[發明專利]一種基于深度學習的條形碼識別方法及圖書檢索系統

在審

• 申請號: 202210052226.0
• 申請日: 2022-01-18
• 公開（公告）號: CN114417904A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 程娟娟;謝曉麗
• 申請（專利權）人: 南京信息職業技術學院
• 主分類號: G06K7/14
• 分類號: G06K7/14;G06N3/04;G06N3/08;G06V10/82;G06V10/764;G06V10/24;G06V30/19;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種基于深度學習的條形碼識別方法，其特征在于，包括：

根據檢測圖像中豎直和水平方向灰度變化提取條形碼圖像特征；

采用最大類間方差法確定條形碼圖像特征二值化處理的閾值，并對條形碼圖像特征進行二值化處理；

利用Hough變換對條形碼的傾斜條碼進行矯正，獲得待識別條形碼圖像；

采用訓練后的全卷積神經網絡對待識別條形碼圖像提取識別序列，將識別序列輸入預先訓練的RNN循環神經網絡，通過RNN循環神經網絡獲得其各通道識別的字元序列，根據字元序列中各字元之間相關性，得出對字元分類的概率結果，以及采用全局優化算法獲取各字元序列對應字符的全概率，輸出概率最大的字符完成準確識別條形碼。

2.根據權利要求1所述的一種基于深度學習的條形碼識別方法，其特征在于，根據檢測圖像中豎直和水平方向灰度變化提取條形碼圖像特征，方法包括：

通過條碼閱讀器獲取檢測圖像中橫向差分灰度值和縱向差分灰度值，以橫向差分灰度值和縱向差分灰度值的比值為特征參數，提取特征參數大于設定值的圖像區域，作為條形碼圖像特征。

3.根據權利要求2所述的一種基于深度學習的條形碼識別方法，其特征在于，采用最大類間方差法確定條形碼圖像特征二值化處理的閾值，方法包括：

設灰度值k為閾值，類A和類B分別由灰度值0至k-1和k至255的像素點組成，類間方差為：

σ²(κ)＝ω_A(μ_A-μ)²+ω_B(μ_B-μ)²

μ＝μ_Aω_A+μ_Bω_B

其中，μ是條形碼圖像特征的平均灰度值，ω_A，ω_B是類A和類B出現的概率，μ_A，μ_B是類A和類B的平均灰度值；

對σ²(κ)進行優化求解得灰度值k的最大值，作為二值化處理分割的閾值。

4.根據權利要求3所述的一種基于深度學習的條形碼識別方法，其特征在于，利用Hough變換對條形碼的傾斜條碼進行矯正，獲得待識別條形碼圖像，方法包括：

根據縱向差分灰度值將條形碼圖像特征分為多個條碼區域，分別求出傾斜角度，并對各條碼區域分別進行矯正。

5.根據權利要求1或4所述的一種基于深度學習的條形碼識別方法，其特征在于，采用訓練后的全卷積神經網絡對待識別條形碼圖像提取識別序列，方法包括：

采用訓練后的全卷積神經網絡將待識別條形碼圖像的高度采樣設置為1，獲取待識別條形碼圖像的寬度方向上灰度值變化，作為識別序列；

所述全卷積神經網絡的訓練包括：由數據庫中獲取歷史條形碼圖像，作為訓練數據集；通過訓練數據集對全卷積神經網絡進行訓練。

6.根據權利要求5所述的一種基于深度學習的條形碼識別方法，其特征在于，所述RNN循環神經網絡經過softmax處理得出對字元分類的概率結果。

7.根據權利要求6所述的一種基于深度學習的條形碼識別方法，其特征在于，采用全局優化算法獲取各字元序列對應字符的全概率，輸出概率最大的字符完成準確識別條形碼，方法包括：

將字元概率轉換為信息熵的形式，對各字元序列對應的信息熵進行加和，計算公式為：

其中，P_n表示每個字元各分類的概率，S_n＝logP_n表示每個字元各分類概率轉化的信息熵,n是字元分類數目；

獲取最大信息熵加和值的字元序列并輸出對應的字符，完成準確識別條形碼。

8.一種圖書檢索系統，包括條碼閱讀器和條碼識別裝置；條碼閱讀器與條碼識別裝置電性連接；所述條碼閱讀器用于采集圖書上包含條形碼的檢測圖像；其特征在于，所述條碼識別裝置實現權利要求1至7任意一項所述條形碼識別方法得到條形碼識別結果。