CN117195928B - 一种基于深度学习的条码定位检测方法 - Google Patents
一种基于深度学习的条码定位检测方法 Download PDFInfo
- Publication number
- CN117195928B CN117195928B CN202311219241.0A CN202311219241A CN117195928B CN 117195928 B CN117195928 B CN 117195928B CN 202311219241 A CN202311219241 A CN 202311219241A CN 117195928 B CN117195928 B CN 117195928B
- Authority
- CN
- China
- Prior art keywords
- image
- bar code
- detection frame
- area
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 295
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003707 image sharpening Methods 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 230000001629 suppression Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度学习的条码定位检测方法,涉及工业物流技术领域,该方法使用yolo‑fastest模型对降低图像分辨率后的待检测图中的条码面单区域图像进行粗定位提取,然后使用yolo‑fastest模型对条码面单区域图像中的勾选框、条码和关联对象分别进行目标检测,然后综合各个类型的目标检测及之间的关系得到最终的目标条码区域,即可实现对目标条码的定位提取以及后续的读码,该方法降低原始图像分辨率,使用深度学习模型进行条码检测,然后从高分辨率的原始图像中进行全幅读码,保证实时性的同时提高了条码检测与读码的准确率。
Description
技术领域
本申请涉及工业物流技术领域,尤其是一种基于深度学习的条码定位检测方法。
背景技术
条码是将多个宽度不等的黑条和白条按照一定的编码规则排列,用以表达信息的图形识别单元。条码可以标出物品的名称、生产日期、保质期、生产厂商、邮件发送的起止地点、日期、图书分类号等信息,因此条码在多种领域有着广泛的应用,比如零售业、金融业、出版社、物流业。
条码技术飞速发展的同时,对条码检测提出了更高的要求。在工业物流领域,拍摄的图像往往具有很高的分辨率,条码面单贴于包裹表面,面单在图像中的占比很小,并且不同图像中的条码面单位置随机,背景区域复杂多变,通过整图搜索定位条码耗时较长,且容易遗漏或误判。且工业物流领域拍摄到的图像光源变化、背景复杂,传统的诸如形态学方法、霍夫直线检测、边缘检测之类的条码检测定位的提取效果不佳。
发明内容
本申请针对上述问题及技术需求,提出了一种基于深度学习的条码定位检测方法,本申请的技术方案如下:
一种基于深度学习的条码定位检测方法,该条码定位检测方法包括:
对获取到的原始图像进行图像缩放得到待检测图像,待检测图像的图像分辨率小于原始图像;
利用粗定位模型从待检测图像中提取条码面单区域图像,条码面单区域图像是条码面单所在区域的图像,条码面单上印刷有条码及其对应的勾选框,条码的边缘与条码面单的边缘平行,每个条码对应的勾选框位于条码的预定相对位置处;粗定位模型基于yolo-fastest模型训练得到;
利用目标检测模型对条码面单区域图像进行目标检测,提取得到条码面单区域图像中各个条码的条码检测框、各个关联对象组的关联检测框、各个勾选框的勾选框检测框,一个关联对象组包括一个条码及其对应的勾选框;目标检测模型基于yolo-fastest模型训练得到;
根据各个条码检测框、关联检测框和勾选框检测框确定条码面单区域图像中的目标条码区域;
根据条码面单区域图像中的目标条码区域从原始图像中提取目标条码。
其进一步的技术方案为,根据各个条码检测框、关联检测框和勾选框检测框确定条码面单区域图像中的目标条码区域包括:
