一种快递包裹条形码快速检测方法技术

本发明专利技术公开了一种快递包裹条形码快速检测方法，包括：构建级联多尺度特征融合网络，所述特征融合网络包括依次连接的特征缩减网络和特征保持网络；将快递包裹条形码图像输入所述特征融合网络，通过卷积提取得到特征图；将所述特征图输入检测模块，对所述特征图进行分类和坐标回归，得到检测结果。本发明专利技术在准确度和速度方面具有明显优势，能够较好地解决实际应用中条形码检测问题。在其他实际运用环境中可结合具体需求自定义特征缩减网络、特征保持网络中特征融合层的数量，具有普适性。

A Fast Bar Code Detection Method for Express Parcels

【技术实现步骤摘要】
一种快递包裹条形码快速检测方法
本专利技术涉及深度学习、图像处理
，具体涉及一种快递包裹条形码快速检测方法。
技术介绍
图像处理技术是实现条形码检测的有效途径。传统图像算法要求在相对理想的物理环境下，通常采用提取条形码边缘纹理特征信息，或借助形态学处理算法腐蚀膨胀获得条形码区域，或采用霍夫变换算法检测条形码边缘直线等方法实现检测。传统图像算法对检测环境要求较高，往往在特定物理环境下才能实现较好的检测效果。但在现实中，在物流包裹自动分拣场景下，由于光照条件、现场环境等影响，采集到的图片质量参差不齐，比如光照变化剧烈、背景干扰复杂、条形码扭曲形变、条形码目标小等容易造成误检和漏检，导致条形码检测难度提升。因此，研究高可靠、强稳定的条码检测定位方法，对实现复杂环境下物流包裹的高效自动分拣具有重要意义。深度学习不同于传统图像算法需要手工设计特征，其可通过自学习提取相关特征，并能将特征提取、筛选、分类等任务融合在一个网络中进行优化，具备显著优势。特别地，卷积神经网络针对图像识别、图像理解、目标检测、语义分割等任务实现了远超传统图像算法的解决功能，并且凭借良好的鲁棒性能够适用于任何场景任务。卷积神经网络的目标检测模型主要分为两种：一种是以Faster-Rcnn为代表的基于候选区域的two-stage检测器，其原理是先使用深度卷积神经网络来获取图片的特征图，再将特征图通过区域提议网络(RegionProposalNetwork，RPN)生成候选区域，并结合分类器、边界回归器以及非极大值抑制算法等对候选区域进行分类和调整，进而获取有效目标；另一种是以YOLO和SSD为代表的基于回归的one-stage检测器，主要原理是选取输出层或者中间层的特征图直接进行分类和坐标回归。与two-stage检测器不同，基于回归的one-stage检测器省略了区域提议网络生成候选区域过程，直接将目标识别和目标判定融合在一起，较大程度节省了计算成本和时间消耗，对实现实时的端到端的目标检测具有重要作用。
技术实现思路
本专利技术的目的是通过以下技术方案实现的。具体的，本专利技术提供了一种快递包裹条形码快速检测方法，包括：构建级联多尺度特征融合网络，所述特征融合网络包括依次连接的特征缩减网络和特征保持网络；将快递包裹条形码图像输入所述特征融合网络，通过卷积提取得到特征图；将所述特征图输入检测模块，对所述特征图进行分类和坐标回归，得到检测结果。优选的，所述特征缩减网络用于特征图尺寸缩减和特征信息提取；所述特征保持网络用于特征语意信息融合。优选的，所述特征缩减网络包括多个特征融合模块，每个特征融合模块由3个3x3卷积层组成，所述特征融合模块的输出由所述3个卷积层卷积之后的特征图进行拼接获得，通过转置卷积上采样第二个和第三个3x3卷积层来调整特征图尺寸大小相同，进而完成拼接。优选的，所述特征保持网络包括多个特征融合模块，每个所述特征融合模块由3个3x3膨胀卷积层组成，所述3个膨胀卷积层的卷积结果直接拼接输出同等尺寸的特征图。优选的，进一步包括：在相邻特征融合模块之间加入一个1x1卷积压缩层，对特征融合模块输出后的特征图数量进行缩减。优选的，进一步包括：将所述特征缩减网络中的3x3卷积层通过转换，拆分为深度卷积和点乘卷积，其中深度卷积的卷积核通道数为1，点乘卷积的卷积核空间尺寸为1。更优选的，进一步包括：采用分组卷积进一步优化所述点乘卷积，通过将点乘卷积核分割成多组，然后分别进行卷积，最后将结果合并输出。更优选的，进一步包括：在所述分组卷积之后加入通道重组，将不同组的特征图交叉混合。优选的，所述检测模块包括分类器、回归器和非极大值抑制单元。本专利技术的优点在于：本专利技术在准确度和速度方面具有明显优势，能够较好地解决实际应用中条形码检测问题。在其他实际运用环境中可结合具体需求自定义特征缩减网络、特征保持网络中特征融合层的数量，具有普适性。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：附图1示出了根据本专利技术实施方式的一种快递包裹条形码快速检测方法流程图；附图2示出了根据本专利技术实施方式的特征融合层I的结构示意图；附图3示出了根据本专利技术实施方式的特征融合层II的结构示意图；附图4示出了根据本专利技术实施方式的特征图通道压缩示意图；附图5示出了根据本专利技术实施方式的标准卷积核和深度可分离卷积核示意图；附图6示出了根据本专利技术实施方式的通道重组示意图；附图7示出了根据本专利技术实施方式的标准3x3卷积层结构(左)和改进的3x3深度可分离卷积层结构(右)示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本专利技术根据包裹分拣的特殊场景和待检测目标条形码的特殊性，以one-stage检测器作为基础框架，设计一种轻量化的级联多尺度特征融合网络，直接通过卷积提取特征、分类回归定位条形码。模型结构和流程图如图1所示，其中特征提取部分主要包括两个网络：特征缩减网络、特征保持网络。特征缩减网络主要实现特征图尺寸缩减和特征信息提取；特征保持网络则在维持特征图大小不变前提下进一步对特征语意信息融合。检测部分由分类器、回归器、非极大值抑制单元组成，对前述得到的特征图进行坐标回归，进而得到目标的检测框。以下对本专利技术的各项设置及具体部分做详细介绍：1anchor(锚)设置本专利技术中，anchor(锚)类型的设置主要是调节两类超参数，即长宽比R和面积大小S。根据实际应用现场条形码尺寸分析知，条形码尺寸占比小，因此将集合S设置为{322,482,642,802,962}，R集合设置为{1:1,1:2,1:3,1:4,4:1,3:1,2:1,1:1}。这样anchor能够覆盖条形码数据集中所有条形码的尺寸范围，可有效提升最后检测条形码的准确率。2特征缩减网络如图1所示，本专利技术设计一种多尺度特征融合层I，通过融合不同层次尺度的语义信息增强条形码特征，如图2所示。每个特征融合层I相当于一个特征融合模块，此模块由3个3x3卷积层组成，每个卷积层步长(stride)为2。融合层I的输出由这3个卷积之后的特征图进行拼接(concat)而得，通过转置卷积(Deconvolution)上采样第二个和第三个3x3卷积层来调整特征图尺寸大小相同，进而完成拼接。这样，特征图的尺寸每经过一个多尺度特征融合层I被降采样2倍，重复叠加多个特征融合层I则会使得特征图尺寸迅速下降。为了保证在一系列的降采样下条形码的特征点不会消失，设定特征融合模块的数量为T＝4，使最后一层特征图降采样为输入图像的1/16，从而在充分提取语义信息的同时尽可能地保持条形码特征的完整性。3特征保持网络为更进一步提取语义信息特征，设计特征融合层II加在特征缩减网络之后，其结构如图3所示，每个特征融合层II由3个3x3膨胀卷积层(dilatedconvoluti本文档来自技高网...

