CN116258155A - Dm码检测识别方法、装置、计算机设备、存储介质 - Google Patents

Dm码检测识别方法、装置、计算机设备、存储介质 Download PDF

Info

Publication number
CN116258155A
CN116258155A CN202211708872.4A CN202211708872A CN116258155A CN 116258155 A CN116258155 A CN 116258155A CN 202211708872 A CN202211708872 A CN 202211708872A CN 116258155 A CN116258155 A CN 116258155A
Authority
CN
China
Prior art keywords
image
positioning
code
coarse
processing
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
CN202211708872.4A
Other languages
English (en)
Inventor
于文怡
唐金亚
杜萍
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.)
Jiangsu Zhongkeguanwei Automation Technology Co ltd
Original Assignee
Jiangsu Zhongkeguanwei Automation 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 Jiangsu Zhongkeguanwei Automation Technology Co ltd filed Critical Jiangsu Zhongkeguanwei Automation Technology Co ltd
Priority to CN202211708872.4A priority Critical patent/CN116258155A/zh
Publication of CN116258155A publication Critical patent/CN116258155A/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
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • 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
    • G06K7/1465—Methods for optical code recognition the method including quality enhancement steps using several successive scans of the optical code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种DM码检测识别方法、装置、计算机设备、存储介质。方法包括：获取待处理图像；使用目标检测算法对待处理图像进行处理，得到粗定位个图像；使用像素累计方法对粗定位图像进行处理，得到细定位数据；根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像；根据标准图像进行解码，得到识别结果。采用本方法能够保证在工业复杂环境下DM码检测识别的准确率。

Description

DM码检测识别方法、装置、计算机设备、存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种DM码检测识别方法、装置、计算机设备、存储介质。
背景技术
随着信息化时代的来临和计算机技术的发展，对信息密度和信息安全的要求越来越高，信息量大且误差矫正能力强的二维码也面临更加广阔的使用需求和更加多样的使用场景。作为二维码的一种，DM(Data Matrix，数据矩阵)码凭借其信息密度高、纠错能力强的特点，广泛应用于编码管理、仓储物流、工业制造等领域。
一般的DM码检测识别方案包括：利用霍夫变换检测DM码的定位图形，以进行DM码定位识别；利用YoloV3-Tiny目标检测模型快速定位待检测图片中包含有DM码的ROI(Region Of Interest，感兴趣区域)；根于预设轨迹循环遍历ROI对DM码进行精确定位识别；构建多层图像金字塔序列并搜索金字塔图像中的DM码定位边，根据DM码定位边精确定位DM码位置，得到精确的DM码图像并识别。
上述方案在背景简单、条码工整的场景下，可以满足DM码检测识别准确性要求，例如检测识别印刷品上的DM码。但是在工业环境下，存在背景杂乱、条码受损等复杂情况，上述方案很难保证DM码检测识别的准确性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在背景复杂、条码受损等复杂情况下，保证检测识别的准确性的DM码检测识别方法、装置、计算机设备、计算机可读存储介质。