当从条码面单区域图像中检测到至少一个关联检测框以及多个条码检测框时,根据各个条码检测框、关联检测框和勾选框检测框确定与每个关联检测框匹配的条码检测框,并将各个关联检测框匹配的条码检测框所在区域作为目标条码区域。
其进一步的技术方案为,根据各个条码检测框、关联检测框和勾选框检测框确定与每个关联检测框匹配的条码检测框包括对于每个关联检测框:
分别计算每个条码检测框与关联检测框的距离,并确定其中与关联检测框的距离最小的条码检测框作为第一候选检测框、与关联检测框的距离次小的条码检测框作为第二候选检测框;
当两个候选检测框与关联检测框的距离的差值达到距离差阈值时,直接将第一候选检测框所在区域作为目标条码区域;
当两个候选检测框与关联检测框的距离的差值未达到距离差阈值时,根据两个候选检测框与关联检测框以及各个勾选框检测框的相对位置确定将其中一个候选检测框所在区域作为目标条码区域。
其进一步的技术方案为,根据两个候选检测框与关联检测框以及各个勾选框检测框的相对位置确定将其中一个候选检测框所在区域作为目标条码区域包括:
一个条码对应的勾选框位于条码沿着平面上水平方向的一侧,第一候选检测框位于关联检测框的沿着平面上水平方向的第一侧,第二候选检测框位于关联检测框的沿着平面上水平方向的第二侧;当第一候选检测框的沿着平面上水平方向的第一侧存在勾选框检测框时,将第二候选检测框所在区域作为目标条码区域,否则将第一候选检测框所在区域作为目标条码区域;
或者,一个条码对应的勾选框位于条码沿着平面上竖直方向的第一侧,第一候选检测框位于关联检测框的沿着平面上竖直方向的第一侧,第二候选检测框位于关联检测框的沿着平面上竖直方向的第二侧;当第一候选检测框的沿着平面上竖直方向的第一侧存在勾选框检测框时,将第二候选检测框所在区域作为目标条码区域,否则将第一候选检测框所在区域作为目标条码区域。
其进一步的技术方案为,根据各个条码检测框、关联检测框和勾选框检测框确定目标条码区域还包括:
当从条码面单区域图像中检测到唯一的关联检测框和唯一的条码检测框时,直接将检测到的条码检测框所在区域作为目标条码区域;
当未从条码面单区域图像中检测到关联检测框时,确定原始图像中不存在目标条码。
其进一步的技术方案为,根据条码面单区域图像中的目标条码区域从原始图像中提取目标条码,包括:
根据图像映射关系对条码面单区域图像中的目标条码区域进行坐标转换,确定原始图像中的目标条码区域,并读取原始图像中的目标条码区域内的图像得到目标条码。
其进一步的技术方案为,利用粗定位模型从采集到的原始图像中提取条码面单区域图像包括:
利用粗定位模型从采集到的原始图像中提取初始面单图像;
当初始面单图像的边缘相对于待检测图像的边缘之间的倾斜角度未达到倾斜角阈值时,将初始面单图像作为提取得到的条码面单区域图像;
当初始面单图像的边缘相对于待检测图像的边缘之间的倾斜角度达到倾斜角阈值时,将初始面单图像旋转至边缘与待检测图像的边缘在倾斜角阈值内,将旋转后的初始面单图像作为提取得到的条码面单区域图像。
其进一步的技术方案为,利用粗定位模型从待检测图像中提取初始面单图像包括:
将待检测图像输入粗定位模型,得到待检测图像中置信度分数达到分数阈值的若干个面单检测框;
利用非极大值抑制进一步对保留的若干个面单检测框进行筛选,提取筛选后保留的每个面单检测框内的图像作为一个初始面单图像。
其进一步的技术方案为,利用非极大值抑制进一步对保留的若干个面单检测框进行筛选包括:
确定置信度分数最高的面单检测框;
依次遍历其他各个面单检测框,并计算遍历到的面单检测框与置信度分数最高的面单检测框之间的重叠面积,当重叠面积达到重叠面积阈值时,将遍历到的面单检测框删除。
其进一步的技术方案为,利用粗定位模型从采集到的原始图像中提取条码面单区域图像还包括:
对初始面单图像进行图像锐化处理;
对完成图像锐化处理的初始面单图像进行二值化处理,得到二值化面单图像;
对二值化面单图像进行膨胀运算和形态学开运算后,确定最大面积轮廓;
构建最大面积轮廓的最小外接矩形,以最小外接矩形与待检测图像的边缘之间的夹角作为初始面单图像的边缘相对于待检测图像的边缘之间的倾斜角度。
本申请的有益技术效果是:
