[發明專利]PCB板上的條碼定位方法及系統

在審

• 申請號: 201911387776.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111222355A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 何學智;黃自力;林林
• 申請（專利權）人: 新大陸數字技術股份有限公司
• 主分類號: G06K7/14
• 分類號: G06K7/14
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種PCB板上的條碼定位方法，對圖片進行多尺度縮放，獲得多個尺度下的圖片；使用深度學習模型一，對每個尺度下的圖片進行預測，保留預測概率值大于閾值一的矩形框；將每個尺度下檢測的矩形框進行匯聚，利用非極大值抑制算法進行融合，生成候選條碼框；將候選條碼框輸入深度學習模型二中進行預測，保留預測概率值大于閾值二的候選條碼框；將保留的候選條碼框利用非極大值抑制算法進行融合，輸出最終的條碼定位框。本發明從卷積神經網絡結構優化、檢測流程優化、訓練樣本準備，兼顧資源消耗和檢測性能表現，針對pcb板上的條碼區域進行定位，使條碼定位準確率較高，同時平均時間消耗較短。

技術領域

本發明涉及圖像識別技術領域，特別涉及一種PCB板上的條碼定位方法及系統。

背景技術

作為重要的電子連接件，PCB板幾乎用在了所有的電子產品上，而PCB板的信息追溯是電子行業發展中不可或缺的一環。目前，主要通過激光打碼的方式，將帶有溯源信息的二維碼，特別是DM碼，刻在PCB板上。通過讀取設備自動讀取DM二維碼條碼，首先需要對DM二維碼條碼進行定位。

普通場景的DM二維碼條碼定位主要根據條碼的特征，人工提取相關規則，通過傳統的圖像行掃描、形態學濾波、邊緣檢測等圖像處理技術以獲得條碼區域，具有速度快、硬件資源消耗低的優點。然而在PCB板這種場景中，如附圖1所示，由于PCB上有大量的電子元器件，其橫豎形狀與條碼特征極為相似，利用傳統的特征搜索方式，會尋找到大量的條碼候選框，時間消耗急劇上升，誤檢率也高。此外，由于候選框數量龐大，往往也會使得真正的條碼區域被舍棄，造成漏檢率高，傳統方法失效。

發明內容

本發明要解決的技術問題是如何提供一種快速、定位準確的PCB板上的條碼定位方法及系統。

為了解決上述技術問題，本發明的技術方案為：

一方面，本發明提出了一種PCB板上的條碼定位方法，包括步驟：

采集PCB板的圖片，對所述圖片進行多尺度縮放，獲得多個尺度下的圖片；

使用深度學習模型一，對每個尺度下的圖片進行預測，保留預測概率值大于閾值一的矩形框；

將每個尺度下檢測的矩形框進行匯聚，利用非極大值抑制算法進行融合，生成候選條碼框；

將所述候選條碼框輸入深度學習模型二中進行預測，保留預測概率值大于閾值二的候選條碼框；

將保留的候選條碼框利用非極大值抑制算法進行融合，輸出最終的條碼定位框。

優選地，所述模型二的網絡深度比所述模型一的網絡深度深。

優選地，所述模型二訓練時，添加了所述模型二中誤檢的負樣本以及所述模型一中誤檢的負樣本，以進行困難樣本的學習。

優選地，所述閾值二的值小于閾值一的值。

優選地，所述模型一的卷積神經網絡為全卷積網絡。

另一方面，本發明還提出一種PCB板上的條碼定位系統，包括：

采集模塊：采集PCB板的圖片，對所述圖片進行多尺度縮放，獲得多個尺度下的圖片；

模型一：使用深度學習模型一，對每個尺度下的圖片進行預測，保留預測概率值大于閾值一的矩形框；

第一篩選模塊：將每個尺度下檢測的矩形框進行匯聚，利用非極大值抑制算法進行融合，生成候選條碼框；

模型二：將所述候選條碼框輸入深度學習模型二中進行預測，保留預測概率值大于閾值二的候選條碼框；

第二篩選模塊：將保留的候選條碼框利用非極大值抑制算法進行融合，輸出最終的條碼定位框。