CN117541767A - 一种数据处理方法、电子设备及存储介质 - Google Patents
一种数据处理方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117541767A CN117541767A CN202311813418.XA CN202311813418A CN117541767A CN 117541767 A CN117541767 A CN 117541767A CN 202311813418 A CN202311813418 A CN 202311813418A CN 117541767 A CN117541767 A CN 117541767A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional code
- processed
- code
- sample
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 120
- 238000002372 labelling Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000005286 illumination Methods 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 238000005299 abrasion Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
- G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
- G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
- G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
-
- 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
- G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
- G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供一种数据处理方法、电子设备及存储介质。方法包括：获取待处理图像，待处理图像包含待处理二维码；将待处理图像输入至经训练的二维码定位模型中，以获得定位结果，定位结果为包含待处理二维码的待处理二维码图像或待处理二维码在待处理图像中的位置信息；将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像，码点位置图像用于指示待处理二维码图像上的码点的位置；其中，在定位结果为待处理二维码在待处理图像中的位置信息时，方法还包括：基于待处理二维码在待处理图像中的位置信息和待处理图像生成待处理二维码图像。该方案有助于提高数据处理的鲁棒性。
Description
技术领域
本申请涉及数据处理技术领域，更具体地涉及一种数据处理方法、一种电子设备及一种存储介质。
背景技术
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）分布的黑白相间的图形记录数据符号信息的方式。二维码具有数据容量大、数据密度高、纠错恢复功能强等优点，广泛应用于电商、支付、社交、医疗、物流等领域。
相关技术中，二维码所在区域可能存在磨损严重、对比度差、光照不均等情况，这些情况可能导致二维码无法被准确识别，影响了用户的使用。
发明内容
考虑到上述问题而提出了本申请。本申请提供了一种数据处理方法、一种电子设备及一种存储介质。
根据本申请一方面，提供了一种数据处理方法，包括：获取待处理图像，待处理图像包含待处理二维码；将待处理图像输入至经训练的二维码定位模型中，以确定待处理图像中的获得定位结果，定位结果为包含待处理二维码的待处理二维码图像或待处理二维码在待处理图像中的位置信息；将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像，码点位置图像用于指示待处理二维码图像上的码点的位置；其中，在定位结果为待处理二维码在待处理图像中的位置信息时，方法还包括：基于待处理二维码在待处理图像中的位置信息和待处理图像生成待处理二维码图像。待处理二维码的位置；将基于待处理图像获取的包含待处理二维码的待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像，码点位置图像用于指示待处理二维码图像上的码点的位置。
上述技术方案通过利用经训练的二维码定位模型获得待处理二维码图像，并利用经训练的二维码识别模型获得与待处理二维码图像对应的码点位置图像，从而可以较为准确地估计待处理二维码图像的码点位置。该方案有助于在二维码所在区域存在磨损严重、对比度差、光照不均等情况时，仍能保证对二维码的码点位置识别的准确性和鲁棒性，有助于提高用户的使用体验。
示例性地，二维码识别模型通过以下方式训练获得：获取样本二维码图像和对应的第一标注信息，第一标注信息用于指示对应样本二维码图像中的码点的位置和/或码点的数量；将样本二维码图像输入二维码识别模型，以获得样本二维码图像对应的预测码点位置图像，预测码点位置图像用于指示样本二维码图像上的码点的预测位置和码点的预测数量；基于第一标注信息与预测码点位置图像，计算训练损失值；基于训练损失值，更新二维码识别模型的权重，以获得经训练的二维码识别模型。
上述技术方案通过利用样本二维码图像对二维码识别模型进行训练，并利用基于第一标注信息和预测码点位置图像所得到的训练损失值更新二维码识别模型的权重，有助于提高二维码识别模型的识别精度，从而可以保证利用二维码识别模型得到的码点位置图像的准确度。
