位于零部件内且位于第一区域之外的第二区域;依据第二区域各个原始像素点对第一区域各个原始像素点执行去雾操作,得到目标像素点;对各个目标像素点构建多个大小相同的图像块,其中,同一目标像素点在多个图像块中所处的相对位置均不相同;针对每个目标像素点,依据多个图像块计算目标像素点属于二维码中黑色图形的总概率;依据总概率调节第一区域中各个原始像素点的原始颜色值,获得第三区域;若完成调节,则对第三区域执行二维码的解码操作,获得零部件的标识;依据标识追溯零部件的信息。本实施例通过去雾操作可以减少零部件的表面颜色对二维码的干扰,使用不同图像块提供的感受野可以有效地针对二维码的排列特征预测目标像素点属于二维码中黑色图形的总概率,从而调整其对应原始像素点的原始颜色值,实现补色,使其合理地趋向总概率的分布,提高识别二维码的精确度,从而提高追溯汽车零部件的效率。
图4是本发明一个实施例的一种汽车制造零部件的追溯管理系统的结构示意图,该系统具体可以包括如下模块:
图像数据采集模块210,用于对汽车制作的零部件采集图像数据;
区域检测模块220,用于在所述图像数据中分别检测二维码所在的第一区域、位于所述零部件内且位于所述第一区域之外的第二区域;
去雾操作模块230,用于依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点;
图像块构建模块240,用于对各个所述目标像素点构建多个大小相同的图像块,其中,同一所述目标像素点在多个所述图像块中所处的相对位置均不相同;
概率计算模块250,用于针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率;
补色模块260,用于依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域;
解码模块270,用于若完成调节,则对所述第三区域执行二维码的解码操作,获得所述零部件的标识;
信息追溯模块280,用于依据所述标识追溯所述零部件的信息。
在本发明的一种优选实施例中,所述去雾操作模块230还用于:
对所述第二区域中各个原始像素点的原始颜色值计算平均值;
将所述第一区域中各个原始像素点的原始颜色值减去所述平均值,获得目标像素点。
在本发明的一种优选实施例中,所述图像块构建模块240还用于:
针对各个所述目标像素点,以所述目标像素点为中心点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为右下方的角点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为左下方的角点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为左上方的角点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为右上方的角点构建一个指定大小的图像块。
在本发明的一种优选实施例中,所述概率计算模块250还用于:
加载检测网络,所述检测网络包括特征提取器、主干网络与多个支路网络;
将所述图像块输入所述特征提取器中提取目标图像特征;
若所述目标像素点为所述图像块的中心点,则将所述目标图像特征输入所述主干网络中、以输出所述目标像素点属于所述二维码中黑色图形的第一子概率;
若所述目标像素点为所述图像块的角点,则将候选图像特征输入所述角点对应的所述支路网络中、以输出所述目标像素点属于所述二维码中黑色图形的第二子概率,其中,所述候选图像特征为所述特征提取器提取所述目标图像特征的过程中生成的特征;
将所述第一子概率与所述第二子概率融合为所述目标像素点属于所述二维码中黑色图形的总概率。
在本发明的一种优选实施例中,所述特征提取器包括第一残差块、第二残差块、第三残差块;
所述概率计算模块250还用于:
将所述图像块输入所述第一残差块中提取特征,作为原始图像特征;
将所述原始图像特征输入所述第二残差块中提取特征,作为候选图像特征;
将所述候选图像特征输入所述第三残差块中提取特征,作为目标图像特征。
在本发明的一种优选实施例中,所述主干网络包括空洞金字塔池化层、第一卷积层与第一全连接层;所述支路网络包括第二卷积层、空间金字塔池化层与第二全连接层;
所述概率计算模块250还用于:
将所述目标图像特征输入所述空洞金字塔池化层执行池化操作,得到第一池化特征;
将所述第一池化特征输入所述第一卷积层中、在自注意力机制下执行卷积操作,得到第一卷积特征;
将所述第一卷积特征输入所述第一全连接层中映射为所述目标像素点属于所述二维码中黑色图形的第一子概率;
所述概率计算模块250还用于:
在所述角点对应的所述支路网络中,将候选图像特征输入所述第二卷积层中执行卷积操作,得到第二卷积特征;
将所述第二卷积特征输入所述空间金字塔池化层执行池化操作,得到第二池化特征;
将所述第二池化特征输入所述第二全连接层中映射为所述目标像素点属于所述二维码中黑色图形的第二子概率。
在本发明的一种优选实施例中,所述补色模块260还用于:
针对所述第一区域中各个原始像素点,将所述总概率与黑色颜色值相乘,得到第一调权颜色值;
将1减去所述总概率,获得反相概率;
将所述反相概率与所述原始像素点的原始颜色值相乘,得到第二调权颜色值;
