本申请涉及在携带代码的对象的图像中找出代码图像区域。一种用于在携带代码的对象(14)的初始图像中找出代码图像区域的方法，其中在第一分割方法中使用没有机器学习的经典图像处理方法确定代码图像区域的第一候选对象，以及在第二分割方法中使用机器学习确定代码图像区域的第二候选对象，其中合并第一候选对象和第二候选对象以找出代码图像区域。对象和第二候选对象以找出代码图像区域。对象和第二候选对象以找出代码图像区域。
【技术实现步骤摘要】
Segmentation using Barcode
‑
30k Database”，arXiv preprint arXiv:1807.11886(2018)中，对大数据集进行了合成，因此通过CNN进行代码分割。对确切的网络架构和硬件实现未做介绍。
[0008]在Xiao Yunzhe和Zhong Ming的“1D Barcode Detection via Integrated Deep
‑
Learning and Geometric Approach”，Applied Sciences 9.16(2019):3268中声称在定位条形码时，与以前的方法相比，性能至少提高了5％，而无需手动设置参数。
[0009]在Hansen，Daniel Kold等人的“Real
‑
Time Barcode Detection and Classification using Deep Learning”，IJCCI.2017中，使用Intel i5
‑
6600 3.30GHz和Nvidia GeForce GTX 1080实时识别代码区域(包括扭曲)。
[0010]在Zharkov，Andrey；Zagaynov，Ivan的“Universal Barcode Detector via Semantic Segmentation”，arXiv preprint arXiv:1906.06281,2019中，在CPU环境中识别条形码并辨别代码类型。
[0011]DE 101 37 093A1公开了一种识别代码的方法和读码器，其中借助神经网络执行在图像环境中定位代码的步骤。并没有详细描述神经网络的训练和架构。DE 10 2018 109 392 A1提出使用卷积网络来检测光学代码。从US 10 650 211B2中已知另一种读码器，该读码器使用卷积网格来找出所记录图像中的代码。
[0012]EP 3 428 834 B1使用经典解码器，该解码器使用没有机器学习的方法工作来训练被设计用于机器学习的分类器或者更具体地说是神经网络。但文中并没有详细研究预处理或找出代码区域。
[0013]在EP 3 916 633 A1中，描述了一种用于处理图像数据的相机和方法，其中在流处理方法中借助神经网络进行分割，即还在读入另外的图像数据期间，图像数据已经被处理。至少可以在FPGA上实现神经网络的第一层。这大大减少了计算时间和对硬件的要求，但并没有改善分割本身。
[0014]在现有技术中，到目前为止只执行经典分割或使用神经网络进行分割。因此，这两种类型的分割的优势互补以及劣势平衡的可能性未被认识到，也没有被利用。
[0015]因此，本专利技术的任务是进一步改进代码图像区域的分割或找出。
[0016]该任务通过根据权利要求1的用于在携带代码的对象的初始图像中找出代码图像区域的计算机实现的方法以及根据权利要求15的光电读码器来解决。在对象上附有至少一个光学条形码或2D代码，或者在任何情况下都假定这样。因此，在对象的记录(即初始图像)中，至少有一个代码图像区域，即具有代码的图像区段(ROI，Region of Interest——感兴趣区域)，其中不排除由于记录情况或视角而没有记录到代码，并且也可能发生对象实际上没有携带代码或丢失代码的情况。例如，初始图像是由传送带处的相机在输送运动期间记录的，或者对象在相机的视场中被呈现给相机。
[0017]找出代码图像区域，也称为分割，优选地是读取光学代码方法的准备步骤，其中，随后将所找出的代码图像区域提供给解码器，解码器读出相应代码图像区域中代码的代码内容或对代码进行解码。
[0018]在第一分割方法中，确定代码图像区域的第一候选对象。第一分割方法使用经典图像处理方法工作，例如使用手动选择和参数化的滤波器工作。经典图像处理的区别在于：不使用机器学习方法，特别是不使用神经网络。因此，这里经典应该是与机器学习相反的术
语。在经典的图像处理中，也可以进行参数的设置和调整，但这本身并不是机器学习。重要的实际区别在于，经典分割已经为其任务做好了编程准备，而不需要经验或训练，并且经典分割的性能从开始到整个运行时几乎是恒定的。然而，在机器学习中，所有这些决不仅仅取决于程序化的结构，而是更加与训练和训练数据的质量相关。传统经典分割将已经完成了对第一候选对象的确定，第一候选对象将是分割后找到的代码图像区域。