示例性地，训练损失值包括第一训练损失值，第一训练损失值表示预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比的差异，预测码点位置图像中的目标点占比包括预测码点位置图像中的码点数量与预测码点位置图像中的总点位置数量之比和/或预测码点位置图像中的空点数量与预测码点位置图像中的总点位置数量之比，样本二维码图像中的目标点占比包括样本二维码图像中的码点数量与样本二维码图像中的总点位置数量之比和/或样本二维码图像中的空点数量与样本二维码图像中的总点位置数量之比；基于第一标注信息与预测码点位置图像，计算训练损失值，包括：分别计算预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比；将预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比代入第一损失函数，以确定第一训练损失值；至少基于第一训练损失值确定训练损失值。
上述技术方案通过确定预测码点位置图像的点预测分布情况与样本二维码图像的点实际分布情况间的差异，并基于该差异（即第一训练损失值）确定二维码识别模型的训练损失值，从而可以利用点&空分布约束更新二维码识别模型的权重，有助于提高二维码识别模型的识别精度。
示例性地，训练损失值包括第二训练损失值，第二训练损失值表示预测码点位置图像中各个码点的位置与样本二维码图像中各个码点的位置的差异，基于第一标注信息与预测码点位置图像，计算训练损失值，包括：将预测码点位置图像中的各个码点的位置与样本二维码图像中各个码点的位置代入第二损失函数，以确定第二训练损失值；至少基于第二训练损失值确定训练损失值。
上述技术方案通过对比预测码点位置图像的码点预测位置与样本二维码图像的码点实际位置，并至少基于对比结果（即第二训练损失值）确定训练损失值，从而可以利用点&空位置约束更新二维码识别模型的权重。该方案有助于提高二维码识别模型的识别精度，且有助于提高二维码识别模型的训练。
示例性地，二维码定位模型通过以下方式训练获得：获取样本图像和对应的第二标注信息，其中，样本图像中包含样本二维码，第二标注信息用于指示对应样本图像中的样本二维码的实际位置；将样本图像输入到二维码定位模型中，以获得样本二维码的预测位置；基于样本二维码的预测位置与样本二维码的实际位置间的差异，对二维码定位模型的参数进行调整，以获得经训练的二维码定位模型。
上述技术方案基于样本二维码的预测位置与样本二维码的实际位置间的差异，对二维码定位模型的参数进行调整，可以提高二维码定位模型的定位精度。该方案训练得到的二维码定位模型有助于准确定位待处理图像中的二维码的位置，从而可以为后续步骤中对待处理二维码图像的识别提供较为准确的依据。
示例性地，样本二维码的预测位置包括样本二维码所在的预测目标框和预测目标框的四个角点的预测位置，样本二维码的实际位置包括样本二维码所在的实际目标框和实际目标框的四个角点的实际位置。
在该示例中，利用预测目标框和预测目标框的四个角点表示样本二维码的预测位置，并利用实际目标框和实际目标框的四个角点表示样本二维码的实际位置，从而可以利用预测目标框的四个角点与实际目标框的四个角点较为准确地估计样本二维码的预测位置与样本二维码的实际位置间的差异，进而可以提高训练后的二维码定位模型的定位精度。另外，这种利用关键点（即目标框四个角点）定位二维码的方式也有助于实现对任意角度二维码的精准定位，从而进一步提高二维码定位模型的定位精度。
示例性地，待处理二维码在待处理图像中的位置信息包括待处理二维码所在的目标框的四个角点的位置，待处理二维码图像为待处理图像中包含待处理二维码所在的目标框的图像块；在将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像中，以获得与待处理二维码图像对应的码点位置图像之前，方法还包括：基于待处理二维码图像的四个角点的位置，对待处理二维码图像进行仿射变换校正，以得到校正后的待处理二维码图像；将所述待处理二维码图像输入至经训练的二维码识别模型中，以获得与所述待处理二维码图像对应的码点位置图像，包括：将校正后的待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像。
在上述方案中，在将待处理二维码图像输入到二维码识别模型前，预先将待处理二维码图像进行仿射变换校正，由此，有助于提高二维码识别模型的识别精度、识别速度和鲁棒性，从而更好地满足实际应用的需求。
示例性地，方法还包括：基于预设解码方式，对码点位置图像进行解码，以得到与码点位置图像对应的二维码信息。
上述技术方案通过预设解码方式对码点位置图像进行解码，有助于准确获得对应的待处理图像中的二维码信息，且有助于保证用户的使用体验。
根据本申请的另一方面，还提供了一种电子设备，包括处理器和存储器，其中，存储器中存储有计算机程序指令，计算机程序指令被处理器运行时用于执行上述的数据处理方法。
上述技术方案通过利用经训练的二维码定位模型获得待处理二维码图像，并利用经训练的二维码识别模型获得与待处理二维码图像对应的码点位置图像，从而可以较为准确地估计待处理二维码图像的码点位置。该方案有助于在二维码所在区域存在磨损严重、对比度差、光照不均等情况时，仍能保证对二维码的码点位置识别的准确性和鲁棒性，有助于提高用户的使用体验。
根据本申请的又一方面，还提供了一种存储介质，在存储介质上存储了程序指令，程序指令在运行时用于执行上述的数据处理方法。
上述技术方案通过利用经训练的二维码定位模型获得待处理二维码图像，并利用经训练的二维码识别模型获得与待处理二维码图像对应的码点位置图像，从而可以较为准确地估计待处理二维码图像的码点位置。该方案有助于在二维码所在区域存在磨损严重、对比度差、光照不均等情况时，仍能保证对二维码的码点位置识别的准确性和鲁棒性，有助于提高用户的使用体验。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1示出根据本申请一个实施例的数据处理方法的示意性流程图；
图2示出根据本申请一个实施例的样本图像的示意图；
图3示出根据本申请一个实施例的第一标准信息的生成示意图；
图4示出根据本申请一个实施例的二维码识别模型的训练过程示意图；
图5示出根据本申请一个实施例的对待处理二维码图像进行仿射变换校正的示意图；以及
图6示出根据本申请一个实施例的电子设备的示意性框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
