[发明专利]PCB板上的条码定位方法及系统在审
| 申请号： | 201911387776.2 | 申请日： | 2019-12-30 |
| 公开（公告）号： | CN111222355A | 公开（公告）日： | 2020-06-02 |
| 发明（设计）人： | 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 |
| 主分类号： | G06K7/14 | 分类号： | G06K7/14 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 350015 福*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | pcb 条码 定位 方法 系统 | ||
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板上的条码定位系统，其特征在于，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。
7.根据权利要求6所述的PCB板上的条码定位系统，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。
8.根据权利要求6所述的PCB板上的条码定位系统，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。
9.根据权利要求6所述的PCB板上的条码定位系统，其特征在于：所述阈值二的值小于阈值一的值。
10.根据权利要求6至9任一项所述的PCB板上的条码定位系统，其特征在于：所述模型一的卷积神经网络为全卷积网络。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于新大陆数字技术股份有限公司，未经新大陆数字技术股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201911387776.2/1.html，转载请声明来源钻瓜专利网。