将所述第一调权颜色值与所述第二调权颜色值相加,得到第三区域。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本实施例中,对汽车制作的零部件采集图像数据;在图像数据中分别检测二维码所在的第一区域、位于零部件内且位于第一区域之外的第二区域;依据第二区域各个原始像素点对第一区域各个原始像素点执行去雾操作,得到目标像素点;对各个目标像素点构建多个大小相同的图像块,其中,同一目标像素点在多个图像块中所处的相对位置均不相同;针对每个目标像素点,依据多个图像块计算目标像素点属于二维码中黑色图形的总概率;依据总概率调节第一区域中各个原始像素点的原始颜色值,获得第三区域;若完成调节,则对第三区域执行二维码的解码操作,获得零部件的标识;依据标识追溯零部件的信息。本实施例通过去雾操作可以减少零部件的表面颜色对二维码的干扰,使用不同图像块提供的感受野可以有效地针对二维码的排列特征预测目标像素点属于二维码中黑色图形的总概率,从而调整其对应原始像素点的原始颜色值,实现补色,使其合理地趋向总概率的分布,提高识别二维码的精确度,从而提高追溯汽车零部件的效率。
图5是本发明一个实施例的一种电子设备的结构示意图。
该电子设备300包括但不限于:射频单元301、网络模块302、音频输出单元303、输入单元304、传感器305、显示单元306、用户输入单元307、接口单元308、存储器309、处理器310、以及电源311等部件。本领域技术人员可以理解,图5中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,处理器310,用于对汽车制作的零部件采集图像数据;在所述图像数据中分别检测二维码所在的第一区域、位于所述零部件内且位于所述第一区域之外的第二区域;依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点;对各个所述目标像素点构建多个大小相同的图像块,其中,同一所述目标像素点在多个所述图像块中所处的相对位置均不相同;针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率;依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域;若完成调节,则对所述第三区域执行二维码的解码操作,获得所述零部件的标识;依据所述标识追溯所述零部件的信息。
在本实施例中,对汽车制作的零部件采集图像数据;在图像数据中分别检测二维码所在的第一区域、位于零部件内且位于第一区域之外的第二区域;依据第二区域各个原始像素点对第一区域各个原始像素点执行去雾操作,得到目标像素点;对各个目标像素点构建多个大小相同的图像块,其中,同一目标像素点在多个图像块中所处的相对位置均不相同;针对每个目标像素点,依据多个图像块计算目标像素点属于二维码中黑色图形的总概率;依据总概率调节第一区域中各个原始像素点的原始颜色值,获得第三区域;若完成调节,则对第三区域执行二维码的解码操作,获得零部件的标识;依据标识追溯零部件的信息。本实施例通过去雾操作可以减少零部件的表面颜色对二维码的干扰,使用不同图像块提供的感受野可以有效地针对二维码的排列特征预测目标像素点属于二维码中黑色图形的总概率,从而调整其对应原始像素点的原始颜色值,实现补色,使其合理地趋向总概率的分布,提高识别二维码的精确度,从而提高追溯汽车零部件的效率。
应理解的是,本发明实施例中,射频单元301可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器310处理;另外,将上行的数据发送给基站。通常,射频单元301包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元301还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块302为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元303可以将射频单元301或网络模块302接收的或者在存储器309中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元303还可以提供与电子设备300执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元303包括扬声器、蜂鸣器以及受话器等。
输入单元304用于接收音频或视频信号。输入单元304可以包括图形处理器(Graphics Processing Unit,GPU)3041和麦克风3042,图形处理器3041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元306上。经图形处理器3041处理后的图像帧可以存储在存储器309(或其它存储介质)中或者经由射频单元301或网络模块302进行发送。麦克风3042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元301发送到移动通信基站的格式输出。
电子设备300还包括至少一种传感器305,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板3061的亮度,接近传感器可在电子设备300移动到耳边时,关闭显示面板3061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器305还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元306用于显示由用户输入的信息或提供给用户的信息。显示单元306可包括显示面板3061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板3061。