常用的二维码包括快速反应 (Quick Response，QR)码、数据矩阵(Data Matrix，DM)码、阿兹特克 (Aztec)码等。以DM码为例进行说明。DM码广泛用于空间有限的电子产品和其他小零件上，比如晶圆、金属铭牌等，其冗余和纠错机制即使在部分污损情况下也能恢复数据。但由于工作环境的影响，DM码所在区域常常存在磨损严重、对比度差、光照不均等情况。
上文以DM码为例对当前二维码处理过程中存在的技术问题进行说明。可以理解，本申请的二维码并不限于DM码，还可以是QR码、Aztec码等。
相关技术中，在对二维码进行识别时，通常通过预处理将背景和码点区分成二值图，然后对该二值图进行解码识别。这种预处理方式在二维码所在区域存在磨损严重、对比度差、光照不均等情况时难以准确生成与二维码对应的二值图，鲁棒性和适用性均不佳。
基于上述情况，本申请提供了一种数据处理方法、一种电子设备及一种存储介质，该方法有助于提高二维码处理的鲁棒性，有助于保证二维码被准确识别，从而有助于提高用户的使用体验。该方法、电子设备和存储介质在下文详细描述。
根据本申请的一个方面，提供一种数据处理方法。图1示出根据本申请一个实施例的数据处理方法的示意性流程图。如图1所示，数据处理方法100可以包括以下步骤S110、步骤S120、步骤S130和步骤S150。
在步骤S110，获取待处理图像，待处理图像包含待处理二维码。
在本申请中，待处理图像可以是包含待处理二维码的图像。换言之，在待处理图像中可以包括待处理二维码。该待处理二维码可以是DM码、QR码、Aztec码等中的任意一种或几种，本申请不对其进行限制。
可选地，待处理图像中还可以包括待处理二维码所在的载体。例如，在待处理二维码为晶圆上的DM码时，该待处理图像中可以包括该DM码以及该DM码所在的晶圆。可选地，待处理图像中还可以包括载体周围的环境信息。仍以上述待处理二维码为晶圆上的DM码的实施例为例进行说明。在该实施例中，待处理图像中可以包括该DM码、该DM码所在的晶圆以及该晶圆周围的环境信息。
可选地，待处理图像可以是黑白图像，也可以是彩色图像。示例性地，待处理图像可以是任意尺寸或分辨率大小的图像。替代地，待处理图像也可以是满足预设分辨率要求的图像。在一个示例中，待处理图像可以是具有256*256像素大小的黑白图像。对于待处理图像的要求可以基于实际的检测需求、图像采集装置的硬件条件以及后续处理步骤中的模型对输入图像的要求等进行设置，本申请不对其进行限制。
可选地，待处理图像可以是通过图像采集装置采集到的原始图像。例如，可以采用机器视觉系统中的图像采集装置获取待处理图像。具体例如，可以采用与当前环境以及待处理二维码所在的载体匹配的照明装置、镜头、高速相机和图像采集卡获取待处理图像。
可选地，待处理图像可以是对原始图像进行预处理操作后的图像。该预处理操作可以包括为了改善图像的视觉效果，提高图像的清晰度，或是突出图像中的某些特征等便于对待处理图像中的待处理二维码进行定位和识别的所有操作。在一些实施例中，预处理操作可以包括滤波等去噪操作，也可以包括用于调整图像参数的操作，其中，图像参数可以包括对比度、亮度等。
在步骤S120，将待处理图像输入至经训练的二维码定位模型中，以获得定位结果，定位结果为包含待处理二维码的待处理二维码图像或待处理二维码在待处理图像中的位置信息。
可选地，二维码定位模型可以是现有的或将来研发的任意一种用于对二维码进行定位的目标检测模型，包括但不限于：区域卷积神经网络(Region-basedConvolutionalNeural Network,RCNN)、快速区域卷积神经网络(Faster RCNN)、单点多尺度目标检测器(Single Shot MultiBox Detector,SSD)、单阶经典检测器(You Only LookOnce,YOLO)、中心点检测网络（CenterNet）等。在一个具体实施例中，二维码定位模型可以是通过带关键点的YOLO5或带关键点的CenterNet。
可选地，定位结果可以为包含待处理二维码的待处理二维码图像。在可选的示例中，在待处理图像输入至经训练的二维码定位模型中后，可以直接输出包含待处理二维码的待处理二维码图像。可以理解，在本申请中，待处理二维码图像为待处理图像中的待处理二维码所在的区域的图像，换言之，待处理二维码图像中仅包括与待处理二维码有关的图像信息。在该示例中，利用二维码定位模型获得待处理二维码图像，可以去除待处理图像中与待处理二维码无关的图像信息，从而有助于避免与待处理二维码无关的图像信息对后续步骤（例如步骤S140）产生干扰，这也有助于提高对待处理图像中的待处理二维码的图像处理效率。
可选地，定位结果可以为待处理二维码在待处理图像中的位置信息。该位置信息可以是待处理二维码在待处理图像中的坐标，也可以是待处理二维码与待处理图像间的相对位置。在一个具体的实施例中，该位置信息可以是待处理二维码所在的目标框的中心点坐标以及该目标框的旋转角度。在另一个具体的实施例中，该位置信息可以是待处理二维码所在的目标框的四个角点的坐标。
在步骤S130，在定位结果为待处理二维码在待处理图像中的位置信息时，基于待处理二维码在待处理图像中的位置信息和待处理图像生成待处理二维码图像。
可选地，在定位结果为待处理二维码在待处理图像中的位置信息时，可以根据所确定的待处理二维码的位置信息，生成待处理二维码图像。例如，可以从待处理图像中提取待处理二维码所在的目标框内的图像信息，以生成待处理二维码图像。
在获得待处理二维码图像后，可以执行步骤S150。在步骤S150，将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像，码点位置图像用于指示待处理二维码图像上的码点的位置。
可选地，二维码识别模型可以是现有的或将来研发的任意一种深度学习骨干网络经模型训练得到。例如，该深度学习骨干网络可以是残差神经网络（Resnet）、视觉几何图形组网络（VGGnet）、深度可分离卷积网络（MobileNet）等中的任意一种或几种。