第一方面，本申请提供了一种DM码检测识别方法。所述方法包括：
获取待处理图像；
使用目标检测算法对待处理图像进行处理，得到粗定位图像；粗定位图像包括待识别DM码；
使用像素累计方法对粗定位图像进行处理，得到细定位数据；
根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像；
根据标准图像进行解码，得到识别结果。
在其中一个实施例中，使用目标检测算法对待处理图像进行处理，得到粗定位图像，包括：
将待处理图像进行缩放和归一化处理，得到归一化图像；
采用YoloV5-Nano目标检测模型对归一化图像进行处理，得到粗定位图像；YoloV5-Nano目标检测模型包括下采样倍数为8、16、32的3个检测头。
在其中一个实施例中，在使用目标检测算法对待处理图像进行处理的步骤中，得到工艺类别数据；工艺类别数据用于指示制作待识别DM码的工艺类别；
使用像素累计方法对粗定位图像进行处理，得到细定位数据，包括：
在工艺类别为印刷式的情况下，对粗定位图像进行高斯滤波处理，得到滤波后图像；对滤波后图像进行局部阈值二值化处理，得到粗二值化图像；
在工艺类别为打点成型式的情况下，对粗定位图像进行灰度拉伸，得到拉伸后图像；对拉伸后图像进行高斯滤波处理，得到滤波后图像；对滤波后图像进行局部阈值二值化处理，得到粗二值化图像；
基于像素累计器对粗二值化图像进行处理，得到细定位数据；像素累计器用于统计相应方向上像素分布，以得到该方向上像素块分布规律和边缘跳变位置。
在其中一个实施例中，细定位数据包括待识别DM码的四个角坐标；四个角坐标包括定位边对应的三个角坐标和时钟边的交点坐标；
基于像素累加器对粗二值化图像进行处理，得到细定位数据，包括：
使用像素累计器统计粗二值化图像的纹理特征；
根据纹理特征，通过边缘跟踪和约束条件，确定定位边以及对应的三个角坐标；
根据定位边上像素累计器计算得到的统计特征，确定模块宽度；
根据定位边对应的三个角坐标和模块宽度，得到时钟边以及对应的交点坐标。
在其中一个实施例中，根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像，包括：
根据待识别DM码的四个角坐标，对粗定位图像进行仿射变换，得到校正后图像；
对校正后图像进行预处理，得到细二值化图像；
将细二值化图像进行网格划分处理，得到标准图像。
在其中一个实施例中，将细二值化图像进行网格划分处理，得到标准图像，包括：
使用像素累计器统计细二值化图像的纹理特征；
根据细二值化图像的纹理特征，重新确定定位边；
根据时钟边上像素累计器的统计结果，重新确定时钟边以及确定模块分界点；
从模块分界点出发跟踪梯度边缘形成网格线；
根据网格线划分细二值化图像，得到标准图像。
在其中一个实施例中，细定位数据包括待识别DM码的维数；待识别DM码的维数根据时钟边上像素累计器得到的统计特征和模块宽度确定；
根据标准图像进行解码，得到识别结果，包括：
根据待识别DM码的维数，确定解码参数；
根据解码参数，对标准图像进行解码，得到识别结果。
第二方面，本申请还提供了一种DM码检测识别装置。装置包括：
获取模块，用于获取待处理图像；
粗定位模块，用于使用目标检测算法对待处理图像进行处理，得到粗定位图像；粗定位图像包括待识别DM码；
细定位模块，用于使用像素累计方法对粗定位图像进行处理，得到细定位数据；
校正模块，用于根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像；
识别模块，用于根据标准图像进行解码，得到识别结果。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待处理图像；
使用目标检测算法对待处理图像进行处理，得到粗定位图像；粗定位图像包括待识别DM码；
使用像素累计方法对粗定位图像进行处理，得到细定位数据；
根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像；
根据标准图像进行解码，得到识别结果。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待处理图像；
使用目标检测算法对待处理图像进行处理，得到粗定位图像；粗定位图像包括待识别DM码；
使用像素累计方法对粗定位图像进行处理，得到细定位数据；
根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像；
根据标准图像进行解码，得到识别结果。
本申请涉及一种DM码检测识别方法、装置、计算机设备、存储介质。方法包括：获取待处理图像；使用目标检测算法对待处理图像进行处理，得到粗定位个图像；使用像素累计方法对粗定位图像进行处理，得到细定位数据；根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像；根据标准图像进行解码，得到识别结果。通过两次定位过程，能够保证在工业复杂环境下DM码检测识别的准确率。
附图说明
图1为一个实施例中DM码的示例性结构示意图；
图2为一个实施例中DM码检测识别方法的流程示意图；