用户输入单元307可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元307包括触控面板3071以及其他输入设备3072。触控面板3071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板3071上或在触控面板3071附近的操作)。触控面板3071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器310,接收处理器310发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板3071。除了触控面板3071,用户输入单元307还可以包括其他输入设备3072。具体地,其他输入设备3072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板3071可覆盖在显示面板3061上,当触控面板3071检测到在其上或附近的触摸操作后,传送给处理器310以确定触摸事件的类型,随后处理器310根据触摸事件的类型在显示面板3061上提供相应的视觉输出。虽然在图5中,触控面板3071与显示面板3061是作为两个独立的部件来实现电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板3071与显示面板3061集成而实现电子设备的输入和输出功能,具体此处不做限定。
接口单元308为外部装置与电子设备300连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元308可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到电子设备300内的一个或多个元件或者可以用于在电子设备300和外部装置之间传输数据。
存储器309可用于存储软件程序以及各种数据。存储器1209可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器309可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器310是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器309内的软件程序和/或模块,以及调用存储在存储器309内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器310可包括一个或多个处理单元;优选的,处理器310可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器310中。
电子设备300还可以包括给各个部件供电的电源311(比如电池),优选的,电源311可以通过电源管理系统与处理器310逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,电子设备300包括一些未示出的功能模块,在此不再赘述。
优选的,本发明实施例还提供一种电子设备,该电子设备包括处理器310,存储器309,存储在存储器309上并可在所述处理器310上运行的计算机程序,该计算机程序被处理器310执行时实现上述汽车制造零部件的追溯管理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质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汽车制造零部件的追溯管理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (7)
1.一种汽车制造零部件的追溯管理方法,其特征在于,包括:
对汽车制作的零部件采集图像数据;
在所述图像数据中分别检测二维码所在的第一区域、位于所述零部件内且位于所述第一区域之外的第二区域;
依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点;
对各个所述目标像素点构建多个大小相同的图像块,其中,同一所述目标像素点在多个所述图像块中所处的相对位置均不相同;
针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率;
依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域;
若完成调节,则对所述第三区域执行二维码的解码操作,获得所述零部件的标识;
依据所述标识追溯所述零部件的信息;
其中,所述针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率,包括:
加载检测网络,所述检测网络包括特征提取器、主干网络与多个支路网络;
将所述图像块输入所述特征提取器中提取目标图像特征;
若所述目标像素点为所述图像块的中心点,则将所述目标图像特征输入所述主干网络中、以输出所述目标像素点属于所述二维码中黑色图形的第一子概率;