可选地，在步骤S150，将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像之前，方法100还可以包括以下步骤：调整待处理二维码图像的尺寸，以使待处理二维码图像的尺寸为预设大小。在该可选实施例中，在将待处理二维码图像输入到经训练的二维码识别模型前，首先将该待处理二维码图像的大小调整为预设大小，以满足二维码识别模型的输入需求。可选地，预设大小可以根据待处理二维码的尺寸规格进行调整。例如，预设大小可以为该尺寸规格的整数倍。以DM码为例，DM码包括正方形DM码和矩形DM码，其中，正方形DM码有24种尺寸规格，矩形DM码有6种尺寸规格。当待处理二维码图像的尺寸规格为8×32（高×宽）时，预设大小可以为64×256，即将待处理二维码的宽和高均放大为尺寸规格的8倍。在一个具体的实施例中，输入到二维码识别模型的图像大小（即预设大小）可以为64×256×3（宽×高×通道），二维码识别模型输出的图像（即码点位置图像）的大小可以为8×32×2。其中，通道数表示二维码中用于存储不同的数据信息的通道数。在该实施例中，通过预先将待处理二维码图像的大小调整为预设尺寸，有利于提高对待处理二维码图像中的待处理二维码的识别率，减少图像中的噪点，从而有助于更为准确地获得与待处理二维码图像对应的码点位置图像。
可选地，在码点位置图像中，可以通过分别调整码点和空点的像素值，实现对码点的突出显示。例如，可以将码点的像素值调整为0，将空点的像素值调整为255。又例如，可以将空点的像素值调整为0，并将码点的像素值调整为255。
上述技术方案通过利用经训练的二维码定位模型获得待处理二维码图像，并利用经训练的二维码识别模型获得与待处理二维码图像对应的码点位置图像，从而可以较为准确地估计待处理二维码图像的码点位置。该方案有助于在二维码所在区域存在磨损严重、对比度差、光照不均等情况时，仍能保证对二维码的码点位置识别的准确性和鲁棒性，有助于提高用户的使用体验。
示例性地，二维码识别模型通过以下方式训练获得：获取样本二维码图像和对应的第一标注信息，第一标注信息用于指示对应样本二维码图像中的码点的位置和/或码点的数量；将样本二维码图像输入二维码识别模型，以获得样本二维码图像对应的预测码点位置图像，预测码点位置图像用于指示样本二维码图像上的码点的预测位置和码点的预测数量；基于第一标注信息与预测码点位置图像，计算训练损失值；基于训练损失值，更新二维码识别模型的权重，以获得经训练的二维码识别模型。
可以理解，与待处理二维码图像类似，样本二维码图像中仅包括与样本二维码有关的图像信息。可选地，样本二维码图像中的样本二维码可以是利用现有的或将来研发的任意一种二维码生成工具直接生成的。可选地，样本二维码图像可以是样本图像中的样本二维码所在的区域对应的图像。例如，可以将样本图像输入到经训练的二维码定位模型中，以获得样本二维码图像。图2示出根据本申请一个实施例的样本图像的示意图。如图2所述，该样本图像上包含样本二维码。在该实施例中，可以将该样本图像直接输入到经训练的二维码定位模型中，以获得定位结果，并根据该定位结果获得样本二维码图像。具体获取方式在上文已详细描述，不赘述。
可选地，样本二维码图像的数量可以根据需要设置。样本二维码图像的数量越多，则训练得到的二维码识别模型的准确度越高，但所需要的训练时间也就越长。因此，可以根据所需要识别精度以及训练时间，设置样本二维码图像的数量。
可选地，样本二维码图像中可以包括带有干扰信息的样本二维码图像。例如，可以对样本二维码图像进行模糊、加噪、彩色转换等几何图像变化操作，以使样本二维码图像中带有干扰数据。又例如，可以将带有脏污信息的背景图像作为干扰图层，叠加到原始样本二维码图像上，以获得带有干扰信息的样本二维码图像。在该实施例中，通过利用带有干扰信息的样本二维码图像对二维码识别模型进行训练，有助于提高二维码识别模型的抗干扰能力，从而有助于保证该二维码识别模型在各种不同干扰信息的影响下依然可以较为准确地生成码点位置图像。
可选的，第一标注信息可以是通过人工统计得到的码点的位置和/或码点的数量。例如，可以人工统计每个样本二维码图像中的码点的位置和/或码点的数量，然后将统计结果标注到对应的样本二维码图像中。可选地，第一标注信息也可以是通过识别与样本二维码相关联的字符信息得到的。可以理解，在一些应用场景中，样本二维码附近可能标识有与该样本二维码相关联的字符信息，通过识别该字符信息，可以得到该样本二维码的码点的位置和/或数量。以样本二维码的载体为晶圆为例，在一些晶圆上，通常既有二维码也有与二维码对应的字符，可以通过识别该字符，得到对应二维码的码点的位置和/或数量。以图2所示实施例为例对样本二维码对应的字符信息进行说明，其中，图2所示的图像为与样本二维码图像对应的样本图像。在该实施例中，在样本二维码上方标识有“00FY6004LXG6”的字符。在获取第一标识信息时，可以通过识别该字符，以确定该字符对应的样本二维码的第一标注信息。
图3示出根据本申请一个实施例的第一标准信息的生成示意图。如图3所示，首先，获取用于标识样本二维码的字符信息“00E44169LXG7”，然后根据该字符信息，确定该样本二维码对应的第一标注信息。该实施例中，第一标注信息包括码点的位置和码点的数量，其中，码点的位置通过码点位置图像表示。在该实施例中，码点数量为136，空点数量为120。
可选地，训练损失值可以是基于第一标识信息所示出的码点占比与预测码点位置图像中的码点占比间的差值所确定的，还可以是基于第一标识信息所示出的各个码点的位置与预测码点位置图像中的各个码点的位置间的差异所确定的。其中，码点占比为码点数量与该样本二维码图像中的总点数量的比值。可以理解，二维码由码点和空点组成，总点位置即为码点和空点的数量和。
上述技术方案通过利用样本二维码图像对二维码识别模型进行训练，并利用基于第一标注信息和预测码点位置图像所得到的训练损失值更新二维码识别模型的权重，有助于提高二维码识别模型的识别精度，从而可以保证利用二维码识别模型得到的码点位置图像的准确度。
示例性地，训练损失值包括第一训练损失值，第一训练损失值表示预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比的差异，预测码点位置图像中的目标点占比包括预测码点位置图像中的码点数量与预测码点位置图像中的总点位置数量之比和/或预测码点位置图像中的空点数量与预测码点位置图像中的总点位置数量之比，样本二维码图像中的目标点占比包括样本二维码图像中的码点数量与样本二维码图像中的总点位置数量之比和/或样本二维码图像中的空点数量与样本二维码图像中的总点位置数量之比。
