基于區(qū)域梯度統(tǒng)計分析與卷積神經網絡的條碼定位算法研究.pdf

1、條碼技術經過多年發(fā)展，因為其經濟、便利、可行等特點，已經在物流、零售、供應鏈管理等領域得到廣泛應用。近年來隨著智能手機和移動互聯(lián)網的普及，條碼技術也從過去單純的貨物標簽用途，轉向了更為廣闊的應用場景。在工業(yè)應用中，對基于圖像的高速、精準且具備一定魯棒性的條碼定位算法有獨特的需求。為了提高在工業(yè)場景中條碼識讀的自動化水平，圖像處理技術在條碼定位問題中得到了眾多應用。傳統(tǒng)基于圖像的定位算法主要應用現(xiàn)有的理論成果，利用圖像處理方法，從圖像中得

2、到條碼的大致位置進行識讀。此類方法對于一般條件下的條碼有不錯效果，但是自適應程度較差，難以處理諸如尺度、模糊等變換問題。同時定位精度較粗糙，無法得到較為準確的條碼頂點信息。區(qū)別于人工的特征選取技術，深度學習技術被證明能夠學習樣本內部的統(tǒng)計規(guī)律和特征，得到超越人工特征的識別效果。
　　本研究主要內容包括：⑴研究了國內外發(fā)表的主要條碼識別和定位工作。深入研究和比較了現(xiàn)有條碼識讀裝置的特點的基礎上，明確了利用數(shù)字圖像處理條碼定位問題的優(yōu)

3、勢。在廣泛閱讀相關文獻后，對現(xiàn)有定位方法進行分類和整理，為后續(xù)工作奠定了基礎。⑵針對作為研究對象的線性碼、PDF417碼、線性堆疊碼與線性PDF堆疊碼四種條碼類型，設計了使用圖像處理方法的條碼頂點定位方案。結合信息熵的計算概念，提出基于區(qū)域塊的梯度統(tǒng)計檢測。利用粗定位和有針對性設計的精確定位的兩步定位方法，在模糊、光照明暗、尺度、旋轉、位移、傾斜等八種圖像變換下實現(xiàn)平均80％的定位準確度。⑶將深度學習結構引入條碼定位問題。區(qū)別于圖像方式