图3为一个实施例中使用目标检测算法对待处理图像进行处理，得到粗定位图像的流程示意图；
图4为一个实施例中待处理图像的示例性示意图；
图5为一个实施例中粗定位图像的示例性示意图；
图6为一个实施例中使用像素累计方法对粗定位图像进行处理，得到细定位数据的流程示意图；
图7为一个实施例中基于像素累计器对粗二值化图像进行处理，得到细定位数据的流程示意图；
图8为一个实施例中确定的待识别DM码的四个角示例性示意图；
图9为一个实施例中根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像的流程示意图；
图10为一个实施例中校正后图像的示例性示意图；
图11为一个实施例中将细二值化图像进行网格划分处理，得到标准图像的流程示意图；
图12为一个实施例中确定的网格线示例性示意图；
图13为一个实施例中DM码检测识别装置的结构框图；
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，为一个DM码的示例性结构示意图。DM码包括两条正交的定位边(实线边)和两条正交的时钟边(虚线边)，定位边和时钟边围成的区域为数据区和静音区；其中数据区由大小尺寸基本一致的模块组成。DM码的信息存储方式是深浅不同的模块的排列组合，以二进制码方式来编码数据，计算机可以直接读取。L型的定位边和L型的时钟边共同组成DM码的定位模式。同一个版本下的DM码定位模式相同，但是数据区随着表达数据不同而变化。
在一个实施例中，如图2所示，提供了一种DM码检测识别方法，该方法可以应用于各种条码扫描器、个人计算机、笔记本电脑、平板电脑、智能手机、物联网设备和便携式可穿戴设备等设备中。该DM码检测识别方法包括以下步骤：
步骤202，获取待处理图像。示例性的，待处理图像可以是扫码枪中的图像采集系统获取的包含待识别DM码的图像。
步骤204，使用目标检测算法对待处理图像进行处理，得到粗定位图像；粗定位图像包括待识别DM码。
步骤206，使用像素累计方法对粗定位图像进行处理，得到细定位数据。
步骤208，根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像。
步骤210，根据标准图像进行解码，得到识别结果。
上述DM码的检测识别方法中，采用目标检测模型对DM码进行粗定位，得到粗定位图像，然后利用像素累计方法对DM码进行精确定位并识别，通过两次定位过程，保证在工业复杂环境下DM码检测识别的准确率。
在一个实施例中，如图3所示，DM码检测识别方法中的步骤204，使用目标检测算法对待处理图像进行处理，得到粗定位图像，包括：
步骤302，将待处理图像进行缩放和归一化处理，得到归一化图像。
将图像采集系统采集到的待处理图像，缩放到(320，320)的尺寸，然后对缩放后的图像进行归一化处理。示例性的，归一化过程可以用下述公式描述：
Figure BDA0004026695090000061
其中，mean_＝[0.485,0.456,0.406]是缩放后图像的三个通道的均值，std_value＝[0.229,0.224,0.225]是缩放后图像的三个通道的方差。
步骤304，采用YoloV5-Nano目标检测模型对归一化图像进行处理，得到粗定位图像；其中，YoloV5-Nano目标检测模型包括下采样倍数为8、16、32的3个检测头。
其中，待识别DM码所在区域的检测由YoloV5-Nano目标检测模型完成。Yolo目标检测模型是一种可以实现一次性预测多个检测框的位置和类别的卷积神经网络，主要用于实现端到端的目标检测和识别。YoloV5-Nano为利用深度学习的目标检测模型YoloV5的Nano版本。
示例性的，如果待处理图像中包括待识别DM码，则YoloV5-Nano目标检测模型输出待识别DM码对应的检测框的位置；根据检测框的位置，得到粗定位图像。
如果YoloV5-Nano目标检测模型没有输出检测框的位置，可以认为待处理图像中不包括待识别DM码，结束当前检测识别过程，可以输出提示信息：未有DM码。
待识别DM码在待处理图像中的尺度不稳定，在检测识别过程中，YoloV5-Nano目标检测模型采用下采样倍数为8、16、32的3个检测头，分别对应尺度小、中、大的待识别DM码。
如图4所示，是待处理图像的示例示意图，如图5所示，为采用该实施例的检测识别方法得到的粗定位图像的示例示意图。
在一个实施例中，DM码检测识别方法中，在使用目标检测算法模型对待处理图像进行处理的步骤中，得到工艺类别数据；工艺类别数据用于指示制作待识别DM码的工艺类别。
如图6所示，该DM码检测识别方法中，使用像素累计方法对粗定位图像进行处理，得到细定位数据的步骤，包括：
步骤602，在工艺类别为印刷式的情况下，对粗定位图像进行高斯滤波处理，得到滤波后图像；对滤波后图像进行局部阈值二值化处理，得到粗二值化图像。
步骤604，在工艺类别为打点成型式的情况下，对粗定位图像进行灰度拉伸，得到拉伸后图像；对拉伸后图像进行高斯滤波处理，得到滤波后图像；对滤波后图像进行局部阈值二值化处理，得到粗二值化图像。
步骤606，基于像素累计器对粗二值化图像进行处理，得到细定位数据。其中，像素累计器用于统计相应方向上像素分布，以得到该方向上像素块分布规律和边缘跳变位置；像素累计器可以看成是图像特征提取器。
