PCB板上的条码定位方法及系统技术方案

本发明专利技术公开了一种PCB板上的条码定位方法，对图片进行多尺度缩放，获得多个尺度下的图片；使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；将候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。本发明专利技术从卷积神经网络结构优化、检测流程优化、训练样本准备，兼顾资源消耗和检测性能表现，针对pcb板上的条码区域进行定位，使条码定位准确率较高，同时平均时间消耗较短。

Barcode positioning method and system on PCB

【技术实现步骤摘要】
PCB板上的条码定位方法及系统
本专利技术涉及图像识别
，特别涉及一种PCB板上的条码定位方法及系统。
技术介绍
作为重要的电子连接件，PCB板几乎用在了所有的电子产品上，而PCB板的信息追溯是电子行业发展中不可或缺的一环。目前，主要通过激光打码的方式，将带有溯源信息的二维码，特别是DM码，刻在PCB板上。通过读取设备自动读取DM二维码条码，首先需要对DM二维码条码进行定位。普通场景的DM二维码条码定位主要根据条码的特征，人工提取相关规则，通过传统的图像行扫描、形态学滤波、边缘检测等图像处理技术以获得条码区域，具有速度快、硬件资源消耗低的优点。然而在PCB板这种场景中，如附图1所示，由于PCB上有大量的电子元器件，其横竖形状与条码特征极为相似，利用传统的特征搜索方式，会寻找到大量的条码候选框，时间消耗急剧上升，误检率也高。此外，由于候选框数量庞大，往往也会使得真正的条码区域被舍弃，造成漏检率高，传统方法失效。
技术实现思路
本专利技术要解决的技术问题是如何提供一种快速、定位准确的PCB板上的条码定位方法及系统。为了解决上述技术问题，本专利技术的技术方案为：一方面，本专利技术提出了一种PCB板上的条码定位方法，包括步骤：采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。优选地，所述模型二的网络深度比所述模型一的网络深度深。优选地，所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。优选地，所述阈值二的值小于阈值一的值。优选地，所述模型一的卷积神经网络为全卷积网络。另一方面，本专利技术还提出一种PCB板上的条码定位系统，包括：采集模块：采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；模型一：使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；第一筛选模块：将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；模型二：将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；第二筛选模块：将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。优选地，所述模型二的网络深度比所述模型一的网络深度深。优选地，所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。优选地，所述阈值二的值小于阈值一的值。优选地，所述模型一的卷积神经网络为全卷积网络。采用上述技术方案，对所述图片进行多尺度缩放，获得多个尺度下的图片；使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。本专利技术从卷积神经网络结构优化、检测流程优化、训练样本准备，兼顾资源消耗和检测性能表现，针对pcb板上的条码区域进行定位，使条码定位准确率较高，同时平均时间消耗较短。附图说明图1为
技术介绍
中的PCB板照片；图2为本专利技术PCB板上的条码定位方法一实施例的步骤流程图；图3为本专利技术中模型一网络模型结构图；图4为本专利技术中模型二网络模型结构图。具体实施方式下面结合附图对本专利技术的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。此外，下面所描述的本专利技术各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术提出了一种PCB板上的条码定位方法，包括步骤：S10：采集PCB板的图片，对图片进行多尺度缩放，获得多个尺度下的图片；S20：使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框，模型一的卷积神经网络为全卷积网络；S30：将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；S40：将候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框，模型二的网络深度比模型一的网络深度深；模型二训练时，添加了模型二中误检的负样本以及模型一中误检的负样本，以进行困难样本的学习。阈值二的值小于阈值一的值。S50：将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。本专利技术另一实施例中，以DM二维码条码为例，通过摄像头采集图片，具体的定位包括以下步骤。第一步，通过摄像头采集PCB板图片，摄像头不限于使用彩色RGB摄像头或者是灰度摄像头。第二部，对采集的图片进行多尺度缩放。条码大小不定，拍摄的距离也不定，在图片中的大小不一，因此对图片进行多尺度缩放，可以适应不同大小的条码，这里会根据图片的大小[w,h],以及缩放因子s,估摸的最小条码尺寸minW,以及预测模型一网络输入[m,m]来定义缩放次数，缩放次数第i次的缩放比例本实施例中设缩放因子s＝0.8,而估摸的最小条码尺寸，会根据图库最小条码的尺寸进行设计，这里minW为40，本专利技术实施例中预测预测模型一的输入m为16。第三步，将每个尺度下的图片输入训练好的模型一进行预测，并输出概率值大于阈值的候选框。为了加快检测的速度，本专利技术实施例中这一步骤中的深度学习模型一满足两个条件：一、卷积神经网络为全卷积网络，这样，使得网络可以适应不同输入尺寸的图片大小二、深度学习模型一的网络深度比较浅，同时卷积核也比较小，使用3*3大小的卷积核。本实施例通过这样的设计，使得网络的硬件资源消耗少，前向推理时间也少，能快速获得大量的候选条码框。参照图3，本模型一包含输入输出层，共有7层，第一层，输入层，大小为16*16，RGB3通道，第二层，卷积层，卷积核大小3*3,输出featuremap大小16，每个featuremap尺寸14*14，第三层，max-pool下采样层，采样大小2*2，输出7*7*16，第四层，卷积层，卷积核大小3*3，输出featuremap大小32，每个featuremap尺寸5*5，第五层，卷积层，卷积核大小3*3，输出featuremap大小64，每个featuremap尺寸3*3，第本文档来自技高网...

【技术保护点】
1.一种PCB板上的条码定位方法，其特征在于，包括步骤：/n采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；/n使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；/n将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；/n将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；/n将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。/n

【技术特征摘要】
1.一种PCB板上的条码定位方法，其特征在于，包括步骤：
采集PCB板的图片，对所述图片进行多尺度缩放，获得多个尺度下的图片；
使用深度学习模型一，对每个尺度下的图片进行预测，保留预测概率值大于阈值一的矩形框；
将每个尺度下检测的矩形框进行汇聚，利用非极大值抑制算法进行融合，生成候选条码框；
将所述候选条码框输入深度学习模型二中进行预测，保留预测概率值大于阈值二的候选条码框；
将保留的候选条码框利用非极大值抑制算法进行融合，输出最终的条码定位框。


2.根据权利要求1所述的PCB板上的条码定位方法，其特征在于：所述模型二的网络深度比所述模型一的网络深度深。


3.根据权利要求1所述的PCB板上的条码定位方法，其特征在于：所述模型二训练时，添加了所述模型二中误检的负样本以及所述模型一中误检的负样本，以进行困难样本的学习。


4.根据权利要求1所述的PCB板上的条码定位方法，其特征在于：所述阈值二的值小于阈值一的值。


5.根据权利要求1至4任一项所述的PCB板上的条码定位方法，其特征在于：所述模型一的卷积神经网络为全卷积网络。


6.一种PCB...

【专利技术属性】
技术研发人员：何学智，黄自力，林林，
申请(专利权)人：新大陆数字技术股份有限公司，
类型：发明
国别省市：福建;35