本申请公开了一种基于深度学习的条码定位检测方法,该方法首先使用yolo-fastest模型对降低图像分辨率后的待检测图中的条码面单区域图像进行粗定位提取,然后使用yolo-fastest模型对条码面单区域图像中的勾选框、条码和关联对象分别进行目标检测,然后综合各个类型的目标检测及之间的关系得到最终的目标条码区域,即可实现对目标条码的定位提取以及后续的读码,该方法降低原始图像分辨率,使用深度学习模型进行条码检测,然后从高分辨率的原始图像中进行全幅读码,保证实时性的同时提高了条码检测与读码的准确率。
该方法在提取条码面单区域图像时,根据条码面单区域图像相对于待检测图像的倾斜角度来判断是否需要旋转,并在需要旋转的情况下旋转至与边缘平行,使得后续目标检测的准确度更高,提高条码检测准确性。
附图说明
图1是本申请一个实施例的条码定位检测方法的方法流程图。
图2是本申请一个实例中的图像处理示意图。
图3是本申请一个实施例提取得到条码面单区域图像的方法流程图。
图4是本申请一个实施例中确定目标条码区域的方法流程图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于深度学习的条码定位检测方法,请参考图1所示的流程图,该条码定位检测方法包括:
步骤1,对获取到的原始图像进行图像缩放得到待检测图像,所述待检测图像的图像分辨率小于所述原始图像。
本申请针对的场景主要是工业物流领域,则采集到的原始图像是包裹的图像,包裹上贴附有条码面单,因此采集到的原始图像中包含条码面单,但是条码面单在原始图像中的图像占比往往较小,如图2中(a)所示。条码面单上印刷有条码及其对应的勾选框,条码的边缘与条码面单的边缘平行,且每个条码对应的勾选框位于条码的预定相对位置处,该预定相对位置是预先设定好的,目前业内通用的做法是,每个条码对应的勾选框印刷于该条码的短边的一侧,如图2的(b)、(c)、(d)的放大图所示,图2以条码面单上印刷有8个条码及每个勾选框为例进行说明。
考虑到在工业物流领域,相机采集到的原始图像的分辨率一般较高,比如常见的可以达到5440*3648,直接对原始图像进行处理耗时较长,实时性较差。因此为了提高定位检测效率,请参考图1所示的提取条码面单区域图像的流程图,该步骤首先对获取到的原始图像进行图像缩放得到待检测图像,得到的待检测图像的图像分辨率小于原始图像,比如可以对原始图像缩放若干倍,比如在一个实例中,可以对原始图像缩放4倍,将5440*3648的原始图像处理为1360*912的待检测图像。
步骤2,利用粗定位模型从待检测图像中提取条码面单区域图像,粗定位模型基于yolo-fastest模型训练得到。
该方法首先利用预先训练的粗定位模型定位条码面单所在区域的图像,也即提取得到条码面单区域图像。在提取时,将待检测图像输入粗定位模型并不一定能直接得到满足姿态要求的条码面单区域图像,而是首先提取得到原始图像中的初始面单图像,包括:
(1)将待检测图像输入粗定位模型,得到待检测图像中置信度分数达到分数阈值的若干个面单检测框。
(2)利用非极大值抑制进一步对保留的若干个面单检测框进行筛选,提取筛选后保留的每个面单检测框内的图像作为一个初始面单图像。在利用非极大值抑制进一步对面单检测框进行筛选时,确定置信度分数最高的面单检测框,然后依次遍历其他各个面单检测框,并计算遍历到的面单检测框与所述置信度分数最高的面单检测框之间的重叠面积,当重叠面积达到重叠面积阈值时,将遍历到的面单检测框删除,遍历完成后即完成筛选。
该方法在应用之前,还包括首先训练粗定位模型的步骤,包括采集原始样本图像后进行缩放处理得到样本图像,然后对样本图像中的面单区域进行标注,构建得到训练数据集,然后基于yolo-fastest模型进行模型训练。训练批次batch设为64,subdivisions设为16,即一次性加载64张图像进入内存,分16次完成前向传播,每完成64张前向传播后进行一次反向传播。采用带有动量的随机梯度下降算法,动量设为0.949,权重衰减正则项设为0.0005,初始学习率设为0.001,总迭代批次为11200,在训练批次达到8960和10080的时候调整学习率为初始学习率乘0.1。
将待检测图像输入粗定位模型提取到的初始面单图像位于原始图像中条码面单实际所在的位置处,而条码面单在原始图像中的位置和姿态都是随机的,当条码面单倾斜旋转角度过大时,条码面单上印刷的条码也会有较大的倾斜旋转角度,会导致后续检测出的条码检测框会覆盖其他条码的区域,影响检测准确度,请参考图2所示。将如图2中的(a)的原始图像进行缩放处理后经过粗定位模型提取到的初始面单图像如图2中的(b)所示,虚线表示对其中一个条码的检测框,可以看出会覆盖到其他条码,影响检测准确性。