对于粗定位图像进行处理，使得粗定位图像的像素值只有0和255两个像素值，对粗定位图像进行二值化处理。
对于印刷式的DM码，由于其边缘流畅呈线性且对比度较高，因此通过高斯滤波平滑图像去除噪声干扰的同时保留边缘像素以便于定位，然后通过局部阈值二值化降低光照不均的影响使像素值分割为0和255，得到粗二值化图像。
对于打点成型的DM码，由于其梯度方向较多且更易受光照影响，因此首先通过灰度拉伸提高对比度，然后通过高斯滤波模糊图像使间隔的点融合连接为线以便于定位，最后通过局部阈值二值化将图像变为像素值仅有0和255的粗二值化图像。
上述DM码检测识别方法中，通过区分不同的DM码工艺类别，可以有效兼容不同DM码制作工艺和工作场景，同时将粗定位图像进行二值化处理，降低光照不均对检测识别过程的影响。
在一个实施例中，细定位数据为待识别DM码的四个角坐标；四个角坐标包括定位边对应的三个角坐标和时钟边的交点坐标。
如图7所示，为该DM码检测识别方法中，使用像素累计方法对粗二值化图像进行处理，得到细定位数据的流程示意图，包括：
步骤702，使用像素累计器统计粗二值化图像的纹理特征。
步骤704，根据纹理特征，通过边缘跟踪和约束条件，确定定位边以及对应的三个角坐标。
通过水平和垂直的像素累计器统计全图纹理特征，跟踪具有一定线宽的边缘像素并通过像素累计器计算连通域面积，进一步计算平均线宽。通过平均线宽约束公式筛选可能的定位边。
其中，连通域面积是指：根据像素累计器搜索具有一定宽度的像素块起始点，若连续多行(或列)的起始点相邻则视作连通，累计这些起始点所在的像素块宽度则为连通域面积。将连通域面积除以搜索到的连续相邻起始点行数(或列数)再乘以相应系数则得到平均线宽。
平均线宽的约束公式为：S<kl2，其中，定位边边缘跟踪时，S为跟踪点的累积线宽构成的面积，l为跟踪点构成的线的长，k为约束公式阈值。
由于粗定位图像中的两定位边近似正交，因此当粗定位图像无旋转时，平均线宽至少2倍于模块宽度，则S＝(l^2)/4应当是宽上限判定阈值可取的最小值。若假定以定位边做全黑的正方形，则该正方形面积的一半S＝(l^2)/2应当是线宽上限判定阈值可取的最大值。进一步考虑到图像旋转、畸变导致的定位边相对于水平、垂直的像素累计器的角度，但同时考虑到标准放宽会增多干扰的线条，因此线宽的上限判定阈值k应当在[1/4,1/2]中选择。
已知定位边上为纯色、定位边外为与定位线相异的纯色、定位线内为数据区边缘梯度丰富，可以以定位边为方向移动像素累计器统计梯度特征筛选定位边。
示例性，将像素累计器旋转到通过平均线宽约束公式筛选出的疑似定位边，统计该处的纹理特征。由于定位边为统一的颜色，因此疑似定位边处应当大部分为连续的同色连通域且边缘较少，否则不是定位边。接着将像素累计器向外平移，由于定位边外为与定位边相异的统一的颜色，因此应当筛选出大部分为连续的纯色连通域且边缘较少的情况进行下一步匹配。符合条件的候选定位边，将其上的像素累计器向内平移前述估计的一到两个平均线宽的距离，检测是否属于数据区，由于数据区边缘丰富颜色交错，因此符合颜色变换频繁的统计特征的才可保留。满足以上三个筛选条件的才可保留为定位边。
又已知DM码的定位边正交且有交点，因此可以筛选出成对的定位边确定DM码的三个角坐标。
步骤706，根据定位边上像素累计器得到的统计特征，确定模块宽度。
根据定位边上的像素累计器得到统计特征，示例性的，连通域面积，除以定位边上的线段长度，得到定位边上的平均线宽，以此确定模块宽度。
步骤708，根据定位边对应的三个角坐标和模块宽度，得到时钟边以及对应的交点坐标。
根据DM码是矩形码的特点推测出待识别DM码的第四个角坐标，即时钟边的交点位置。已知时钟边上两端颜色相异且色块宽度近似为一个平均线宽(即估计出来的模块宽度)，整条时钟边上颜色交错边缘较多，时钟边外为纯色。将像素累计器移动到疑似时钟边的位置，旋转像素累计器统计该处的纹理特征，以模块宽度作为约束条件，满足色块变换频繁且线段两端色块相异、向外平移后为统一色块连通域的视为时钟边。两条符合上述条件的时钟边交点即为待识别DM码的第四个角点，得到时钟边对应的交点坐标。到此实现待识别DM码的精定位。如图8所示，为该实施例中确定的待识别DM码的四个角坐标，其中，点A、点B和点C为定位边对应的三个角，点D为时钟边对应的交点坐标。
如图9所示，在一个实施例中，DM码检测识别方法中，根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像，包括：
步骤902，根据待识别DM码的四个角坐标，对粗定位图像进行仿射变换，得到校正后图像。
通过待识别DM码的四个角进行仿射变换，对粗定位图像进行校正，其中仿射变换矩阵可以通过下述公式获得：
Figure BDA0004026695090000101
其中，(x,y)是仿射变换前图像中某点的坐标，(x′,y′)是仿射变换后对应点的坐标，ω为系数，式中3×3矩阵是仿射变换矩阵H，在得到仿射变换矩阵H之后，就可以对产生畸变的图像进行反仿射变换，最终得到仿射变换校正后的图像，如图10所示。
步骤904，对校正后图像进行预处理，得到细二值化图像。