若所述目标像素点为所述图像块的角点,则将候选图像特征输入所述角点对应的所述支路网络中、以输出所述目标像素点属于所述二维码中黑色图形的第二子概率,其中,所述候选图像特征为所述特征提取器提取所述目标图像特征的过程中生成的特征;
将所述第一子概率与所述第二子概率融合为所述目标像素点属于所述二维码中黑色图形的总概率;
所述特征提取器包括第一残差块、第二残差块、第三残差块;
所述将所述图像块输入所述特征提取器中提取目标图像特征,包括:
将所述图像块输入所述第一残差块中提取特征,作为原始图像特征;
将所述原始图像特征输入所述第二残差块中提取特征,作为候选图像特征;
将所述候选图像特征输入所述第三残差块中提取特征,作为目标图像特征;
所述主干网络包括空洞金字塔池化层、第一卷积层与第一全连接层;所述支路网络包括第二卷积层、空间金字塔池化层与第二全连接层;
所述将所述目标图像特征输入所述主干网络中、以输出所述目标像素点属于所述二维码中黑色图形的第一子概率,包括:
将所述目标图像特征输入所述空洞金字塔池化层执行池化操作,得到第一池化特征;
将所述第一池化特征输入所述第一卷积层中、在自注意力机制下执行卷积操作,得到第一卷积特征;
将所述第一卷积特征输入所述第一全连接层中映射为所述目标像素点属于所述二维码中黑色图形的第一子概率;
所述将候选图像特征输入所述角点对应的所述支路网络中、以输出所述目标像素点属于所述二维码中黑色图形的第二子概率,包括:
在所述角点对应的所述支路网络中,将候选图像特征输入所述第二卷积层中执行卷积操作,得到第二卷积特征;
将所述第二卷积特征输入所述空间金字塔池化层执行池化操作,得到第二池化特征;
将所述第二池化特征输入所述第二全连接层中映射为所述目标像素点属于所述二维码中黑色图形的第二子概率。
2.根据权利要求1所述的方法,其特征在于,所述依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点,包括:
对所述第二区域中各个原始像素点的原始颜色值计算平均值;
将所述第一区域中各个原始像素点的原始颜色值减去所述平均值,获得目标像素点。
3.根据权利要求1所述的方法,其特征在于,所述对各个所述目标像素点构建多个大小相同的图像块,包括:
针对各个所述目标像素点,以所述目标像素点为中心点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为右下方的角点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为左下方的角点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为左上方的角点构建一个指定大小的图像块;
针对各个所述目标像素点,以所述目标像素点为右上方的角点构建一个指定大小的图像块。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域,包括:
针对所述第一区域中各个原始像素点,将所述总概率与黑色颜色值相乘,得到第一调权颜色值;
将1减去所述总概率,获得反相概率;
将所述反相概率与所述原始像素点的原始颜色值相乘,得到第二调权颜色值;
将所述第一调权颜色值与所述第二调权颜色值相加,得到第三区域。
5.一种汽车制造零部件的追溯管理系统,其特征在于,包括:
图像数据采集模块,用于对汽车制作的零部件采集图像数据;
区域检测模块,用于在所述图像数据中分别检测二维码所在的第一区域、位于所述零部件内且位于所述第一区域之外的第二区域;
去雾操作模块,用于依据所述第二区域各个原始像素点对所述第一区域各个原始像素点执行去雾操作,得到目标像素点;
图像块构建模块,用于对各个所述目标像素点构建多个大小相同的图像块,其中,同一所述目标像素点在多个所述图像块中所处的相对位置均不相同;
概率计算模块,用于针对每个所述目标像素点,依据多个所述图像块计算所述目标像素点属于所述二维码中黑色图形的总概率;
补色模块,用于依据所述总概率调节所述第一区域中各个原始像素点的原始颜色值,获得第三区域;
解码模块,用于若完成调节,则对所述第三区域执行二维码的解码操作,获得所述零部件的标识;
信息追溯模块,用于依据所述标识追溯所述零部件的信息;
其中,所述概率计算模块还用于:
加载检测网络,所述检测网络包括特征提取器、主干网络与多个支路网络;
将所述图像块输入所述特征提取器中提取目标图像特征;
若所述目标像素点为所述图像块的中心点,则将所述目标图像特征输入所述主干网络中、以输出所述目标像素点属于所述二维码中黑色图形的第一子概率;
若所述目标像素点为所述图像块的角点,则将候选图像特征输入所述角点对应的所述支路网络中、以输出所述目标像素点属于所述二维码中黑色图形的第二子概率,其中,所述候选图像特征为所述特征提取器提取所述目标图像特征的过程中生成的特征;
将所述第一子概率与所述第二子概率融合为所述目标像素点属于所述二维码中黑色图形的总概率;
所述特征提取器包括第一残差块、第二残差块、第三残差块;
所述概率计算模块还用于:
将所述图像块输入所述第一残差块中提取特征,作为原始图像特征;
将所述原始图像特征输入所述第二残差块中提取特征,作为候选图像特征;
将所述候选图像特征输入所述第三残差块中提取特征,作为目标图像特征;
所述主干网络包括空洞金字塔池化层、第一卷积层与第一全连接层;所述支路网络包括第二卷积层、空间金字塔池化层与第二全连接层;
所述概率计算模块还用于:
