[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

说明书

本发明公开了一种条形码定位模型训练方法、定位方法、系统、设备及介质，包括：获取工业场景下的少量样本数据，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。本发明不依赖于像素级的条形码标注信息，仅需少量的工业条形码数据就能完成条形码定位模型的训练，显著降低条形码标注和数据收集成本，具有通用性强、鲁棒性高的特点，适于任意尺度、任意角度的条形码定位。

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种条形码定位模型训练方法、定位方法、系统、设备及介质。

背景技术

近几年，随着智能化工业生产需求的不断提高，智能制造系统的复杂性不断增加，利用一维码、二维码等条形码对工业产品及零部件进行标识，实现对产品及零部件的生成追踪，装配管理，生命周期维护等已经成为自动化工业的行业标准。同时，条形码在仓储物流、文件管理、票务信息存储和处理等方面的应用使得这些领域的便捷性有了显著提升。

与民用条形码不同的是，工业条形码的应用环境通常较为复杂，例如存在失真、模糊、磨损、对比度低、无静止区、噪声干扰严重等问题，导致常规的定位算法无法满足其需求，于是出现了一种在鲁棒性、准确率方面都优于常规的定位算法的基于深度学习的定位方法。现有的主流工业级基于深度学习的条形码定位技术是基于目标检测算法实现的。该技术通常把一个条形码区域作为目标检测算法中的一个目标框，在训练和推理尺寸相同或者相差较小的情况下能够具有较优的检测效果，特别是基于一阶段的目标检测算法，例如，YOLO、SSD等。然而，当训练尺寸和推理尺寸相差较大或者条形码形状变化较大时，基于目标检测的条形码定位精度便大打折扣，出现漏检、误检的概率显著增加。

因此，需要对现有技术进行改进。

以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。

发明内容

本发明提供一种基于语义分割的条形码定位模型训练方法、定位方法、系统、设备及介质，以解决现有技术的不足。

为实现上述目的，本发明提供以下的技术方案：

第一方面，本发明提供一种基于语义分割的条形码定位模型的训练方法，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。

第二方面，本发明提供一种条形码定位模型的训练系统，所述系统包括：

数据获取模块，用于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；

数据扩充模块，用于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；

数据转化模块，用于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；

模型训练模块，用于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。

第三方面，本发明提供一种基于语义分割算法的条形码定位方法，所述方法包括：