预处理过程包括：首先通过灰度拉伸，提高校正后图像的对比度，然后通过高斯滤波平滑图像去除噪声干扰，最后通过局部阈值二值化降低光照不均的影响，得到细二值化图像。
步骤906，将细二值化图像进行网格划分处理，得到标准图像。
在一个实施例中，如图11所示，将细二值化图像进行网格划分处理，得到标准图像，包括：
步骤1102，使用像素累计器统计细二值化图像的纹理特征。
步骤1104，根据细二值化图像的纹理特征，重新确定定位边。
步骤1106，根据时钟边上像素累计器的统计结果，重新确定时钟边以及确定模块分界点。
步骤1108，从模块分界点出发跟踪梯度边缘形成网格线。
步骤1110，根据网格线划分细二值化图像，得到标准图像。
在该实施例中，通过水平和垂直的像素累计器统计直方图检测定位边，重新对待识别DM码的定位边进行定位，然后根据时钟边处的像素累计器重新定位时钟边，以及确定模块分界点；再从模块分界点触发跟踪梯度边缘形成网格线。如图12所示，为该实施例中确定的网格线示例示意图。根据网格线划分细二值化图像，得到标准图像。
对于细二值化图像重新定位时钟边和定位边，减少因污损或者畸变没有调整过来的情况，提高网格线划分的准确率。
在一个实施例中，细定位数据包括待识别DM码的维数；待识别DM码的维数根据时钟边上像素累计器得到的统计特征和模块宽度确定。
根据时钟边上像素累计器统计的像素特征和估计的模块宽度，综合考虑畸变、无损、噪声等可能导致模块分类或合并的情况，对估计的DM码位数进行打分，并对水平和垂直方向分别进行维度检测。
标准的DM码的时钟边应当是两种颜色等宽交替出现，色块的总数即为DM码的维数。因此，统计时钟边上的色块分布即可推算出待识别DM码的维数。
示例性的，将像素累计器移动到时钟边处进行纹理特征统计，由外向内平移逐行检测。将上文所估计的平均线宽作为约束条件，划分出宽度过小、适中、过大的判断阈值，顺序逐个检查色块宽度，若所有色块的宽度均适中，则打最高分，说明检测到该方向上维度，停止移动像素累计器结束该方向上的维度检测。若色块宽度过大，则直接分裂色块并扣分。记录检测到的维度结果和打分，并继续平移像素累计器检测维度。若有色块宽度过小，则计算当前及左右共三个色块的宽度和，与当前色块及后两个色块共三个色块的宽度和，分析考虑各种情况，若完全不符合维度分布规律则直接结束本次检测继续平移像素累计器，否则合并色块并扣分，记录维度检测结果和打分并继续平移像素累计器。
若存在最高分的维度检测结果则以该维度作为此方向的维度，否则首先排除分数过低的维度，将剩余的维度检测结果的出现次数与分数加权计算，取最大值中分数最高的维度检测结果为该方向上的维度。
在该实施例中，根据标准图像进行解码，得到识别结果，包括：根据待识别DM码的维数，确定解码参数；根据解码参数，对标准图像进行解码，得到识别结果。其中，DM码按照RS(Reed-Solomon，里德-所罗门)编码规则进行解码。
本实施例中，通过时钟边上像素累计器得到的统计特征和模块宽度，确定待识别DM码的维度特征，可以有效兼容不同制作工艺和工作条件，提高维度检测的准确率；进而保证解码的准确率。
在一个实施例中，DM码的检测识别方法包括以下步骤：
(1)DM码粗定位，具体包括：
粗图像预处理：将待处理图像缩放至固定尺寸进行归一化处理，得到归一化图像。
利用目标检测算法定位分类：利用深度学习目标检测算法YoloV5的Nano版本检测待识别DM码所在的区域，并对制作工艺、码字对比度进行分类。
(2)图像预处理和DM码精定位，具体包括：
DM码图像预处理：包括灰度拉伸、平滑滤波、二值化处理，得到粗二值化图像。
DM码精定位：包括定位边检测、虚边交点矫正、模块宽度和维数估计。根据DM码图像预处理得到的粗二值化图像，通过水平和垂直的像素累计器统计全图纹理特征，通过边缘跟踪和约束条件判定检测定位边以确定待识别DM码的三个角坐标。根据定位边的上像素累计器计算得到的统计特征估计模块宽度，并检测时钟边对待识别DM码实现精定位。根据虚边上像素累计器统计特征和模块宽度估计值，估计待识别DM码的维数。
(3)仿射变换和DM码识别，具体包括：
仿射变换：通过待识别DM码的四个角坐标进行仿射变换，把粗定位图像校正到标准形态的图像，得到校正后图像。
细图像预处理：包括灰度拉伸、平滑滤波、二值化处理，得到细二值化图像。
网格划分：包括定位边二次定位、时钟边检测、梯度跟踪。根据前述细图像预处理得到的细二值化图像，通过水平和垂直的像素累计器统计直方图检测定位边。根据时钟遍处的像素累计器定位时钟线和模块分界点。从模块分界点出发跟踪梯度边缘形成网格划分码元。最后根据DM码的RS编码规则进行解码。
上述实施例提供的DM码检测识别方法，在光照不均、纹理丰富、图像获取角度偏差过大的复杂场景中能够准确检测定位和识别待识别DM码；在DM码本身出现污损、模糊、折叠等受损情况是能够有效识别；对多种DM码制作工艺和不同工作场景做到有效兼容；提高检测识别的准确率，保证高实时性。
在一个实施例中，DM码的检测识别方法中，待识别图像中存在多个待识别DM码，此时，使用目标检测算法对待处理图像进行处理，会输出多个检测框；或者，待识别图像中只有一个待识别DM码，但使用目标检测算法对待处理图像进行处理，存在误检情况，输出多个检测框；其中每个检测框对应一个粗定位区域。依次对每个粗定位区域执行后续的检测识别过程。
