KR102393764B1 - 바코드 이미지 식별 방법 및 그 장치 - Google Patents

Abstract

본 발명은 바코드 이미지 식별 및 그 장치에 관한 것으로, 훼손된 바코드 이미지를 보정하는 모델을 적용하여 바코드 이미지의 해석을 용이하게 하는 것을 일 목적으로 한다. 이러한 목적을 달성하기 위한 본 발명은 적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계, 상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계, 제1 바코드 이미지를 해독하는 c 단계 및 상기 c 단계가 실패하면, 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계, 제2 바코드 이미지를 해독하는 e 단계를 포함하는 것을 일 특징으로 한다.

Description

바코드 이미지 식별 방법 및 그 장치{METHOD AND DEVICE FOR IDENTIFICATION BARCODE IMAGE}

본 발명은 바코드 이미지 식별 및 그 장치에 관한 것으로, 보다 자세하게는 정상 바코드 이미지 뿐 아니라 손상된 바코드 이미지를 식별 가능한 방법 및 장치에 관한 것이다.

바코드는 영숫자나 글자를 기계가 읽을 수 있는 형태로 표현하기 위해 상이한 굵기를 가진 수직 막대들의 조합으로 나타내어 광학적으로 판독이 가능하게 한 것으로, 상품의 겉면에 인쇄되어 가격을 표시하거나 상품의 정보를 포함하여 상품을 관리하는 등 다양한 용도로 널리 사용되고 있다. 바코드는 EAN, CODE39, OCDE93, CODE128, ISBN과 같은 1차원 바코드와 PDF-417, QR CODE, 2D Data Matrix와 같은 2차원 바코드와 같은 다양한 형태로 구성되어 있으며, 그 인식 방법은 모두 유사하다.

종래의 바코드 인식 장치는 카메라와 적외선 스캐너가 널리 사용되고 있으며, 적외선 스캐너는 인쇄된 바코드를 읽고, 바코드에 포함된 데이터를 해독하고, 데이터를 컴퓨터로 보낼 수 있다. 그러나 적외선 스캐너는 인식 영역에 바코드를 정확히 맞춰야 하며, 카메라의 경우 고르지 못한 조명상태, 바코드의 왜곡, 카메라의 성능, 먼지나 낙서 등에 의한 바코드의 훼손 등으로 성능이 저하되는 단점이 있으며, 자동화 시스템의 발전으로 인해 바코드 인식 장치에도 머신러닝 모델이 도입되었으나, 머신러닝 모델의 경우에도 종래의 적외선 스캐너와 같은 단점을 포함하며 더 나아가 다양한 바코드 포맷 중 모델에서 지원 가능한 포맷만을 사용할 수 있어 기능이 제한되는 문제점이 있다.

본 발명은 전술한 문제점을 해결하기 위한 것으로서, 훼손된 바코드 이미지를 보정하는 모델을 적용하여 바코드 이미지의 해석을 용이하게 하는 것을 일 목적으로 한다.

이러한 목적을 달성하기 위한 본 발명은 전자 장치가 바코드 이미지를 식별하는 방법에 있어서, 적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계, 상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계, 제1 바코드 이미지를 해독하는 c 단계, 상기 c 단계가 실패하면, 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계 및 제2 바코드 이미지를 해독하는 e 단계를 포함하는 것을 일 특징으로 한다.

또한 본 발명은 적어도 하나의 바코드를 포함하는 이미지를 입력받는 바코드 입력 모듈, 상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 추출 모듈 및 제1 바코드 이미지를 해독하고, 해독에 실패하면 전처리 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하여 제2 바코드 이미지를 해독하는 바코드 해독 모듈을 포함하는 것을 일 특징으로 한다.

전술한 바와 같은 본 발명에 의하면, 훼손된 바코드 이미지를 보정하는 모델을 적용하여, 바코드 이미지의 해석을 용이하게 할 수 있다. 이러한 구성을 통해 사용자의 도움 없이 훼손된 바코드 이미지를 자동으로 원본 바코드 이미지로 복원하여 바코드 이미지에 대한 데이터를 식별하여 사용자에게 제공할 수 있다.

도 1은 본 발명의 일 실시 예에 의한 바코드 이미지 식별 장치의 구성을 도시한 도면,
도 2는 본 발명의 일 실시 예에 의한 바코드 이미지 식별 방법을 나타낸 순서도,
도 3은 본 발명의 일 실시 예에 의한 바코드 보정 모델을 학습하는 방법을 나타낸 순서도이다.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.

도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용되며, 명세서 및 특허청구의 범위에 기재된 모든 조합은 임의의 방식으로 조합될 수 있다. 그리고 다른 식으로 규정하지 않는 한, 단수에 대한 언급은 하나 이상을 포함할 수 있고, 단수 표현에 대한 언급은 또한 복수 표현을 포함할 수 있음이 이해되어야 한다.

