[发明专利]PCB板上的条码定位方法及系统

说明书

本发明公开了一种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。

技术领域

本发明涉及图像识别技术领域，特别涉及一种PCB板上的条码定位方法及系统。

背景技术

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。

发明内容

本发明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，本发明的技术方案为：

一方面，本发明提出了一种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，本发明还提出一种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。