判断是否有未处理的检测框。如果有未处理的检测框，则根据该检测框截取对应的图像区域，进行粗定位。如果在粗定位过程中，没有筛选出符合条件的定位边，则说明该检测框中不包括待识别DM码。针对该检测框结束执行后续的检测识别过程，并读取下一个检测框进行粗定位判断。如果所有检测框对应的粗定位区域中都没有筛选出符合条件的定位边，则针对待处理图像结束当前检测识别过程，可以输出提示信息：未有DM码。
如果有多个检测框中筛选出符合条件的定位边，得到多个细定位数据，则依次根据每个细定位数据执行后续的检测识别过程。如果根据当前细定位数据在执行细定位和解码过程中，没有解码成功，则根据下一个细定位数据执行检测识别过程。
其中当前细定位数据完成后续的检测识别过程，解码成功，输出解码结果，同时根据下一个细定位数据继续执行检测识别过程。如果所有的细定位数据都不能完成后续的检测识别过程，则针对待处理图像结束当前检测识别过程，可以输出提示信息：未有DM码。
本实施例通过依次对粗定位过程中输出的多个检测框进行细定位和解码，可以提高图中存在多码情况下的检测识别准确率。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的DM码检测识别方法的DM码检测识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个DM码检测识别装置实施例中的具体限定可以参见上文中对于DM码检测识别方法的限定，在此不再赘述。
在一个实施例中，如图13所示，提供了一种DM码检测识别装置，包括：获取模块1302、粗定位模块1304、细定位模块1306、校正模块1308和识别模块1310，其中：
获取模块1302，用于获取待处理图像。
粗定位模块1304，用于使用目标检测算法对待处理图像进行处理，得到粗定位图像；粗定位图像包括待识别DM码。
细定位模块1306，用于使用像素累计方法对粗定位图像进行处理，得到细定位数据。
校正模块1308，用于根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像。
识别模块1310，用于根据标准图像进行解码，得到识别结果。
在一个实施例中，粗定位模块1304使用目标检测算法对待处理图像进行处理，得到粗定位图像，包括：将待处理图像进行缩放和归一化处理，得到归一化图像；采用YoloV5-Nano目标检测模型对归一化图像进行处理，得到粗定位图像；YoloV5-Nano目标检测模型包括下采样倍数为8、16、32的3个检测头。
在一个实施例中，粗定位模块1304在使用目标检测算法对待处理图像进行处理的执行过程中，得到工艺类别数据；工艺类别数据用于指示制作待识别DM码的工艺类别。
细定位模块1306使用像素累计方法对粗定位图像进行处理，得到细定位数据，包括：在工艺类别为印刷式的情况下，对粗定位图像进行高斯滤波处理，得到滤波后图像；对滤波后图像进行局部阈值二值化处理，得到粗二值化图像；在工艺类别为打点成型式的情况下，对粗定位图像进行灰度拉伸，得到拉伸后图像；对拉伸后图像进行高斯滤波处理，得到滤波后图像；对滤波后图像进行局部阈值二值化处理，得到粗二值化图像；基于像素累计器对粗二值化图像进行处理，得到细定位数据；像素累计器用于统计相应方向上像素分布，以得到该方向上像素块分布规律和边缘跳变位置。
在一个实施例中，细定位数据包括待识别DM码的四个角坐标；四个角坐标包括定位边对应的三个角坐标和时钟边的交点坐标。
细定位模块1306基于像素累计器对粗二值化图像进行处理，得到细定位数据，包括：使用像素累计器统计粗二值化图像的纹理特征；根据纹理特征，通过边缘跟踪和约束条件，确定定位边以及对应的三个角坐标；根据定位边上像素累计器计算得到的统计特征，确定模块宽度；根据定位边对应的三个角坐标和模块宽度，得到时钟边以及对应的交点坐标。
在一个实施例中，校正模块1308根据细定位数据对粗定位图像进行仿射变换和网格划分处理，得到标准图像，包括：根据待识别DM码的四个角坐标，对粗定位图像进行仿射变换，得到校正后图像；对校正后图像进行预处理，得到细二值化图像；将细二值化图像进行网格划分处理，得到标准图像。
在一个实施例中，校正模块1308将细二值化图像进行网格划分处理，得到标准图像，包括：使用像素累计器统计细二值化图像的纹理特征；根据细二值化图像的纹理特征，重新确定定位边；根据时钟边上像素累计器的统计结果，重新确定时钟边以及确定模块分界点；从模块分界点出发跟踪梯度边缘形成网格；根据网格划分细二值化图像，得到标准图像。
在一个实施例中，细定位数据包括待识别DM码的维数；待识别DM码的维数根据时钟边上像素累计器得到的统计特征和模块宽度确定。识别模块1310根据标准图像进行解码，得到识别结果，包括：根据待识别DM码的维数，确定解码参数；根据解码参数，对标准图像进行解码，得到识别结果。