본 명세서에서 사용되는 용어는 단지 특정 예시적 실시 예들을 설명할 목적을 가지고 있으며 한정할 의도로 사용되는 것이 아니다. 본 명세서에서 사용된 바와 같은 단수적 표현들은 또한, 해당 문장에서 명확하게 달리 표시하지 않는 한, 복수의 의미를 포함하도록 의도될 수 있다. 용어 "및/또는," "그리고/또는"은 그 관련되어 나열되는 항목들의 모든 조합들 및 어느 하나를 포함한다. 용어 "포함한다", "포함하는", "포함하고 있는", "구비하는", "갖는", "가지고 있는" 등은 내포적 의미를 갖는 바, 이에 따라 이러한 용어들은 그 기재된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트를 특정하며, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 이들의 그룹의 존재 혹은 추가를 배제하지 않는다. 본 명세서에서 설명되는 방법의 단계들, 프로세스들, 동작들은, 구체적으로 그 수행 순서가 확정되는 경우가 아니라면, 이들의 수행을 논의된 혹은 예시된 그러한 특정 순서로 반드시 해야 하는 것으로 해석돼서는 안 된다. 추가적인 혹은 대안적인 단계들이 사용될 수 있음을 또한 이해해야 한다.

또한, 각각의 구성요소는 각각 하드웨어 프로세서로 구현될 수 있고, 위 구성요소들이 통합되어 하나의 하드웨어 프로세서로 구현될 수 있으며, 또는 위 구성요소들이 서로 조합되어 복수 개의 하드웨어 프로세서로 구현될 수도 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시 예에 의한 바코드 인식 장치의 구성을 나타낸 사시도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 의한 바코드 인식 장치(1)는 바코드 입력 모듈(10), 바코드 출력 모듈(20), 바코드 해독 모듈(30), 모델 생성 모듈(40), 저장 모듈(50)을 포함할 수 있다.

바코드 입력 모듈(10)은 사용자 단말(2) 혹은 임의의 외부 장치로부터 적어도 하나의 바코드를 포함하는 이미지를 입력받을 수 있다. 예를 들어, 사용자는 상품, 종이나 전단지 등에 출력되어 있는 바코드를 사용자 단말(2)를 통해 촬영하고, 사용자 단말(2)은 촬영된 이미지를 바코드 인식 장치(1)에 전송할 수 있다.

바코드 추출 모듈(20)은 입력된 이미지에서 제1 바코드 이미지를 추출할 수 있다. 바코드 추출 모듈(20)은 종래 사용되는 객체 인식 모델을 통해 이미지에 포함된 바코드가 포함된 영역을 인식하고, 상기 영역에서 제1 바코드 이미지를 추출할 수 있다. 제1 바코드 이미지는 전경색 영역과 배경색 영역이 특정 간격을 두고 형성된 패턴이 포함된 것을 의미하며 그 예로 EAN, UPC, CODABAR, QR CODE 등이 있다. 일 예로 전경색은 검정색, 배경색은 흰 색일 수 있다.

바코드 추출 모듈(20)은 종래에 사용되던 룰베이스 알고리즘을 통해 바코드를 인식하는 것이 아닌, 바코드 인식이 어려운 상황에도 바코드를 인식할 수 있게 머신러닝 기반의 객체 인식 모델을 적용하여 제1 바코드 이미지를 추출할 수 있다. 바코드 추출 모듈(20)은 객체 인식 모델을 통해 바코드 이미지의 인식 정확도를 향상시킬 수 있다.

바코드 해독 모듈(30)은 제1 바코드 이미지를 해독할 수 있다. 바코드 해독 모듈(30)은 제1 바코드 이미지를 해독함에 있어서, 제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환한 후, 변환된 2진수 값을 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출할 수 있다. 이 때, 바코드 이미지에 대응하는 데이터는 저장 모듈(50)에 저장되어 있을 수 있다.

바코드 추출 모듈(20)과 같이 바코드 해독 모듈(30)도 머신러닝 기반의 모델을 적용할 수 있으나, 모델을 사용할 경우 모델에서 식별 가능한 포맷의 바코드로 제한이 됨에 따라 바코드 해독 모듈(30)은 룰베이스 알고리즘을 기반으로 할 수 있다.

바코드 해독 모듈(30)은 제1 바코드 이미지에 대응하는 데이터가 저장 모듈(50)에 저장되어 있지 않을 경우, 제1 바코드 이미지의 해독에 실패했다고 판단할 수 있다.