因此在提取得到初始面单图像后,还会检测初始面单图像的边缘相对于待检测图像的边缘之间的倾斜角度。包括:对初始面单图像进行图像锐化处理以强化边缘,对完成图像锐化处理的初始面单图像进行二值化处理,得到二值化面单图像,对二值化面单图像进行膨胀运算和形态学开运算后,确定最大面积轮廓,构建最大面积轮廓的最小外接矩形,以最小外接矩形与待检测图像的边缘之间的夹角作为初始面单图像的边缘相对于待检测图像边缘之间的倾斜角度。
当初始面单图像的边缘相对于待检测图像的边缘之间的倾斜角度未达到倾斜角阈值时,将初始面单图像作为提取得到的条码面单区域图像。当初始面单图像的边缘相对于待检测图像的边缘之间的倾斜角度达到倾斜角阈值时,将初始面单图像旋转至边缘与待检测图像的边缘在倾斜角阈值内,将旋转后的初始面单图像作为提取得到的条码面单区域图像。旋转的方向不限定,比如在图2的实例中,对提取得到的初始面单图像(b)旋转后得到条码面单区域图像(c)或者得到条码面单区域图像(d)。
因此在该步骤中,提取得到的条码面单区域图像的边缘与待检测图像的边缘在倾斜角阈值,已经完成姿态校准。
步骤2,利用目标检测模型对条码面单区域图像进行目标检测,目标检测模型基于yolo-fastest模型训练得到。
目标检测的对象是条码、勾选框以及关联对象组,一个关联对象组包括一个条码及其对应的勾选框。则提取得到条码面单区域图像中各个条码的条码检测框、各个关联对象组的关联检测框、各个勾选框的勾选框检测框。与步骤1类似,该步骤在使用目标检测模型之前,也包括预先对目标检测模型的训练过程,该实施例不再赘述。
步骤3,根据各个条码检测框、关联检测框和勾选框检测框确定条码面单区域图像中的目标条码区域。包括如下几种情况,请参考图4所示的流程图:
情况一、从条码面单区域图像中检测到至少一个关联检测框以及多个条码检测框。
在这种情况中,根据各个条码检测框、关联检测框和勾选框检测框确定与每个关联检测框匹配的条码检测框,并将各个关联检测框匹配的条码检测框所在区域作为目标条码区域。
确定每个关联检测框匹配的条码检测框的方法包括:
1、分别计算每个条码检测框与关联检测框的距离,并确定其中与关联检测框的距离最小的条码检测框作为第一候选检测框、与关联检测框的距离次小的条码检测框作为第二候选检测框。在计算条码检测框与关联检测框的距离时,计算条码检测框的中心点与关联检测框的中心点之间的欧式距离。
2、当两个候选检测框与关联检测框的距离的差值达到距离差阈值时,直接将第一候选检测框所在区域作为目标条码区域。该距离差阈值为自定义预设值,且一般基于关联检测框的尺寸来设定,比如距离差阈值是关联检测框的高度的1/4。
3、当两个候选检测框与关联检测框的距离的差值未达到距离差阈值时,根据两个候选检测框与关联检测框以及各个勾选框检测框的相对位置确定将其中一个候选检测框所在区域作为目标条码区域。
基于每个条码及其对应的勾选框之间的预定相对位置关系,根据条码面单区域图像的朝向不同,条码面单区域图像中的图像和勾选框会呈现两种相对位置关系:
(1)一个条码对应的勾选框位于条码沿着平面上水平方向的一侧,如图2中的(c)所示。在这种情况下,第一候选检测框位于关联检测框的沿着平面上水平方向的第一侧,第二候选检测框位于关联检测框的沿着平面上水平方向的第二侧,第一侧和第二侧是关联检测框的沿着平面上水平方向的两侧。
则当第一候选检测框的沿着平面上水平方向的第一侧存在勾选框检测框时,将第二候选检测框所在区域作为目标条码区域,否则将第一候选检测框所在区域作为目标条码区域。
比如第一候选检测框位于勾选框检测框的左侧,第二候选检测框位于勾选框检测框的右侧。当第一候选检测框左侧有勾选框检测框时,将第二候选检测框所在区域作为目标条码区域。当第一候选检测框左侧没有勾选框检测框时,将第一候选检测框所在区域作为目标条码区域。
再比如同理,第一候选检测框位于勾选框检测框的右侧,第二候选检测框位于勾选框检测框的左侧。当第一候选检测框右侧有勾选框检测框时,将第二候选检测框所在区域作为目标条码区域。当第一候选检测框右侧没有勾选框检测框时,将第一候选检测框所在区域作为目标条码区域。