上述DM码检测识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图14所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种DM码检测识别方法。该计算机设备可以包括显示单元。显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏。该计算机设备可以包括输入装置。输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种DM码检测识别方法，其特征在于，所述方法包括：
获取待处理图像；
使用目标检测算法对所述待处理图像进行处理，得到粗定位图像；所述粗定位图像包括待识别DM码；
使用像素累计方法对所述粗定位图像进行处理，得到细定位数据；
根据所述细定位数据对所述粗定位图像进行仿射变换和网格划分处理，得到标准图像；
根据所述标准图像进行解码，得到识别结果。
2.根据权利要求1所述的方法，其特征在于，所述使用目标检测算法对所述待处理图像进行处理，得到粗定位图像，包括：
将所述待处理图像进行缩放和归一化处理，得到归一化图像；
采用YoloV5-Nano目标检测模型对所述归一化图像进行处理，得到所述粗定位图像；所述YoloV5-Nano目标检测模型包括下采样倍数为8、16、32的3个检测头。
3.根据权利要求1所述的方法，其特征在于，在所述使用目标检测算法对所述待处理图像进行处理的步骤中，得到工艺类别数据；所述工艺类别数据用于指示制作所述待识别DM码的工艺类别；
所述使用像素累计方法对所述粗定位图像进行处理，得到细定位数据，包括：
在所述工艺类别为印刷式的情况下，对所述粗定位图像进行高斯滤波处理，得到滤波后图像；对所述滤波后图像进行局部阈值二值化处理，得到粗二值化图像；
在所述工艺类别为打点成型式的情况下，对所述粗定位图像进行灰度拉伸，得到拉伸后图像；对所述拉伸后图像进行高斯滤波处理，得到滤波后图像；对所述滤波后图像进行局部阈值二值化处理，得到粗二值化图像；
基于像素累计器对所述粗二值化图像进行处理，得到细定位数据；所述像素累计器用于统计相应方向上像素分布，以得到该方向上像素块分布规律和边缘跳变位置。
4.根据权利要求3所述的方法，其特征在于，所述细定位数据包括所述待识别DM码的四个角坐标；所述四个角坐标包括定位边对应的三个角坐标和时钟边的交点坐标；
所述基于像素累加器对所述粗二值化图像进行处理，得到细定位数据，包括：
使用像素累计器统计所述粗二值化图像的纹理特征；
根据所述纹理特征，通过边缘跟踪和约束条件，确定定位边以及对应的三个角坐标；
根据所述定位边上像素累计器计算得到的统计特征，确定模块宽度；
根据所述定位边对应的三个角坐标和所述模块宽度，得到时钟边以及对应的交点坐标。
5.根据权利要求4所述的方法，其特征在于，所述根据所述细定位数据对所述粗定位图像进行仿射变换和网格划分处理，得到标准图像，包括：
根据所述待识别DM码的四个角坐标，对所述粗定位图像进行仿射变换，得到校正后图像；
对所述校正后图像进行预处理，得到细二值化图像；
将所述细二值化图像进行网格划分处理，得到标准图像。
6.根据权利要求5所述的方法，其特征在于，所述将所述细二值化图像进行网格划分处理，得到标准图像，包括：
使用所述像素累计器统计所述细二值化图像的纹理特征；
根据所述细二值化图像的纹理特征，重新确定定位边；
根据所述时钟边上像素累计器的统计结果，重新确定时钟边以及确定模块分界点；
从所述模块分界点出发跟踪梯度边缘形成网格线；
根据所述网格线划分所述细二值化图像，得到所述标准图像。
7.根据权利要求4所述的方法，其特征在于，所述细定位数据包括所述待识别DM码的维数；所述待识别DM码的维数根据所述时钟边上像素累计器得到的统计特征和所述模块宽度确定；
所述根据所述标准图像进行解码，得到识别结果，包括：
根据所述待识别DM码的维数，确定解码参数；
根据所述解码参数，对所述标准图像进行解码，得到识别结果。
8.一种DM码检测识别装置，其特征在于，所述装置包括：
获取模块，用于获取待处理图像；
粗定位模块，用于使用目标检测算法对所述待处理图像进行处理，得到粗定位图像；所述粗定位图像包括待识别DM码；
细定位模块，用于使用像素累计方法对所述粗定位图像进行处理，得到细定位数据；
校正模块，用于根据所述细定位数据对所述粗定位图像进行仿射变换和网格划分处理，得到标准图像；
识别模块，用于根据所述标准图像进行解码，得到识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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至7中任一项所述的方法的步骤。
CN202211708872.4A 2022-12-29 2022-12-29 Dm码检测识别方法、装置、计算机设备、存储介质 Pending CN116258155A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211708872.4A CN116258155A (zh) 2022-12-29 2022-12-29 Dm码检测识别方法、装置、计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211708872.4A CN116258155A (zh) 2022-12-29 2022-12-29 Dm码检测识别方法、装置、计算机设备、存储介质