基于第一标注信息与预测码点位置图像，计算训练损失值，包括：分别计算预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比；将预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比代入第一损失函数，以确定第一训练损失值；至少基于第一训练损失值确定训练损失值。
可以理解，第一训练损失值可以表征目标点的预测分布情况与实际分布情况的差异，因此，基于第一训练损失值对二维码识别模型进行调整，也可以称为利用点&空分布约束更新二维码识别模型的权重。
可选地，目标点可以为码点。在该实施例中，预测码点位置图像中的目标点占比为预测码点位置图像中的码点数量与总点位置数量之比，样本二维码图像中的目标点占比为样本二维码图像中的码点数量与总点位置数量之比。在该实施例中，第一训练损失值可以表征码点的预测分布情况与实际分布情况的差异，因此，该第一训练损失值可以称为第一码点训练损失值。
可选地，目标点可以为空点。在该实施例中，预测码点位置图像中的目标点占比为预测码点位置图像中的空点数量与总点位置数量之比，样本二维码图像中的目标点占比为样本二维码图像中的空点数量与总点位置数量之比。在该实施例中，第一训练损失值可以表征空点的预测分布情况与实际分布情况的差异，因此，该第一训练损失值可以称为第一空点训练损失值。
可选地，目标点可以为码点和空点。在该实施例中，预测码点位置图像中的目标点占比包括预测码点位置图像中的码点数量与预测码点位置图像中的总点位置数量之比和预测码点位置图像中的空点数量与预测码点位置图像中的总点位置数量之比，样本二维码图像中的目标点占比包括样本二维码图像中的码点数量与样本二维码图像中的总点位置数量之比和样本二维码图像中的空点数量与样本二维码图像中的总点位置数量之比。在利用预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比确定第一训练损失值时，可以分别计算与码点对应的第一训练损失值和与空点对应的第一训练损失值（即计算第一码点训练损失值和第一空点训练损失值），并根据第一码点训练损失值和第一空点训练损失值计算最终的第一训练损失值。例如，可以计算第一码点训练损失值和第一空点训练损失值的均值或加权均值，以确定第一训练损失值。
可选地，第一损失函数可以是现有的或将来研发的任意一种用于计算码点和/或空点的预测分布情况与实际分布情况间的差异的损失函数。例如，第一损失函数可以采用交叉熵损失函数或KL散度损失函数。在一个具体实施例中，第一损失函数可以是交叉熵损失函数。在该示例中，可以将预测码点位置图像中的目标点占比与样本二维码图像中的目标点占比代入到交叉熵损失函数中，所得到的交叉熵损失值即为第一训练损失值。在一个具体实施例中，目标点为码点。样本二维码图像的尺寸规格为8×32，该样本二维码图像中的总点位置数量为256。若该样本二维码图像中的码点数量为147，预测码点位置图像中的码点数量为140，则样本二维码图像的目标点占比为147/256，预测码点位置图像中的目标点占比为140/256,。该实施例中，可以通过计算147/256与140/256的交叉熵损失，以确定第一训练损失值。
可选地，可以直接基于第一训练损失值确定训练损失值。替代地，可以基于第一训练损失值与其他训练损失值一起确定训练损失值。例如，可以计算预测码点位置图像中的目标点数量与样本二维码图像中的目标点数量的差异，以确定第三训练损失值，并计算第一训练损失值和第三训练损失值的均值或加权均值，以确定训练损失值。
上述技术方案通过确定预测码点位置图像的点预测分布情况与样本二维码图像的点实际分布情况间的差异，并基于该差异（即第一训练损失值）确定二维码识别模型的训练损失值，从而可以利用点&空分布约束更新二维码识别模型的权重，有助于提高二维码识别模型的识别精度。
示例性地，训练损失值包括第二训练损失值，第二训练损失值表示预测码点位置图像中各个码点的位置与样本二维码图像中各个码点的位置的差异，基于第一标注信息与预测码点位置图像，计算训练损失值，包括：将预测码点位置图像中的各个码点的位置与样本二维码图像中各个码点的位置代入第二损失函数，以确定第二训练损失值；至少基于第二训练损失值，确定训练损失值。
可以理解，第二训练损失值可以表征码点的预测位置与实际位置的差异，因此，基于第二训练损失值对二维码识别模型进行调整，也可以称为利用点&空位置约束更新二维码识别模型的权重。
可选地，第二损失函数可以是现有的或将来研发的任意一种用于计算码点的预测位置与实际位置间的差异的损失函数。例如，第二损失函数可以是均方误差损失函数、平均绝对误差损失函数等中的任意一种。在一个具体的实施例中，第二损失函数可以是均方误差损失函数。在该示例中，可以将预测码点位置图像中的各个码点的位置与样本二维码图像中各个码点的位置代入均方误差损失函数，所得到的均方误差损失即为第二训练损失值。
可选地，可以基于第二训练损失值确定训练损失值。替代地，可以基于第一训练损失值和第二训练损失值确定训练损失值。例如，可以计算第一训练损失值和第二训练损失值间的均值或加权均值，以确定训练损失值。可以理解，第一训练损失值可以表征目标点的预测分布情况与理论分布情况间的差异，第二训练损失值可以表征码点的预测位置与理论位置间的差异，该实施例通过利用第一训练损失值和第二训练损失值确定训练损失值，并利用该训练损失值调整二维码识别模型，可以实现利用点&空分布约束和点&空位置约束同时优化二维码识别模型，有助于加快二维码识别模型的收敛速度，提高二维码识别模型的训练效率。
图4示出根据本申请一个实施例的二维码识别模型的训练过程示意图。如图4所示，首先，将样本二维码图像输入到二维码识别模型中。然后，基于二维码识别模型输出的预测码点位置图像与样本二维码图像的第一标注信息，计算交叉熵损失（即第一训练损失值）和均方误差损失（即第二训练损失值），并根据交叉熵损失和均方误差损失调整二维码识别模型的参数。在二维码识别模型训练完成后，可以利用样本二维码图像对经训练的二维码识别模型进行测试，并根据测试结果判断当前经训练的二维码识别模型是否可以满足应用需求。在当前经训练的二维码识别模型可以满足应用需求时，训练完成。
上述技术方案通过对比预测码点位置图像的码点预测位置与样本二维码图像的码点实际位置，并至少基于对比结果（即第二训练损失值）确定训练损失值，从而可以利用点&空位置约束更新二维码识别模型的权重。该方案有助于提高二维码识别模型的识别精度，且有助于提高二维码识别模型的训练。
示例性地，二维码定位模型通过以下方式训练获得：获取样本图像和对应的第二标注信息，其中，样本图像中包含样本二维码，第二标注信息用于指示对应样本图像中的样本二维码的实际位置；将样本图像输入到二维码定位模型中，以获得样本二维码的预测位置；基于样本二维码的预测位置与样本二维码的实际位置间的差异，对二维码定位模型的参数进行调整，以获得经训练的二维码定位模型。
可以理解，在二维码定位模型输出的定位结果为样本二维码在样本图像中的位置信息时，该位置信息即为样本二维码的预测位置。在二维码定位模型输出的定位结果为包含样本二维码的样本二维码图像时，在输出样本二维码图像时，二维码定位模型可以同时输出该样本二维码图像在样本图像中的对应位置，该位置即为样本二维码的预测位置。
可选地，与样本二维码图像中的样本二维码类似，样本图像中的样本二维码也可以利用现有的或将来研发的任意一种二维码生成工具直接生成。在一些实施例中，在生成样本二维码后，可以将该样本二维码与任意一个不包含二维码的背景图像叠加，以获得样本图像。
示例性地，获取样本图像可以包括以下步骤：获取第一数量的样本二维码图像；获取第二数量的样本背景图像，样本背景图像为不包含二维码的图像；将第一数量的样本二维码图像与第二数量的样本背景图像进行组合得到第三数量的样本图像，每个样本图像由第一数量的样本二维码图像中的任意一个样本二维码图像与第二数量的样本背景图像中的任意一个样本背景图像叠加得到，其中，在将样本二维码图像叠加到样本背景图像时，记录样本二维码图像的叠加位置，以生成对应样本图像的第二标注信息。
可以理解，获取样本图像过程中所采用的样本二维码图像可以是上文中用于训练二维码识别模型的样本二维码图像中的部分或全部，也可以是单独生成的样本二维码图像。
可选地，第一数量、第二数量和第三数量均可以根据实际需要设置。例如，可以根据二维码定位模型的定位精度设置第三数量，然后根据第三数量确定第一数量和第二数量。可选地，第一数量的样本二维码图像中可以包括带有干扰信息的样本二维码图像。在样本二维码图像上增加干扰信息的方式在上文已详细描述，不赘述。
可选地，在将第一数量的样本二维码图像与第二数量的样本背景图像进行组合得到第三数量的样本图像之前，获取样本图像的步骤还可以包括以下步骤：将第一数量的样本二维码图像中的至少部分样本二维码图像分别旋转任意角度。该实施例的方案通过将部分样本二维码图像旋转任意角度，有助于使得训练后的二维码定位图像可以精准定位任意角度的二维码，从而有助于提高用户的使用体验。
可选地，样本背景图像可以是任意不包含二维码的图像。该样本背景图像可以采用任意图像获取方法获得。例如，可以利用相机拍摄的图像作为样本背景图像。又例如，可以从网络上获取图像以作为样本背景图像。
可选地，样本二维码的预测位置与样本二维码的实际位置间的差异可以是样本二维码的预测位置的目标框（可以简称为预测目标框）与样本二维码的实际位置的目标框（可以简称为实际目标框）间的位置和角度差异。可选地，样本二维码的预测位置与样本二维码的实际位置间的差异可以是预测目标框上预设数量的边界点与实际目标框上的对应边界点间的坐标差异。例如，可以是预测目标框的四个角点与实际目标框的四个角点间的坐标差异。
上述技术方案基于样本二维码的预测位置与样本二维码的实际位置间的差异，对二维码定位模型的参数进行调整，可以提高二维码定位模型的定位精度。该方案训练得到的二维码定位模型有助于准确定位待处理图像中的二维码的位置，从而可以为后续步骤中对待处理二维码图像的识别提供较为准确的依据。
示例性地，样本二维码的预测位置包括样本二维码所在的预测目标框和预测目标框的四个角点的预测位置，样本二维码的实际位置包括样本二维码所在的实际目标框和实际目标框的四个角点的实际位置。
在该示例中，利用预测目标框和预测目标框的四个角点表示样本二维码的预测位置，并利用实际目标框和实际目标框的四个角点表示样本二维码的实际位置，从而可以利用预测目标框的四个角点与实际目标框的四个角点较为准确地估计样本二维码的预测位置与样本二维码的实际位置间的差异，进而可以提高训练后的二维码定位模型的定位精度。另外，这种利用关键点（即目标框四个角点）定位二维码的方式也有助于实现对任意角度二维码的精准定位，从而进一步提高二维码定位模型的定位精度。
示例性地，待处理二维码在待处理图像中的位置信息包括待处理二维码所在的目标框的四个角点的位置，待处理二维码图像为待处理图像中包含待处理二维码所在的目标框的图像块。
在步骤S150，将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像之前，方法100还包括步骤S140。
在步骤S140，基于待处理二维码图像的四个角点的位置，对待处理二维码图像进行仿射变换校正，以得到校正后的待处理二维码图像。
步骤S150，将待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像，可以包括以下步骤：将校正后的待处理二维码图像输入至经训练的二维码识别模型中，以获得与待处理二维码图像对应的码点位置图像。
可以理解，在本实施例的方案中，待处理二维码图像的四个角点的位置与待处理二维码的目标框的四个角点的位置。在经由经训练的二维码定位模型得到待处理图像中的待处理二维码的定位结果后，可以根据该定位结果确定待处理二维码的目标框的四个角点的位置，并根据该四个角点的位置对待处理二维码图像进行仿射变换校正，从而得到校正后的待处理二维码图像。
图5示出根据本申请一个实施例的对待处理二维码图像进行仿射变换校正的示意图。该实施例中，定位结果为包含待处理二维码的待处理二维码图像在待处理图像中的位置信息。该位置信息包括待处理二维码的目标框和目标框的四个角点的位置。如图5所示，待处理二维码在待处理图像中处于倾斜位置。在经由经训练的二维码定位模型得到待处理图像中的待处理二维码的定位结果后，可以根据定位结果得到待处理二维码图像，然后对该待处理二维码图像进行仿射变换校正，从而得到校正后的待处理二维码图像。