将所述目标图像特征输入所述空洞金字塔池化层执行池化操作,得到第一池化特征;
将所述第一池化特征输入所述第一卷积层中、在自注意力机制下执行卷积操作,得到第一卷积特征;
将所述第一卷积特征输入所述第一全连接层中映射为所述目标像素点属于所述二维码中黑色图形的第一子概率;
所述概率计算模块还用于:
在所述角点对应的所述支路网络中,将候选图像特征输入所述第二卷积层中执行卷积操作,得到第二卷积特征;
将所述第二卷积特征输入所述空间金字塔池化层执行池化操作,得到第二池化特征;
将所述第二池化特征输入所述第二全连接层中映射为所述目标像素点属于所述二维码中黑色图形的第二子概率。
6.一种电子设备,其特征在于,所述电子设备包括处理器、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计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的汽车制造零部件的追溯管理方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的汽车制造零部件的追溯管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211251150.0A CN115618905B (zh) | 2022-10-13 | 2022-10-13 | 一种汽车制造零部件的追溯管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211251150.0A CN115618905B (zh) | 2022-10-13 | 2022-10-13 | 一种汽车制造零部件的追溯管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618905A CN115618905A (zh) | 2023-01-17 |
CN115618905B true CN115618905B (zh) | 2023-12-12 |
Family
ID=84862627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211251150.0A Active CN115618905B (zh) | 2022-10-13 | 2022-10-13 | 一种汽车制造零部件的追溯管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618905B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096795A (zh) * | 2010-11-25 | 2011-06-15 | 西北工业大学 | 磨损二维条码图像识别方法 |
CN109409161A (zh) * | 2018-10-22 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图形码识别方法、装置、终端及存储介质 |
CN109543692A (zh) * | 2018-11-27 | 2019-03-29 | 合肥工业大学 | 一种专用于含qr码图像的二值化方法 |
CN111126140A (zh) * | 2019-11-19 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 文本识别方法、装置、电子设备以及存储介质 |
CN111950318A (zh) * | 2020-08-12 | 2020-11-17 | 上海连尚网络科技有限公司 | 一种二维码图像的识别方法、设备及存储介质 |
CN113705749A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于深度学习的二维码识别方法、装置、设备及存储介质 |
CN113780087A (zh) * | 2021-08-11 | 2021-12-10 | 同济大学 | 一种基于深度学习的邮政包裹文本检测方法及设备 |
WO2022042961A1 (en) * | 2020-08-24 | 2022-03-03 | Saint-Gobain Glass France | Method for detecting and reading a matrix code marked on a glass substrate |
-
2022
- 2022-10-13 CN CN202211251150.0A patent/CN115618905B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096795A (zh) * | 2010-11-25 | 2011-06-15 | 西北工业大学 | 磨损二维条码图像识别方法 |
CN109409161A (zh) * | 2018-10-22 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 图形码识别方法、装置、终端及存储介质 |
CN109543692A (zh) * | 2018-11-27 | 2019-03-29 | 合肥工业大学 | 一种专用于含qr码图像的二值化方法 |