바코드 해독 모듈(30)은 제1 바코드 이미지의 해독을 실패하면, 제1 바코드 이미지에 바코드 보정 모델을 적용해 제2 바코드 이미지를 생성할 수 있다. 제2 바코드 이미지는 제1 바코드 이미지가 전처리되어 해독 가능하게 변환된 것을 의미한다.

바코드 해독 모듈(30)은 제2 바코드 이미지를 해독할 수 있다. 바코드 해독 모듈(30)이 제2 바코드 이미지를 해독하는 과정은 제1 바코드 이미지를 해독하는 과정과 동일하다.

모델 생성 모듈(40)은 해독이 불가능한 제1 바코드 이미지를 전처리하기 위한 바코드 보정 모델을 생성할 수 있다.

모델 생성 모듈(40)은 바코드 보정 모델을 생성하기에 앞서 학습 데이터 셋을 생성할 수 있다. 모델 생성 모듈(40)은 저장 모듈(50)에 저장되거나 관리자 단말(미도시)에 의해 수신된 복수 개의 제3 바코드 이미지에 임의의 노이즈를 생성하여 제4 바코드 이미지를 생성할 수 있다. 모델 생성 모듈(40)은 노이즈를 생성함에 있어서 이미지 증강 기법을 활용할 수 있다.

모델 생성 모듈(40)은 제3 바코드 이미지와 제4 바코드 이미지를 기반으로 학습 데이터 셋을 생성하고, 생성된 학습 데이터 셋으로 바코드 보정 모델을 학습시킬 수 있다.

모델 생성 모듈(40)은 바코드 입력 모듈(10)에서 수신된 제1 바코드 이미지 중 해독에 성공한 바코드 이미지를 제3 바코드 이미지로 설정하여, 오염된 제4 바코드 이미지를 생성할 수 있다. 모델 생성 모듈(40)은 이와 같이 해독에 성공한 바코드 이미지를 학습 데이터 셋에 더 추가하여, 지속적으로 바코드 보정 모델을 강화할 수 있다.

저장 모듈(50)은 본 발명의 일 실시 예에 의한 바코드 인식 장치(1)에서 사용되는 각종 데이터를 저장할 수 있다. 저장 모듈(50)은 각종 데이터를 임시적 또는 반영구적으로 저장할 수 있다. 저장 모듈(50)의 일 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래시 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 저장 모듈(50)은 바코드 인식 장치(1)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 저장 모듈(50)에는 바코드 인식 장치(1)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 바코드 인식 장치(1)의 각 구성을 동작시키기 위한 프로그램을 비롯해 바코드 인식 장치(1)의 동작에 필요한 바코드 보정 모델, 전처리 모델의 학습 데이터 셋 등 각종 데이터가 저장될 수 있다.

도 2는 본 발명의 일 실시 예에 의한 바코드 이미지 식별 방법을 설명하기 위한 순서도이다. 이하에서는 도 2를 참조하여 바코드 이미지 식별 방법을 설명한다. 바코드 이미지 식별 방법에 대한 설명에 있어서, 앞서 설명한 바코드 이미지 식별 장치와 중복되는 세부 실시 예는 생략될 수 있다.

단계 100에서, 전자 장치는 사용자 단말(2) 혹은 임의의 외부 장치로부터 적어도 하나의 바코드를 포함하는 이미지를 입력받을 수 있다.

단계 110에서, 전자 장치는 입력된 이미지에서 제1 바코드 이미지를 추출할 수 있다. 전자 장치는 종래 사용되는 객체 인식 모델을 통해 이미지에 포함된 바코드가 포함된 영역을 인식하고, 상기 영역에서 제1 바코드 이미지를 추출할 수 있다.

단계 120에서, 전자 장치는 제1 바코드 이미지를 해독할 수 있다. 전자 장치는 제1 바코드 이미지를 해독함에 있어서, 제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환한 후, 변환된 2진수 값을 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출할 수 있다. 이 때, 바코드 이미지에 대응하는 데이터는 저장 모듈(50)에 저장되어 있을 수 있다.

단계 130에서, 전자 장치는 제1 바코드 이미지에 대응하는 데이터가 저장 모듈(50)에 저장되어 있지 않을 경우, 제1 바코드 이미지의 해독에 실패했다고 판단할 수 있다. 전자 장치는 제1 바코드 이미지의 해독을 실패하면, 제1 바코드 이미지에 바코드 보정 모델을 적용해 제2 바코드 이미지를 생성할 수 있다. 제2 바코드 이미지는 제1 바코드 이미지가 전처리되어 해독 가능하게 변환된 것을 의미한다.

이와 같이 본 발명은 훼손되어 해독이 불가능한 제1 바코드 이미지를 보정하여 제2 바코드 이미지를 생성함으로써 훼손된 제1 바코드 이미지에 대한 해독을 가능하게 할 수 있다.