在上述方案中，在将待处理二维码图像输入到二维码识别模型前，预先将待处理二维码图像进行仿射变换校正，由此，有助于提高二维码识别模型的识别精度、识别速度和鲁棒性，从而更好地满足实际应用的需求。
示例性地，方法100还可以包括步骤S160。
在步骤S160，基于预设解码方式，对码点位置图像进行解码，以得到与码点位置图像对应的二维码信息。
可以理解，预设解码方式可以根据待处理二维码的类型以及行业统一标准选择。例如，可以采用诸如libdmtx、Zxing等开源方法对码点位置图像进行解码，以获得对应的二维码信息。
与码点位置图像对应的二维码信息即为待处理图像中的待处理二维码对应的二维码信息。上述技术方案通过预设解码方式对码点位置图像进行解码，有助于准确获得对应的待处理图像中的二维码信息，且有助于保证用户的使用体验。
根据本申请的另一方面，提供了一种电子设备。图6示出根据本申请一个实施例的电子设备的示意性框图。如图6所示，控制装置600包括处理器610和存储器620。存储器620中存储有计算机程序。处理器610用于执行计算机程序以实现数据处理方法100。
可选地，处理器可以包括任何合适的具有数据处理能力和/或指令执行能力的处理器件。例如，处理器可以采用可编程逻辑控制器(PLC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、中央处理单元(CPU)、专用的集成电路(ASIC)、微控制单元（MCU）和其它形式的处理单元中的一种或几种的组合来实现。
根据本申请实施例的又一方面，还提供了一种存储介质。该存储介质中存储有计算机程序/指令，计算机程序/指令被处理器执行时实现上述的数据处理方法100。存储介质例如可以包括只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
本领域普通技术人员通过阅读上文关于数据处理方法100的相关描述，可以理解上述电子设备、存储介质的具体实现方案，为了简洁，在此不再赘述。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请的具体实施方式或对具体实施方式的说明，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，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数据处理方法，其特征在于，包括：
获取待处理图像，所述待处理图像包含待处理二维码；
将所述待处理图像输入至经训练的二维码定位模型中，以获得定位结果，所述定位结果为包含所述待处理二维码的待处理二维码图像或所述待处理二维码在所述待处理图像中的位置信息；
将所述待处理二维码图像输入至经训练的二维码识别模型中，以获得与所述待处理二维码图像对应的码点位置图像，所述码点位置图像用于指示所述待处理二维码图像上的码点的位置；
其中，在所述定位结果为所述待处理二维码在所述待处理图像中的位置信息时，所述方法还包括：
基于所述待处理二维码在所述待处理图像中的位置信息和所述待处理图像生成所述待处理二维码图像。
2.根据权利要求1所述的数据处理方法，其特征在于，所述二维码识别模型通过以下方式训练获得：
获取样本二维码图像和对应的第一标注信息，所述第一标注信息用于指示对应样本二维码图像中的码点的位置和/或码点的数量；
将所述样本二维码图像输入所述二维码识别模型，以获得所述样本二维码图像对应的预测码点位置图像，所述预测码点位置图像用于指示所述样本二维码图像上的码点的预测位置和码点的预测数量；
基于所述第一标注信息与所述预测码点位置图像，计算训练损失值；
基于所述训练损失值，更新所述二维码识别模型的权重，以获得经训练的所述二维码识别模型。
3.根据权利要求2所述的数据处理方法，其特征在于，所述训练损失值包括第一训练损失值，所述第一训练损失值表示所述预测码点位置图像中的目标点占比与所述样本二维码图像中的目标点占比的差异，所述预测码点位置图像中的目标点占比包括所述预测码点位置图像中的码点数量与所述预测码点位置图像中的总点位置数量之比和/或所述预测码点位置图像中的空点数量与所述预测码点位置图像中的总点位置数量之比，所述样本二维码图像中的目标点占比包括所述样本二维码图像中的码点数量与所述样本二维码图像中的总点位置数量之比和/或所述样本二维码图像中的空点数量与所述样本二维码图像中的总点位置数量之比；
所述基于所述第一标注信息与所述预测码点位置图像，计算训练损失值，包括：
分别计算所述预测码点位置图像中的目标点占比与所述样本二维码图像中的目标点占比；
将所述预测码点位置图像中的目标点占比与所述样本二维码图像中的目标点占比代入第一损失函数，以确定所述第一训练损失值；
至少基于所述第一训练损失值确定所述训练损失值。
4.根据权利要求2或3所述的数据处理方法，其特征在于，所述训练损失值包括第二训练损失值，所述第二训练损失值表示所述预测码点位置图像中各个码点的位置与所述样本二维码图像中各个码点的位置的差异，所述基于所述第一标注信息与所述预测码点位置图像，计算训练损失值，包括：
将所述预测码点位置图像中的各个码点的位置与所述样本二维码图像中各个码点的位置代入第二损失函数，以确定所述第二训练损失值；
至少基于所述第二训练损失值确定所述训练损失值。
5.根据权利要求1-3任一项所述的数据处理方法，其特征在于，所述二维码定位模型通过以下方式训练获得：
获取样本图像和对应的第二标注信息，其中，所述样本图像中包含样本二维码，所述第二标注信息用于指示对应样本图像中的所述样本二维码的实际位置；
将所述样本图像输入到所述二维码定位模型中，以获得所述样本二维码的预测位置；
基于所述样本二维码的预测位置与所述样本二维码的实际位置间的差异，对所述二维码定位模型的参数进行调整，以获得经训练的所述二维码定位模型。
6.根据权利要求5所述的数据处理方法，其特征在于，所述样本二维码的预测位置包括所述样本二维码所在的预测目标框和所述预测目标框的四个角点的预测位置，所述样本二维码的实际位置包括所述样本二维码所在的实际目标框和所述实际目标框的四个角点的实际位置。