CN111126140A (zh) * | 2019-11-19 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 文本识别方法、装置、电子设备以及存储介质 |
CN111950318A (zh) * | 2020-08-12 | 2020-11-17 | 上海连尚网络科技有限公司 | 一种二维码图像的识别方法、设备及存储介质 |
WO2022042961A1 (en) * | 2020-08-24 | 2022-03-03 | Saint-Gobain Glass France | Method for detecting and reading a matrix code marked on a glass substrate |
CN113780087A (zh) * | 2021-08-11 | 2021-12-10 | 同济大学 | 一种基于深度学习的邮政包裹文本检测方法及设备 |
CN113705749A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于深度学习的二维码识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
涂海宁,魏俊文,刘建胜,顾嘉.条码图像模式识别的追溯系统设计与实现.机械设计与制造.2021,第241-245页. * |
续晓丽,刘从峰,范广宇.多尺度特征融合的二维编码图像识别.计算机工程与应用.2020, 第165-172页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115618905A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230192B (zh) | 图像处理方法、装置、计算机可读存储介质和移动终端 | |
CN110136183B (zh) | 一种图像处理的方法、装置以及摄像装置 | |
CN111476780B (zh) | 一种图像检测方法、装置、电子设备以及存储介质 | |
CN106778440B (zh) | 二维码识别方法及装置 | |
CN108234882B (zh) | 一种图像虚化方法及移动终端 | |
CN109238460B (zh) | 一种获取环境光强度的方法及终端设备 | |
CN112040223A (zh) | 一种图像处理方法、终端设备及存储介质 | |
CN108269220B (zh) | 定位数字水印的方法及装置 | |
CN107846583B (zh) | 一种图像阴影补偿方法及移动终端 | |
CN111401463B (zh) | 检测结果输出的方法、电子设备及介质 | |
CN108257104B (zh) | 一种图像处理方法及移动终端 | |
CN107230065B (zh) | 一种二维码显示方法、设备及计算机可读存储介质 | |
CN112418214A (zh) | 一种车辆识别码识别方法、装置、电子设备及存储介质 | |
CN114399813B (zh) | 人脸遮挡检测方法、模型训练方法、装置及电子设备 | |
CN111556337B (zh) | 一种媒体内容植入方法、模型训练方法以及相关装置 | |
CN107330867B (zh) | 图像合成方法、装置、计算机可读存储介质和计算机设备 | |
CN107145855B (zh) | 一种参考质量模糊图像预测方法、终端及存储介质 | |
CN112703530B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN109005314B (zh) | 一种图像处理方法及终端 | |
CN110944163A (zh) | 一种图像处理方法及电子设备 | |
CN111246053B (zh) | 图像处理方法及电子设备 | |
CN115618905B (zh) | 一种汽车制造零部件的追溯管理方法及系统 | |
CN111145151B (zh) | 一种运动区域确定方法及电子设备 | |
CN107977591B (zh) | 一种二维码图像识别方法及移动终端 | |
CN109348212B (zh) | 一种图像噪声确定方法及终端设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231115 Address after: Room 101, No. 16, Lane 1, Nanzha Xinxing Road, Humen Town, Dongguan City, Guangdong Province, 523000 Applicant after: Dongguan Shenghai Technology Co.,Ltd. Address before: No. 18, Anzhi Street, Suzhou Industrial Park, Suzhou Area, China (Jiangsu) Pilot Free Trade Zone, Suzhou City, Jiangsu Province, 215000 Applicant before: Jiangsu Aikaai International Standard Certification Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |