基于物流运单的实时条码检测系统及方法技术方案

本发明专利技术涉及条码检测技术领域，具体涉及一种基于物流运单的实时条码检测系统及方法，本发明专利技术获取条码图片信息，并通过Block1来快速的缩小图片的大小；对压缩后的图片利用Block2进行特征提取；通过特征增强模块进行两个阶段的融合；对条码图片加入边界信息的学习；利用混合损失函数对边界信息进行预测，输出结果；本发明专利技术提供一种轻量级的全卷积骨干网络，特征增强模块，将不同层的特征进行融合，将混合损失函数首次引入到条码检测中，将边界学习引入到条码检测中，对条码识别达到了很快的速度和精度。

Real time barcode detection system and method based on Logistics waybill

【技术实现步骤摘要】
基于物流运单的实时条码检测系统及方法
本专利技术涉及条码检测
，具体涉及一种基于物流运单的实时条码检测系统及方法。
技术介绍
自从1960年以来，人们已经专利技术了很多种不同类型的条码，条码应用在不同的行业领域之间，并且都取得了很大的成功。条形码在现代社会中逐渐变的不可或缺。当前的技术发展下，有两种主流的条码识别方式：一种是条码激光枪，另一种是普通的摄像头。条码激光枪经过多年的发展，技术上已经非常成熟，但是它有两个缺点：1)就是无法同时读取多个条码2)它无法从屏幕上解码条码，因为它很严重的依赖激光的反射光。普通的摄像头识别条形码是一个简单应用程序，它几乎可以胜任所有的条码检测。目前在大多数条码识别的应用中，仍然需要人工的干预。例如在微信扫一扫中，我们需要手握手机，定位条形码到一个粗略的范围。另外大多数应用其实没有同时解码多个条形码，在使用过程中和手持条码激光枪的使用方法类似，无法提高解码效率。随着自动化物流技术的发展，对条码定位技术做出了新的要求。传统的条码定位需要人工的干预，这种方式的条码定位在分拣系统中是无法满足无人干预的需求。所以一种新的无人干预的、速度快的、精度高的条码定位技术在自动化物流分拣中是必须的。
技术实现思路
针对现有技术的不足，本专利技术主要是提出一种基于物流运单的实时条码检测系统及方法，为一种新的无人干预的、速度快的、精度高的条码定位技术，结合当前深度学习技术的发展，用于各个行业。本专利技术通过以下技术方案予以实现：第一方面，本专利技术公开一种基于物流运单的实时条码检测系统，包括轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；特征增强模块，对featuremap进行融合；边界学习模块，用于边界学习；函数执行模块，用于执行函数。更进一步的，所述轻量级的骨干网络模块由12个block堆叠而成，其中Block1总共有三层用来快速的缩小图片的大小，Block2总共有7层进行特征提取。更进一步的，所述Block1包括convolution层、BN层、relu层，所述Block2包括convolution层、BN层、relu层、convolution层、BN层、，convolution层、BN层、relu层。更进一步的，所述特征增强模块包含两个融合阶段：1)第一阶段是将1:16featuremap和1:8featuremap进行融合2)第二阶段是将1:8featuremap和1:4featuremap进行融合。更进一步的，所述特征增强模块经过第一阶段和第二阶段，最终得到1:4、1:8、1:16三种不同的featuremap，然后按照两个融合阶段，依次进行迭代。第二方面，本专利技术公开一种基于物流运单的实时条码检测方法，所述方法使用第一方面所述的基于物流运单的实时条码检测系统，其特征在于，所述方法包括以下步骤：S1获取条码图片信息，并通过Block1来快速的缩小图片的大小；S2对压缩后的图片利用Block2进行特征提取；S3通过特征增强模块进行两个阶段的融合；S4对条码图片加入边界信息的学习；S5利用混合损失函数对边界信息进行预测，输出结果。更进一步的，所述混合损失函数中，总的损失函数为lbarcode＝ldice_loss+λ1lfocal_loss(0.4)lborder＝lfocal_loss(0.5)ltotal＝lbarcode+λ2lborder(0.6)其中ltotal表示总的损失函数，lbarcode表示条码区域损失函数，lborder表示边界损失函数，λ1,λ2表示两个独立系数，在训练过程中用于调参。更进一步的，所述边界学习能区分连个粘连的条码，并进一步的提高预测的准确度。本专利技术的有益效果为：本专利技术提供一种轻量级的全卷积骨干网络，特征增强模块，将不同层的特征进行融合，将混合损失函数首次引入到条码检测中，将边界学习引入到条码检测中，对条码识别达到了很快的速度和精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术特征增强模块原理图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1本实施例公开一种基于物流运单的实时条码检测系统，包括轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；特征增强模块，对featuremap进行融合；边界学习模块，用于边界学习；函数执行模块，用于执行函数。轻量级的骨干网络模块由12个block堆叠而成，其中Block1总共有三层用来快速的缩小图片的大小，Block2总共有7层进行特征提取。Block1包括convolution层、BN层、relu层，所述Block2包括convolution层、BN层、relu层、convolution层、BN层、，convolution层、BN层、relu层。如图1所示特征增强模块包含两个融合阶段：1)第一阶段是将1:16featuremap和1:8featuremap进行融合2)第二阶段是将1:8featuremap和1:4featuremap进行融合。特征增强模块经过第一阶段和第二阶段，最终得到1:4、1:8、1:16三种不同的featuremap，然后按照两个融合阶段，依次进行迭代。当条码实例特别靠近的时候，神经网络容易在边界处判断失误，这种错误很多时候都是由于在制作条码标注的时候不够规范。为了解决边界像素的问题，我们不仅仅要检测条码区域，而且也要检测边界区域。边界信息对条码检测来讲，有着两方面的意义：1)边界学习能很好的区分连个粘连的条码2)边界部分的学习能够进一步的提高预测的准确度。加入边界信息的学习之后，我们的网络输出的条码区域会更加的准确，这样经过很小的后处理就可以得到我们的最终结果。实施例2本实施例公开一种基于物流运单的实时条码检测方法，所述方法使用第一实施例所述的基于物流运单的实时条码检测系统，所述方法包括以下步骤：S1获取条码图片信息，并通过Block1来快速的缩小图片的大小；S2对本文档来自技高网...

