本申请涉及一种条码识别方法、装置、计算机设备和存储介质，包括：将条码图像输入预先构建的目标神经网络模型，得到携带有码制标识的预测序列；对预测序列进行解码处理，得到包含有编码信息的目标预测序列；根据与码制标识匹配的编码规则及编码信息，对目标预测序列进行识别，得到识别结果。本申请通过预先构建的目标神经网络模型对条码图像进行识别，输出预测序列和相应的码制标识；在对预测序列进行解码处理后得到有编码信息的目标预测序列；最后利用编码信息及码制标识对应的编码规则，识别目标预测序列得到识别结果，实现了对任意码制的条码图像的识别；无需人工预先按照条码图像的码制进行切换与调整，提高了条码识别的效率。率。率。
【技术实现步骤摘要】
条码识别方法、装置、计算机设备和存储介质
[0001]本申请涉及图像处理
，特别是涉及一种条码识别方法、装置、计算机设备和存储介质。
技术介绍
[0002]在工业应用中，条码的使用越来越广泛，对条码的使用需求越来越大。条码技术发展迅速，已经衍生出了多种类型。
[0003]现有技术中，通常一种生产场景对应一套条码识别方案；若需要切换其他条码识别方案，需要人工手动进行设置；现有的条码识别方式还较为单一，无法适应于多变的工业生产场景，导致现有的条码识别效率还较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种条码识别方法、装置、计算机设备和存储介质。
[0005]一种条码识别方法，包括：
[0006]将条码图像输入预先构建的目标神经网络模型，得到所述目标神经网络模型输出的预测序列；所述预测序列携带有码制标识；
[0007]对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列；
[0008]根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，得到识别结果。
[0009]在其中一个实施例中，所述将条码图像输入预先构建的目标神经网络模型，包括：
[0010]若所述条码图像的尺寸不等于预设尺寸，则调整所述条码图像至所述预设尺寸后输入所述目标神经网络模型。
[0011]在其中一个实施例中，所述对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列，包括：
[0012]获取所述目标预测序列中至少一个最大值所对应的位置信息，根据所述位置信息生成解码序列；
[0013]剔除所述解码序列中的重复项及预设占位符后，得到所述包含有编码信息的目标预测序列。
[0014]在其中一个实施例中，所述根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，包括：
[0015]根据所述编码规则对所述目标预测序列进行解析，得到解析结果；
[0016]根据所述解析结果，构造所述目标预测序列的子序列；
[0017]根据所述编码规则对所述目标预测序列的子序列进行校验，根据校验结果确认所述识别结果。
[0018]在其中一个实施例中，在将包含有条码的图像输入预先构建的目标神经网络模型
之前，还包括：
[0019]获取样本条码图像以及对应的样本编码信息；
[0020]将所述样本条码图像输入初始神经网络模型，得到所述样本条码图像在预设高度下的预测结果；
[0021]根据所述预测结果与所述样本编码信息对所述初始神经网络模型进行训练，得到所述目标神经网络模型。
[0022]在其中一个实施例中，所述获取样本条码图像以及对应的样本编码信息，包括：
[0023]根据不同编码规则随机生成多个原始编码信息；
[0024]将所述原始编码信息按照对应的编码规则生成原始编码图像；
[0025]将所述原始编码图像作为所述样本条码图像，将所述原始编码信息作为所述样本编码信息。
[0026]在其中一个实施例中，所述根据所述预测结果与所述样本编码信息对所述初始神经网络模型进行训练，包括：
[0027]基于所述预测结果以及所述样本编码信息之间的差异程度构建损失函数；
[0028]根据所述损失函数训练所述初始神经网络模型，直至训练后的初始神经网络模型满足预设训练条件时，将所述训练后的初始神经网络模型作为所述目标神经网络模型。
[0029]一种条码识别装置，所述装置包括：
[0030]序列输出模块，用于将条码图像输入预先构建的目标神经网络模型，得到所述目标神经网络模型输出的预测序列；所述预测序列携带有码制标识；
[0031]序列解码模块，用于对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列；
[0032]序列识别模块，用于根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，得到识别结果。