[0019]本专利技术基于以下基本思想：经典分割与机器学习的分割相结合。为此目的，通过使用具有机器学习的第二分割方法确定代码图像区域的第二候选对象。基于机器学习的传统分割只需确定第二候选对象就已经完成了，而无需确定第一候选对象，第二候选对象将是分割后找出的代码图像区域。
[0020]根据本专利技术，使用两种不同的分割方法找到的第一候选对象和第二候选对象随后被组合，以找出代码图像区域。因此，第一候选对象和第二候选对象被一起考虑，这是两个分割的融合(smart fusion——智能融合)。
[0021]本专利技术的优点在于，通过这两种分割方法的组合，可以发挥它们各自的优势。经典分割往往过于精细，会产生太多实际上根本不包含代码的假阳性的代码图像区域，而使用机器学习的分割则容易遗漏代码，从而产生假阴性错误。正如引言中所述，假阳性的图像区域会耗费宝贵的计算时间，这可能间接地导致读取速率降低，因为在实时或准实时条件下，至少有些代码图像区域无法再进行评估。被遗漏的代码图像区域中未被读取的代码会直接降低读取速率。通过智能组合这两个分割，可以减少第一类和第二类的错误。因此，这有效地将经典分割的细粒度和准确率与使用机器学习的分割的选择性结合起来，并且整体读取速率提高。
[0022]有利地，第一分割方法生成第一结果图和/或第二分割方法生成第二结果图，其中结果图是分辨率低于初始图像的图像，该图像的像素具有关于在该像素的位置处是否识别到代码图像区域的信息。这是第一候选对象和第二候选对象作为各自的结果图(heatmap——热点图)的特别易于使用的表示。特别地，根据本专利技术的实施方式，以不同的方式组合两个结果图，以找出代码图像区域(融合热点图)。由于与初始图像相比分辨率较低，结果图的每个像素代表初始图像的某个区域或图块(Kachel)，并以二进制形式或使用评分值提供信息，指示该像素是否是代码图像区域的一部分，或者代码(部分)在该图块中被记录的可能性有多大，可能还提供了分类信息，如可能是哪种类型的代码。
[0023]在找出候选对象之后，优选地进行精细分割，其中代码图像区域被更精细地限定，特别是以初始图像的分辨率更精细地限定。关于代码图像区域的位置的信息不一定包含代码的确切边界。例如，在结果图的情况下，代码图像区域仅以其较粗的分辨率定位。精细分割改善了代码图像区域的边界，优选是初始图像的分辨率的像素精度。可以对第一候选对象、第二候选对象和/或融合后找出的代码图像区域进行精细分割。
[0024]优选地，代码图像区域被视为位于初始图像中确定了第本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于在携带代码的对象(14)的初始图像中找出代码图像区域的计算机实现的方法，其中在第一分割方法中使用没有非机器学习的经典图像处理方法确定代码图像区域的第一候选对象，其特征在于，在第二分割方法中使用机器学习确定代码图像区域的第二候选对象，并且合并所述第一候选对象和所述第二候选对象，以找出所述代码图像区域。2.根据权利要求1所述方法，其中，所述第一分割方法生成第一结果图和/或所述第二分割方法生成第二结果图，其中，结果图是分辨率低于所述初始图像的图像，所述图像的像素具有关于在该像素的位置处是否识别到代码图像区域的信息。3.根据权利要求1或2所述方法，其中，在找出候选对象之后，进行精细分割，其中所述代码图像区域被更精细地限定，特别是以所述初始图像的分辨率更精细地限定。4.根据前述权利要求中任一项所述的方法，其中，代码图像区域被视为位于所述初始图像中确定了第一候选对象和第二候选对象的位置，或者可替代地，位于确定了第一候选对象或第二候选对象的位置。5.根据前述权利要求中任一项所述的方法，其中，补充所述第一候选对象以形成连通的图像区域，特别是借助连通分量方法来进行补充，并且其中，仅保留小于阈值大小的小的第一候选对象，并且特别地，所述小的第一候选对象被附加地视为代码图像区域。6.根据前述权利要求中任一项所述的方法，其中，补充所述第二候选对象以形成连通的图像区域，特别是通过连通分量方法进行补充，并且其中，仅保留排他性的第二候选对象，所述排他性的第二候选对象的位置与已经找出的代码图像区域的位置不一致，并且特别地，所述排他性的第二候选对象被附加地视为代码图像区域。7.根据前述权利要求中任一项所述的方法，其中，为所述第一候选对象、所述第二候选对象和/或代码图像区域确定一数值，所述数值指示在所代表的位置处在初始图像中识别到光学代码(20、22)的可靠程度...
【专利技术属性】
技术研发人员：帕斯卡尔，
申请(专利权)人：西克股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。