(2)一个条码对应的勾选框位于条码沿着平面上竖直方向的第一侧,如图2中的(d)所示。第一候选检测框位于关联检测框的沿着平面上竖直方向的第一侧,第二候选检测框位于关联检测框的沿着平面上竖直方向的第二侧。第一侧和第二侧是关联检测框的沿着竖直上水平方向的两侧。
当第一候选检测框的沿着平面上竖直方向的第一侧存在勾选框检测框时,将第二候选检测框所在区域作为目标条码区域,否则将第一候选检测框所在区域作为目标条码区域。与上述情况(1)是类似的,该实施例不再赘述。
情况二、当从条码面单区域图像中检测到唯一的关联检测框和唯一的条码检测框时,直接将检测到的条码检测框所在区域作为目标条码区域。
情况三、当未从条码面单区域图像中检测到关联检测框时,确定原始图像中不存在目标条码。
步骤4,根据条码面单区域图像中的目标条码区域从原始图像中提取目标条码。首先根据图像映射关系对条码面单区域图像中的目标条码区域进行坐标转换,确定原始图像中的目标条码区域,这里的图像映射关系与步骤1执行的操作匹配,当条码面单区域图像由初始面单图像旋转得到时,先确定条码面单区域图像中的目标条码区域在初始面单图像中的目标条码区域的映射,再根据初始面单图像在原始图像中的位置得到原始图像中的目标条码区域的映射。当条码面单区域图像直接是初始面单图像时,直接根据初始面单图像在原始图像中的位置得到原始图像中的目标条码区域的映射。
然后读取原始图像中的目标条码区域内的图像得到目标条码,由于待检测图像是对原始图像进行图像缩放处理后的结果,条码放大细节丢失严重,因此该步骤采用全幅读码,直接从原始图像中定位提取目标条码。包括:新建与原始图像的尺寸一致的全零图像,全零图像的每个像素点的灰度值均为0,然后将原始图像中的目标条码区域内的图像复制到全零图像中,利用该全零图像进行读码。
以上所述的仅是本申请的优选实施方式,本申请不限于以上实施例。可以理解,本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习的条码定位检测方法,其特征在于,所述条码定位检测方法包括:
对获取到的原始图像进行图像缩放得到待检测图像,所述待检测图像的图像分辨率小于所述原始图像;
利用粗定位模型从所述待检测图像中提取条码面单区域图像,所述条码面单区域图像是条码面单所在区域的图像,条码面单上印刷有条码及其对应的勾选框,条码的边缘与条码面单的边缘平行,每个条码对应的勾选框印刷于所述条码的短边的一侧;所述粗定位模型基于yolo-fastest模型训练得到;
利用目标检测模型对所述条码面单区域图像进行目标检测,提取得到所述条码面单区域图像中各个条码的条码检测框、各个关联对象组的关联检测框、各个勾选框的勾选框检测框,一个关联对象组包括一个条码及其对应的勾选框;所述目标检测模型基于yolo-fastest模型训练得到;
根据各个条码检测框、关联检测框和勾选框检测框确定所述条码面单区域图像中的目标条码区域;
根据所述条码面单区域图像中的目标条码区域从所述原始图像中提取目标条码。
2.根据权利要求1所述的条码定位检测方法,其特征在于,所述根据各个条码检测框、关联检测框和勾选框检测框确定所述条码面单区域图像中的目标条码区域包括:
当从所述条码面单区域图像中检测到至少一个关联检测框以及多个条码检测框时,根据各个条码检测框、关联检测框和勾选框检测框确定与每个关联检测框匹配的条码检测框,并将各个关联检测框匹配的条码检测框所在区域作为所述目标条码区域。
3.根据权利要求2所述的条码定位检测方法,其特征在于,所述根据各个条码检测框、关联检测框和勾选框检测框确定与每个关联检测框匹配的条码检测框包括对于每个关联检测框:
分别计算每个条码检测框与所述关联检测框的距离,并确定其中与所述关联检测框的距离最小的条码检测框作为第一候选检测框、与所述关联检测框的距离次小的条码检测框作为第二候选检测框;
当两个候选检测框与所述关联检测框的距离的差值达到距离差阈值时,直接将所述第一候选检测框所在区域作为目标条码区域;
当两个候选检测框与所述关联检测框的距离的差值未达到所述距离差阈值时,根据两个候选检测框与所述关联检测框以及各个勾选框检测框的相对位置确定将其中一个候选检测框所在区域作为目标条码区域。
4.根据权利要求3所述的条码定位检测方法,其特征在于,所述根据两个候选检测框与所述关联检测框以及各个勾选框检测框的相对位置确定将其中一个候选检测框所在区域作为目标条码区域包括:
一个条码对应的勾选框位于所述条码沿着平面上水平方向的一侧,所述第一候选检测框位于所述关联检测框的沿着平面上水平方向的第一侧,所述第二候选检测框位于所述关联检测框的沿着平面上水平方向的第二侧;当所述第一候选检测框的沿着平面上水平方向的第一侧存在勾选框检测框时,将所述第二候选检测框所在区域作为目标条码区域,否则将所述第一候选检测框所在区域作为目标条码区域;
或者,一个条码对应的勾选框位于所述条码沿着平面上竖直方向的第一侧,所述第一候选检测框位于所述关联检测框的沿着平面上竖直方向的第一侧,所述第二候选检测框位于所述关联检测框的沿着平面上竖直方向的第二侧;当所述第一候选检测框的沿着平面上竖直方向的第一侧存在勾选框检测框时,将所述第二候选检测框所在区域作为目标条码区域,否则将所述第一候选检测框所在区域作为目标条码区域。
5.根据权利要求2所述的条码定位检测方法,其特征在于,所述根据各个条码检测框、关联检测框和勾选框检测框确定目标条码区域还包括:
当从所述条码面单区域图像中检测到唯一的关联检测框和唯一的条码检测框时,直接将检测到的所述条码检测框所在区域作为所述目标条码区域;
当未从所述条码面单区域图像中检测到关联检测框时,确定所述原始图像中不存在目标条码。
6.根据权利要求1所述的条码定位检测方法,其特征在于,所述根据所述条码面单区域图像中的目标条码区域从所述原始图像中提取目标条码,包括:
根据图像映射关系对所述条码面单区域图像中的目标条码区域进行坐标转换,确定所述原始图像中的目标条码区域,并读取所述原始图像中的目标条码区域内的图像得到所述目标条码。
7.根据权利要求1所述的条码定位检测方法,其特征在于,所述利用粗定位模型从所述待检测图像中提取条码面单区域图像包括:
利用所述粗定位模型从所述待检测图像中提取初始面单图像;
当所述初始面单图像的边缘相对于所述待检测图像的边缘之间的倾斜角度未达到倾斜角阈值时,将所述初始面单图像作为提取得到的条码面单区域图像;
当所述初始面单图像的边缘相对于所述待检测图像的边缘之间的倾斜角度达到所述倾斜角阈值时,将所述初始面单图像旋转至边缘与所述待检测图像的边缘在所述倾斜角阈值内,将旋转后的初始面单图像作为提取得到的条码面单区域图像。
8.根据权利要求7所述的条码定位检测方法,其特征在于,所述利用所述粗定位模型从所述待检测图像中提取初始面单图像包括:
将所述待检测图像输入所述粗定位模型,得到所述待检测图像中置信度分数达到分数阈值的若干个面单检测框;
利用非极大值抑制进一步对保留的若干个面单检测框进行筛选,提取筛选后保留的每个面单检测框内的图像作为一个初始面单图像。
9.根据权利要求8所述的条码定位检测方法,其特征在于,所述利用非极大值抑制进一步对保留的若干个面单检测框进行筛选包括:
确定置信度分数最高的面单检测框;
依次遍历其他各个面单检测框,并计算遍历到的面单检测框与所述置信度分数最高的面单检测框之间的重叠面积,当重叠面积达到重叠面积阈值时,将遍历到的面单检测框删除。
10.根据权利要求7所述的条码定位检测方法,其特征在于,所述利用粗定位模型从采集到的原始图像中提取条码面单区域图像还包括:
对所述初始面单图像进行图像锐化处理;
对完成图像锐化处理的所述初始面单图像进行二值化处理,得到二值化面单图像;
对所述二值化面单图像进行膨胀运算和形态学开运算后,确定最大面积轮廓;
构建所述最大面积轮廓的最小外接矩形,以所述最小外接矩形与所述待检测图像的边缘之间的夹角作为所述初始面单图像的边缘相对于所述待检测图像的边缘之间的倾斜角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219241.0A CN117195928B (zh) | 2023-09-20 | 2023-09-20 | 一种基于深度学习的条码定位检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311219241.0A CN117195928B (zh) | 2023-09-20 | 2023-09-20 | 一种基于深度学习的条码定位检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195928A CN117195928A (zh) | 2023-12-08 |