【技术保护点】
1.一种基于物流运单的实时条码检测系统，其特征在于，包括/n轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；/n特征增强模块，对feature map进行融合；/n边界学习模块，用于边界学习；/n函数执行模块，用于执行函数。/n

【技术特征摘要】
1.一种基于物流运单的实时条码检测系统，其特征在于，包括
轻量级的骨干网络模块，用于快速的缩小图片的大小，经过自身的blocks进行图片的大小缩小，用于后续图片进行充分的特征提取；
特征增强模块，对featuremap进行融合；
边界学习模块，用于边界学习；
函数执行模块，用于执行函数。


2.根据权利要求1所述的基于物流运单的实时条码检测系统，其特征在于，所述轻量级的骨干网络模块由12个block堆叠而成，其中Block1总共有三层用来快速的缩小图片的大小，Block2总共有7层进行特征提取。


3.根据权利要求2所述的基于物流运单的实时条码检测系统，其特征在于，所述Block1包括convolution层、BN层、relu层，所述Block2包括convolution层、BN层、relu层、convolution层、BN层、，convolution层、BN层、relu层。


4.根据权利要求1所述的基于物流运单的实时条码检测系统，其特征在于，所述特征增强模块包含两个融合阶段：
1)第一阶段是将1:16featuremap和1:8featuremap进行融合
2)第二阶段是将1:8featuremap和1:4featuremap进行融合。


5.根据权利要求4所述的基于物流运单的实时条码检测系统，其特征在...

【专利技术属性】
技术研发人员：康恒，代腾宇，毛振宇，黄雨，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11