[發明專利]一種基于SSD網絡模型的曲面QR碼定位方法

有效

• 申請號: 202010393000.8
• 申請日: 2020-05-11
• 公開（公告）號: CN111652012B
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 譚洪舟;羅焱;陳榮軍
• 申請（專利權）人: 中山大學
• 主分類號: G06K7/14
• 分類號: G06K7/14;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

1.一種基于SSD網絡模型的曲面QR碼定位方法，其特征在于，包括以下步驟：

S1.建立曲面QR碼數據集并對其進行預處理；

S2.搭建PPN-SSD框架，所述PPN-SSD框架以Inception網絡為基礎網絡，添加輔助網絡層作為網絡的特征提取層和分類層；

其中，PPN-SSD框架采用Inception v3網絡在ImageNet數據集上的預訓練模型作為基礎網絡，進行特征提取；

PPN-SSD框架的特征提取層包括一個卷積層“mixed1_c”層和五個最大池化層“max_pool_1”層，“max_pool_2”層，“max_pool_3”層，“max_pool_4”層和“max_pool_5”層作為特征提取層；

在提取出的每個特征圖的每個點上產生一系列不同大小不同比例的默認預測框，得到目標候選區域；

將獲取的目標候選區域使用一個在所有尺度上共享的卷積來預測得出類別得分和候選框位置信息，消除多余預測框，得到得分大于設定閾值的檢測結果；

PPN-SSD框架的分類層采用一個在所有尺度上共享的卷積來預測目標圖像的類別得分和候選框位置信息；

S3.利用所述PPN-SSD框架進行模型訓練得到曲面QR碼定位模型；

S4.利用訓練好的曲面QR碼定位模型對曲面QR碼進行定位。

2.根據權利要求1所述的基于SSD網絡模型的曲面QR碼定位方法，其特征在于，步驟S1所述的預處理具體包括：對所述曲面QR碼數據集進行標注，并將其中每張圖像的編號、長度、寬度、目標類別和目標位置信息分別填入csv格式文件中，從而將所述曲面QR碼數據集轉換為csv格式文件；將轉換后的文件數據劃分為訓練集和測試集。

3.根據權利要求2所述的基于SSD網絡模型的曲面QR碼定位方法，其特征在于，所述步驟S3具體包括：

輸入所述訓練集作為訓練輸入數據，并對其進行數據增廣操作；

初始化網絡：使用所述Inception v3網絡在ImageNet數據集上訓練得到的預訓練模型作為所述曲面QR碼定位模型的參數的初始值，得到基礎網絡；

經過所述基礎網絡的中間層后，使用所述五個最大池化層進行特征提取；

基于提取出的特征圖，經所述分類層對目標圖像的類別得分和候選框位置信息進行預測得到預測目標框；

計算所述預測目標框與其目標圖像的真實目標框之間的誤差，然后由反向傳播算法對誤差函數進行權重更新；

進行迭代訓練，直至所述誤差函數的損失值小于預設閾值或達到最大迭代次數時停止訓練，得到曲面QR碼定位模型。

4.根據權利要求3所述的基于SSD網絡模型的曲面QR碼定位方法，其特征在于，在所述步驟S3中，所述數據增廣操作包括：隨機選取訓練集的圖像調整其對比度、亮度和飽和度，對訓練集中的圖像進行旋轉、扭曲、裁剪或遮擋操作，為訓練集中的圖像加入高斯噪聲，對訓練集中的圖像進行上下翻轉或鏡像翻轉。

5.根據權利要求4所述的基于SSD網絡模型的曲面QR碼定位方法，其特征在于，在所述步驟S3中，所述誤差函數具體為：

其中，N是匹配的預測目標框數目，L_conf是置信度損失，L_loc是定位損失，x代表目標物體，c代表置信度，l代表預測目標框，g表示真實目標框，α為定位損失所占的權重。

6.根據權利要求2所述的基于SSD網絡模型的曲面QR碼定位方法，其特征在于，所述步驟S4還包括：

利用訓練好的曲面QR碼定位模型對測試集進行曲面QR碼定位，設置IoU系數閾值，即檢測結果預測目標框與真實目標框之間的區域交并比；若檢測結果的IoU系數大于設置的IoU系數閾值，則輸出該檢測結果；否則，放棄該檢測結果。