CN117195928B true CN117195928B (zh) | 2024-04-30 |
Family
ID=89001415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311219241.0A Active CN117195928B (zh) | 2023-09-20 | 2023-09-20 | 一种基于深度学习的条码定位检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195928B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117774986B (zh) * | 2024-02-27 | 2024-05-07 | 中国测绘科学研究院 | 一种智能网联汽车高精度地图厘米级定位方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281828A (zh) * | 2013-07-05 | 2015-01-14 | 百度在线网络技术(北京)有限公司 | 一种二维码的提取方法及移动终端 |
CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
KR20180017343A (ko) * | 2016-08-09 | 2018-02-21 | 주식회사 피노텍 | 식별코드를 이용한 자필서명 검증 시스템 및 방법 |
JP2018170567A (ja) * | 2017-03-29 | 2018-11-01 | ブラザー工業株式会社 | 画像処理装置 |
CN111597848A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 一种批量qr码图像提取方法及系统 |
CN113469316A (zh) * | 2020-03-31 | 2021-10-01 | 南京昱麦数码科技有限公司 | 一种采用具有选择答题功能的复合二维码的答题卡 |
CN115481647A (zh) * | 2022-09-06 | 2022-12-16 | 浙江百世技术有限公司 | 一种识别面单图像中电话号码的方法 |
CN115731554A (zh) * | 2021-08-31 | 2023-03-03 | 顺丰科技有限公司 | 快件面单识别方法、装置、计算机设备及存储介质 |
-
2023
- 2023-09-20 CN CN202311219241.0A patent/CN117195928B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281828A (zh) * | 2013-07-05 | 2015-01-14 | 百度在线网络技术(北京)有限公司 | 一种二维码的提取方法及移动终端 |
KR20180017343A (ko) * | 2016-08-09 | 2018-02-21 | 주식회사 피노텍 | 식별코드를 이용한 자필서명 검증 시스템 및 방법 |
JP2018170567A (ja) * | 2017-03-29 | 2018-11-01 | ブラザー工業株式会社 | 画像処理装置 |
CN107704857A (zh) * | 2017-09-25 | 2018-02-16 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
CN113469316A (zh) * | 2020-03-31 | 2021-10-01 | 南京昱麦数码科技有限公司 | 一种采用具有选择答题功能的复合二维码的答题卡 |
CN111597848A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 一种批量qr码图像提取方法及系统 |
CN115731554A (zh) * | 2021-08-31 | 2023-03-03 | 顺丰科技有限公司 | 快件面单识别方法、装置、计算机设备及存储介质 |