【技术保护点】
1.一种快递包裹条形码快速检测方法，其特征在于，包括：构建级联多尺度特征融合网络，所述特征融合网络包括依次连接的特征缩减网络和特征保持网络；将快递包裹条形码图像输入所述特征融合网络，通过卷积提取得到特征图；将所述特征图输入检测模块，对所述特征图进行分类和坐标回归，得到检测结果。

【技术特征摘要】
1.一种快递包裹条形码快速检测方法，其特征在于，包括：构建级联多尺度特征融合网络，所述特征融合网络包括依次连接的特征缩减网络和特征保持网络；将快递包裹条形码图像输入所述特征融合网络，通过卷积提取得到特征图；将所述特征图输入检测模块，对所述特征图进行分类和坐标回归，得到检测结果。2.根据权利要求1所述的一种快递包裹条形码快速检测方法，其特征在于，所述特征缩减网络用于特征图尺寸缩减和特征信息提取；所述特征保持网络用于特征语意信息融合。3.根据权利要求1或2所述的一种快递包裹条形码快速检测方法，其特征在于，所述特征缩减网络包括多个特征融合模块，每个特征融合模块由3个3x3卷积层组成，所述特征融合模块的输出由所述3个卷积层卷积之后的特征图进行拼接获得，通过转置卷积上采样第二个和第三个3x3卷积层来调整特征图尺寸大小相同，进而完成拼接。4.根据权利要求1或2所述的一种快递包裹条形码快速检测方法，其特征在于，所述特征保持网络包括多个特征融合层，每个所述特征融合层由3个3x3膨胀卷积层...

【专利技术属性】
技术研发人员：许绍云，易帆，李功燕，
申请(专利权)人：中科院微电子研究所昆山分所，
类型：发明
国别省市：江苏,32