도 3은 본 발명의 일 실시 예에 의한 바코드 보정 모델을 생성하는 방법을 설명하기 위한 순서도로, 도 3을 통해 단계 140에서 사용되는 바코드 전처레 모델을 생성할 수 있다.

단계 300에서, 전자 장치는 바코드 보정 모델을 학습하기 위해 학습 데이터 셋을 생성할 수 있다. 전자 장치는 저장 모듈(50)에 저장되거나 관리자 단말(미도시)에 의해 수신된 복수 개의 제3 바코드 이미지에 임의의 노이즈를 생성하여 제4 바코드 이미지를 생성할 수 있다. 전자 장치는 제4 바코드 이미지를 생성함에 있어서 이미지 증강 기법을 활용할 수 있다.

전자 장치는 제3 바코드 이미지와 제4 바코드 이미지를 기반으로 학습 데이터 셋을 생성할 수 있다.

단계 310에서, 전자 장치는 단계 300에서 생성된 학습 데이터 셋으로 바코드 보정 모델을 학습시킬 수 있다. 나아가 전자 장치는 도 2의 단계 120에서 해독에 성공한 제1 바코드 이미지를 제3 바코드 이미지로 설정하여 제1 바코드 이미지에 대응되는 오염된 제4 바코드 이미지를 생성하여, 학습 데이터 셋에 더 추가할 수 있다.

도 2에 대한 설명으로 복귀하면 단계 140에서, 전자 장치는 제2 바코드 이미지를 해독할 수 있다. 본 단계는 전자 장치가 제1 바코드 이미지를 해독하는 단계 120과 동일한 방법으로 수행될 수 있다.

단계 150에서, 전자 장치는 제1 바코드 이미지에 대응하는 데이터를 사용자 단말(2)에 제공할 수 있다.

본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

Claims (7)

1. 전자 장치가 바코드 이미지를 식별하는 방법에 있어서,
   적어도 하나의 바코드를 포함하는 이미지를 입력받는 a 단계;
   상기 이미지에서 제1 바코드 이미지를 추출하는 b 단계;
   제1 바코드 이미지를 해독하는 c 단계;
   상기 c 단계가 실패하면, 데이터베이스에 저장된 제3 바코드 이미지와 제3 바코드 이미지에 임의의 노이즈가 추가된 제4 바코드 이미지를 학습 데이터 셋으로 하여 제1 바코드 이미지를 해독 가능하게 변환할 수 있게 학습된 바코드 보정 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 d 단계; 및
   제2 바코드 이미지를 해독하는 e 단계를 포함하는 바코드 이미지 식별 방법.
   
2. 제1항에 있어서, 상기 b 단계는,
   객체 인식 모델을 사용하여, 상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 이미지 식별 방법.
   
3. 제2항에 있어서,
   제1 바코드 이미지는 전경색 및 배경색 영역이 특정 간격을 두고 형성된 패턴이 포함된 바코드 이미지 식별 방법.
   
4. 제1항에 있어서, 상기 c 단계는,
   제1 바코드 이미지를 기 설정된 규칙에 따라 2진수로 변환하여, 변환된 상기 2진수를 기반으로 제1 바코드 이미지에 대응하는 데이터를 추출하는 바코드 이미지 식별 방법.
   
5. 제1항에 있어서,
   상기 바코드 보정 모델은,
   데이터베이스에 저장된 제3 바코드 이미지를 로드하는 단계;
   제3 바코드 이미지에 이미지 증강 기법을 통해 임의의 노이즈를 추가하여 제4 바코드 이미지를 생성하는 단계; 및
   제3 바코드 이미지 및 제4 바코드 이미지를 기반으로 제4 바코드 이미지가 입력되면 제3 바코드 이미지를 출력할 수 있게 학습되는 단계를 통해 생성되는 바코드 이미지 식별 방법.
   
6. 제5항에 있어서, 상기 d 단계는,
   상기 바코드 보정 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하는 바코드 이미지 식별 방법.
   
7. 적어도 하나의 바코드를 포함하는 이미지를 입력받는 바코드 입력 모듈;
   상기 이미지에서 제1 바코드 이미지를 추출하는 바코드 추출 모듈; 및
   제1 바코드 이미지를 해독하고, 해독에 실패하면 데이터베이스에 저장된 제3 바코드 이미지와 제3 바코드 이미지에 임의의 노이즈가 추가된 제4 바코드 이미지를 학습 데이터 셋으로 하여 제1 바코드 이미지를 해독 가능하게 변환할 수 있게 학습된 바코드 보정 모델에 제1 바코드 이미지를 입력하여 제2 바코드 이미지를 생성하여 제2 바코드 이미지를 해독하는 바코드 해독 모듈을 포함하는 바코드 이미지 식별 장치.

Images