[0033]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0034]将条码图像输入预先构建的目标神经网络模型，得到所述目标神经网络模型输出的预测序列；所述预测序列携带有码制标识；
[0035]对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列；
[0036]根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，得到识别结果。
[0037]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0038]将条码图像输入预先构建的目标神经网络模型，得到所述目标神经网络模型输出的预测序列；所述预测序列携带有码制标识；
[0039]对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列；
[0040]根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，得到识别结果。
[0041]上述条码识别方法、装置、计算机设备和存储介质，方法包括：将条码图像输入预先构建的目标神经网络模型，得到目标神经网络模型输出的预测序列；预测序列携带有码
制标识；对预测序列进行解码处理，得到包含有编码信息的目标预测序列；根据与码制标识匹配的编码规则及编码信息，对目标预测序列进行识别，得到识别结果。本申请通过预先构建的目标神经网络模型对条码图像进行识别，输出预测序列和相应的码制标识；在对预测序列进行解码处理后得到有编码信息的目标预测序列；最后利用编码信息及码制标识对应的编码规则，识别目标预测序列得到识别结果，实现了对任意码制的条码图像的识别；无需人工预先按照条码图像的码制进行切换与调整，即可直接对条码图像进行识别，提高了条码识别的效率。
附图说明
[0042]图1为一个实施例中条码识别方法的应用环境图；
[0043]图2为一个实施例中条码识别方法的流程示意图；
[0044]图3为一个实施例中得到包含有编码信息的目标预测序列步骤的流程示意图；
[0045]图4为一个实施例中对目标预测序列进行识别步骤的流程示意图；
[0046]图5为一个实施例中对初始神经网络模型进行训练步骤的流程示意图；
[0047]图6为一个实施例中条码识别装置的结构框图；
[0048]图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0049]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0050]本申请提供的条码识别方法，可以单独应用于部署有目标神经网络模型的终端设备；具体地，终端设备拍摄得到包含有条码信息的条码图像；终端设备将条码图像输入预先部署在终端设备内的目标神经网络模型，得到目标神本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种条码识别方法，其特征在于，包括：将条码图像输入预先构建的目标神经网络模型，得到所述目标神经网络模型输出的预测序列；所述预测序列携带有码制标识；对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列；根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，得到识别结果。2.根据权利要求1所述的方法，其特征在于，所述将条码图像输入预先构建的目标神经网络模型，包括：若所述条码图像的尺寸不等于预设尺寸，则调整所述条码图像至所述预设尺寸后输入所述目标神经网络模型。3.根据权利要求1所述的方法，其特征在于，对所述预测序列进行解码处理，得到包含有编码信息的目标预测序列，包括：获取所述目标预测序列中至少一个最大值所对应的位置信息，根据所述位置信息生成解码序列；剔除所述解码序列中的重复项及预设占位符后，得到所述包含有编码信息的目标预测序列。4.根据权利要求1所述的方法，其特征在于，所述根据与所述码制标识匹配的编码规则及所述编码信息，对所述目标预测序列进行识别，包括：根据所述编码规则对所述目标预测序列进行解析，得到解析结果；根据所述解析结果，构造所述目标预测序列的子序列；根据所述编码规则对所述目标预测序列的子序列进行校验，根据校验结果确认所述识别结果。5.根据权利要求1所述的方法，其特征在于，在将条码图像输入预先构建的目标神经网络模型之前，还包括：获取样本条码图像以及对应的样本编码信息；将所述样本条码图像输入初始神经网络模型，得到所述样本条码图像在预设高度下的预测结果；根据所述预测结果与所述样本编码...
【专利技术属性】
技术研发人员：姚恒志，苏步升，杨泽同，赵泽林，刘枢，吕江波，沈小勇，贾佳亚，
申请(专利权)人：上海思谋科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。