Publications (1)

Publication Number Publication Date
CN116258155A true CN116258155A (zh) 2023-06-13

Family

ID=86687096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211708872.4A Pending CN116258155A (zh) 2022-12-29 2022-12-29 Dm码检测识别方法、装置、计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN116258155A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133858A (zh) * 2024-03-19 2024-06-04 中科微至科技股份有限公司 一种深度学习结合像素级检测的dm码定位识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133858A (zh) * 2024-03-19 2024-06-04 中科微至科技股份有限公司 一种深度学习结合像素级检测的dm码定位识别方法
CN118133858B (zh) * 2024-03-19 2024-10-18 中科微至科技股份有限公司 一种深度学习结合像素级检测的dm码定位识别方法

Similar Documents

Publication Publication Date Title
Chiu et al. An effective voting method for circle detection
Kaneko et al. Using selective correlation coefficient for robust image registration
EP1678659B1 (en) Method and image processing device for analyzing an object contour image, method and image processing device for detecting an object, industrial vision apparatus, smart camera, image display, security system, and computer program product
CN103714327B (zh) 一种图像方向校正方法及系统
CN115759148B (zh) 图像处理方法、装置、计算机设备及计算机可读存储介质
CN110751024A (zh) 基于手写签名的用户身份识别方法、装置及终端设备
CN108960280B (zh) 一种图片相似度检测方法及系统
Huang et al. Data matrix code location based on finder pattern detection and bar code border fitting
CN107578011A (zh) 视频关键帧的判定方法及装置
CN112163443A (zh) 一种扫码方法、扫码装置及移动终端
CN109508571B (zh) 一种条空定位方法、装置、电子设备及存储介质
CN111539238B (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN112036232A (zh) 一种图像表格结构识别方法、系统、终端以及存储介质
CN116258155A (zh) Dm码检测识别方法、装置、计算机设备、存储介质
CN109784328B (zh) 定位条码的方法、终端及计算机可读存储介质
CN116091998A (zh) 图像处理方法、装置、计算机设备和存储介质
CN115063473A (zh) 物体高度的检测方法、装置、计算机设备、存储介质
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
Bodnár et al. A novel method for barcode localization in image domain
CN115880362B (zh) 码区定位方法、装置、计算机设备及计算机可读存储介质
CN110969612B (zh) 二维码印刷缺陷检测方法
CN117372487A (zh) 图像配准方法、装置、计算机设备和存储介质
CN117408278A (zh) 图像处理方法和装置
Wang et al. An Improved Canny‐Zernike Subpixel Detection Algorithm
Chen et al. A low complexity interest point detector

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