7.根据权利要求1-3任一项所述的数据处理方法，其特征在于，所述待处理二维码在所述待处理图像中的位置信息包括所述待处理二维码所在的目标框的四个角点的位置，所述待处理二维码图像为所述待处理图像中包含所述待处理二维码所在的目标框的图像块；
在所述将所述待处理二维码图像输入至经训练的二维码识别模型中，以获得与所述待处理二维码图像对应的码点位置图像中，以获得与所述待处理二维码图像对应的码点位置图像之前，所述方法还包括：
基于所述待处理二维码图像的四个角点的位置，对所述待处理二维码图像进行仿射变换校正，以得到校正后的待处理二维码图像；
所述将所述待处理二维码图像输入至经训练的二维码识别模型中，以获得与所述待处理二维码图像对应的码点位置图像，包括：
将所述校正后的待处理二维码图像输入至经训练的二维码识别模型中，以获得与所述待处理二维码图像对应的码点位置图像。
8.根据权利要求1-3任一项所述的数据处理方法，其特征在于，所述方法还包括：
基于预设解码方式，对所述码点位置图像进行解码，以得到与所述码点位置图像对应的二维码信息。
9.一种电子设备，包括处理器和存储器，其中，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器运行时用于执行如权利要求1-8任一项所述的数据处理方法。
10.一种存储介质，在所述存储介质上存储了程序指令，所述程序指令在运行时用于执行如权利要求1-8任一项所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311813418.XA CN117541767A (zh) | 2023-12-27 | 2023-12-27 | 一种数据处理方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311813418.XA CN117541767A (zh) | 2023-12-27 | 2023-12-27 | 一种数据处理方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117541767A true CN117541767A (zh) | 2024-02-09 |
Family
ID=89786371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311813418.XA Pending CN117541767A (zh) | 2023-12-27 | 2023-12-27 | 一种数据处理方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541767A (zh) |
-
2023
- 2023-12-27 CN CN202311813418.XA patent/CN117541767A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mondéjar-Guerra et al. | Robust identification of fiducial markers in challenging conditions | |
| CN109948393B (zh) | 一种一维条码的定位方法及装置 | |
| CN110930356B (zh) | 一种工业二维码无参考质量评估系统及方法 | |
| CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
| CN112949338A (zh) | 深度学习与Hough变换结合的二维条码精确定位方法 | |
| CA3045391C (en) | Method for detection and recognition of long-range high-density visual markers | |
| CN110532825B (zh) | 一种基于人工智能目标检测的条码识别装置与方法 | |
| CN110765795A (zh) | 二维码识别方法、装置及电子设备 | |
| CN111310508A (zh) | 一种二维码识别方法 | |
| CN103824275A (zh) | 在图像中搜寻鞍点状结构并测定其信息的系统和方法 | |
| CN111680680B (zh) | 一种目标码定位方法、装置、电子设备及存储介质 | |
| CN116843834A (zh) | 一种三维人脸重建及六自由度位姿估计方法、装置及设备 | |
| CN113111674A (zh) | Aztec码定位与解码方法、系统、设备及存储介质 | |
| CN114118303B (zh) | 基于先验约束的人脸关键点检测方法及装置 | |
| CN111507119B (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
| CN101923632B (zh) | Maxi Code条码解码芯片及其解码方法 | |
| CN113468905A (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
| CN110532826B (zh) | 一种基于人工智能语义分割的条码识别装置与方法 | |
| Tian et al. | BAN, a barcode accurate detection network | |
| CN117541767A (zh) | 一种数据处理方法、电子设备及存储介质 | |
| CN116091784A (zh) | 一种目标跟踪方法、设备及存储介质 | |
| CN116258155A (zh) | Dm码检测识别方法、装置、计算机设备、存储介质 | |
| CN115270841A (zh) | 条码检测方法、装置、存储介质及计算机设备 | |
| CN113012132A (zh) | 一种图像相似度确定方法、装置及计算设备、存储介质 | |
| CN116311262B (zh) | 一种仪器仪表信息的识别方法、系统、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |