[发明专利]条形码定位模型训练方法、定位方法、系统、设备及介质

权利要求书

1.一种条形码定位模型的训练方法，其特征在于，所述方法包括：

获取工业场景下的少量样本数据，所述少量样本数据包括带旋转角度或不带旋转角度的条形码图片；

根据所述少量样本数据，生成大量的矩形框表示的实例级标注信息的训练样本数据；

将大量的所述实例级标注信息的训练样本数据转化成相应的像素级标注信息的训练样本数据；

根据大量的所述像素级标注信息的训练样本数据对条形码定位模型进行训练，得到基于语义分割算法的条形码定位模型；所述将大量的所述实例级标注信息的训练样本数据转化成相应的像素级标注信息的训练样本数据的步骤包括：将大量的所述实例级标注信息的训练样本数据中的每个矩形框的标注信息转化成四个坐标信息；将每个矩形框对应的四个坐标信息转化成多边形表示，并利用多边形填充的方式将多边形内所有的像素赋值为标注框的标签，以转化成相应的像素级标注信息的训练样本数据。

2.根据权利要求1所述的条形码定位模型的训练方法，其特征在于，所述基于语义分割算法的条形码定位模型由轻量化的特征提取模块和特征解码模块组成。

3.根据权利要求2所述的条形码定位模型的训练方法，其特征在于，所述轻量化的特征提取模块中的卷积层为空洞卷积层。

4.根据权利要求2或3所述的条形码定位模型的训练方法，其特征在于，所述轻量化的特征提取模块中的卷积层的层数N的范围为6-12，为通用卷积层的层数的1/2到1/3；卷积核的个数C_l的范围为16-128，为通用卷积核的个数的1/4到1/8。

5.根据权利要求2所述的条形码定位模型的训练方法，其特征在于，所述特征解码模块包括语义网络和细节网络，所述语义网络和所述细节网络分别提取条形码的宏观语义信息和局部细节信息，以融合两种不同粒度的信息对条形码进行分割；

训练时，分别给所述语义网络和所述细节网络增加一个分割头,并利用监督信息对所述语义网络和所述细节网络进行训练。

6.根据权利要求1所述的条形码定位模型的训练方法，其特征在于，所述根据所述少量样本数据，生成大量的矩形框表示的实例级标注信息的训练样本数据的步骤包括：

对所述少量样本数据中的条形码图片用带角度的矩形框进行标注，并截取所述矩形框内的条形码；

获取多张不带条形码的背景图片；

将截取的条形码随机粘贴、融合到所述背景图片中，以生成大量的矩形框表示的实例级标注信息的训练样本数据。

7.根据权利要求6所述的条形码定位模型的训练方法，其特征在于，在所述将截取的条形码随机粘贴、融合到所述背景图片中，以生成大量的矩形框表示的实例级标注信息的训练样本数据的步骤之前，所述方法还包括：

对所述截取的条形码进行图像变化处理。

8.根据权利要求7所述的条形码定位模型的训练方法，其特征在于，所述图像变化处理包括几何图像变化、颜色空间变换、模糊、锐化、生成对抗网络中的一种或多种。

9.根据权利要求6所述的条形码定位模型的训练方法，其特征在于，所述将截取的条形码随机粘贴、融合到所述背景图片中，以生成大量的矩形框表示的实例级标注信息的训练样本数据的步骤包括：

在所述背景图片中对选中的条形码进行不重叠的随机融合操作并记录相对应的数据标签信息；

对粘贴有条形码的所述背景图片进行常规的数据扩充操作以及相对应的标签变化。

10.根据权利要求9所述的条形码定位模型的训练方法，其特征在于，所述常规的数据扩充操作包括随机翻转、随机裁剪、随机颜色抖动、灰度化、高斯模糊和复制粘贴中的一种或多种。