CN115481647A (zh) * | 2022-09-06 | 2022-12-16 | 浙江百世技术有限公司 | 一种识别面单图像中电话号码的方法 |
Non-Patent Citations (2)
Title |
---|
Blanger, L et al..AN EVALUATION OF DEEP LEARNING TECHNIQUES FOR QR CODE DETECTION.IEEE.2020,全文. * |
童剑军,邹明福.基于哈夫变换的集装箱号码识别检测方法.中国科学院研究生院学报.2005,(01),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117195928A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591967B (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
LeBourgeois | Robust multifont OCR system from gray level images | |
EP3462372B1 (en) | System and method for detecting optical codes with damaged or incomplete finder patterns | |
CN117195928B (zh) | 一种基于深度学习的条码定位检测方法 | |
WO2014092979A1 (en) | Method of perspective correction for devanagari text | |
CN111783757A (zh) | 一种基于ocr技术的复杂场景下身份证识别方法 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
CN115457565A (zh) | 一种ocr文字识别方法、电子设备及存储介质 | |
CN112949338A (zh) | 深度学习与Hough变换结合的二维条码精确定位方法 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN111340023A (zh) | 文本识别方法及装置、电子设备、存储介质 | |
CN113903024A (zh) | 一种手写票据数值信息识别方法、系统、介质及装置 | |
CN114333338A (zh) | 一种车牌辨识系统与方法 | |
CN110991201B (zh) | 条码检测方法及相关装置 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
Bodnár et al. | A novel method for barcode localization in image domain | |
CN113076768A (zh) | 一种模糊可识别二维码的定位、畸变校正方法 | |
CN110766001B (zh) | 基于cnn和rnn的银行卡卡号定位与端到端识别方法 | |
CN112818983A (zh) | 一种利用图片相识度判断字符倒置的方法 | |
Viet et al. | A robust end-to-end information extraction system for vietnamese identity cards | |
CN116363655A (zh) | 一种财务票据识别方法及系统 | |
Yun et al. | Vision-based 1D barcode localization method for scale and rotation invariant | |
Lin et al. | Multi-symbology and multiple 1d/2d barcodes extraction framework | |
CN111428530B (zh) | 一种二维码图像检测识别设备、装置及方法 | |
CN111626982A (zh) | 识别待检测货箱批次码的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |