一种基于深度学习的焊件表面二维码喷码恢复方法技术

本发明专利技术提供一种基于深度学习的焊件表面二维码喷码恢复方法

【技术实现步骤摘要】
一种基于深度学习的焊件表面二维码喷码恢复方法


[0001]本专利技术涉及工业焊接图像处理
，具体涉及一种基于深度学习的焊件表面二维码喷码恢复方法
。

技术介绍

[0002]二维码是一种利用特定几何图形按照一定分布规则排列的黑白相间图案，用于记录和传输数据信息
。
相比于传统的一维条形码，二维码具有许多优点，包括信息容量大
、
密度高
、
纠错能力强
、
安全性好和编码范围广等
。
同时，二维码还引入了校验纠错码，具备检测错误和恢复删除错误的功能
。
[0003]二维码已在许多领域得到广泛应用
。
在商业领域中，它被用于扫码购物
、
促销活动
、
支付方式等
。
二维码可以提供便捷的购物体验和实时的交易信息
。
在医疗领域中，二维码可以用于医疗记录管理和药品追溯等
。
通过将二维码与患者的医疗信息和药品包装相关联，可以实现对患者的医疗信息以及药品生产流程的全程跟踪和管理
。
在工业领域中，二维码被应用于物流管理
、
生产流程追踪
、
设备维护等方面
。
通过将二维码标识与物品或设备相关联，可以实现自动化的数据收集和追踪，提高生产效率和管理水平
。
[0004]在工业焊接过程中，焊件的标识对于质量追踪和溯源非常重要
。
目前，常用的标识方式之一是在焊件表面喷印或激光打标二维码，二维码包含生产编号
、
日期
、
产品名称
、
焊接工艺
、
焊接人员设备等信息
。
借助手持式条码读取器读取二维码信息，将其录入后台数据库中，后台数据库在上述信息的基础上，结合焊接生产过程中的参数信息，一方面用于焊接生产过程的监测管理和生产追溯，另一方面用于根据数据信息确定焊接方法设备等工艺
。
[0005]然而，在实际生产中，由于环境光线
、
扫码器辅助光源造成入射光过强
、
光照不均等原因，可能会使二维码局部区域形成光斑
、
光晕，导致二维码识别度低无法正确解码的情况，这给后续的质量追踪和溯源带来了困难
。
为了解决这个问题，已经提出了一些基于图像处理的方法来恢复反光二维码
。
因此，传统的方法通常需要依赖人工特征提取和规则设计，无法适应复杂多变的实际场景，并且对图像质量要求较高
。

技术实现思路

[0006]为解决现有技术的上述问题，本专利技术提供一种基于深度学习的焊件表面二维码喷码恢复方法
。
该方法通过利用深度学习算法对反光的二维码图像进行分析和处理，以实现扫码器对二维码的正确解码
。。
[0007]具体的技术方案为：
[0008]基于深度学习的焊件表面二维码喷码恢复方法，所述方法包括：
[0009]步骤1数据准备
:
[0010]收集一批焊件表面反光的二维码图像数据以及对应的清晰的二维码图像数据；
[0011]步骤2数据预处理：
[0012]通过多尺度的数据增强，扩充增加步骤1获得的原始数据集的数据量和多样性，能
够适应不同的工业环境与场景；
[0013]步骤3划分数据集：
[0014]将步骤2预处理后的数据集划分为训练集
、
验证集和测试集；
[0015]步骤4训练集一次标注：
[0016]对训练集进行标注，标注出光斑
、
光晕的位置；
[0017]步骤5建立深度学习定位模型：
[0018]定位模型用于定位光斑
、
光晕区域；选用目标检测模型
YOLOv8
，使用步骤4中标注好光斑
、
光晕位置的训练集对所选模型进行训练，以学习光斑
、
光晕的特征和位置信息，训练结束后将
YOLOv8
训练好的
best
权重文件保存到本地，并把权值模型当作后续的预训练模型；
[0019]步骤6训练集二次标注：
[0020]对步骤5所定位的光斑
、
光晕区域再次进行标注，标注二维码数据信息；首先，提取光斑
、
光晕区域并以点为单位分割为小块，每个小块命名为“crop_x_y”的形式，其中
x
表示位于二维码中的行号，
y
表示位于二维码中的列号，同时，根据分割的小块定位到原清晰二维码相同区域获取小块颜色，从而将小块分别存放在“1”、“0”两个文件夹中，其中“1”中存放小块为白色，“0”中存放小块为黑色，两个文件夹中存放的小块对应的二维码光照强度应当相似；
[0021]步骤7建立深度学习恢复模型：
[0022]对步骤6中“1”、“0”两个文件夹中的图像数据建立深度学习恢复模型，恢复模型用于恢复二维码数据；选用
MobileNet
轻量级模型，训练恢复模型，提供仅包含光斑
、
光晕区域的黑白小块，训练结束后将训练结果返回原图像；
[0023]步骤8验证和准确性评估
。
[0024]进一步的，所述方法中步骤1中图像从现场采集或者从现有图像来源获取，数据集具有足够多的样本，并且包含不同光照强度下的图像
。
[0025]进一步的，所述方法中步骤2具体包括：
[0026]步骤
2.1
图像几何变换：
[0027]对图像进行缩放
、
裁剪
、
旋转操作；
[0028]步骤
2.2
图像二值化；
[0029]步骤
2.3
对比度增强：
[0030]对步骤
2.2
后的二值图像使用直方图均衡化
、
自适应直方图均衡化方法调整图像的对比度；
[0031]步骤
2.4
锐化
[0032]对步骤
2.3
后的增强图像使用锐化掩蔽方法来增强图像的边缘和细节；
[0033]步骤
2.5
去噪
[0034]使用中值滤波方法来去除噪声，将像素点周围窗口内的像素值进行排序，然后将中间值作为当前像素的值
。
[0035]进一步的，所述方法中步骤
2.2
具体包括：
[0036]步骤
2.2.1
，使用
OpenCV
库中的
cvtColor
函数将步骤
2.1
后的彩色图像转换为灰度图像；
[0037]步骤
2.2.2
，选择一个适当的阈值来将灰度图像分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的焊件表面二维码喷码恢复方法，其特征在于：包括以下步骤：步骤1数据准备
:
收集一批焊件表面反光的二维码图像数据以及对应的清晰的二维码图像数据；步骤2数据预处理：通过多尺度的数据增强，扩充增加步骤1获得的原始数据集的数据量和多样性，能够适应不同的工业环境与场景；步骤3划分数据集：将步骤2预处理后的数据集划分为训练集
、
验证集和测试集；步骤4训练集一次标注：对训练集进行标注，标注出光斑
、
光晕的位置；步骤5建立深度学习定位模型：定位模型用于定位光斑
、
光晕区域；选用目标检测模型
YOLOv8
，使用步骤4中标注好光斑
、
光晕位置的训练集对所选模型进行训练，以学习光斑
、
光晕的特征和位置信息，训练结束后将
YOLOv8
训练好的
best
权重文件保存到本地，并把权值模型当作后续的预训练模型；步骤6训练集二次标注：对步骤5所定位的光斑
、
光晕区域再次进行标注，标注二维码数据信息；首先，提取光斑
、
光晕区域并以点为单位分割为小块，每个小块命名为“crop_x_y”的形式，其中
x
表示位于二维码中的行号，
y
表示位于二维码中的列号，同时，根据分割的小块定位到原清晰二维码相同区域获取小块颜色，从而将小块分别存放在“1”、“0”两个文件夹中，其中“1”中存放小块为白色，“0”中存放小块为黑色，两个文件夹中存放的小块对应的二维码光照强度应当相似；步骤7建立深度学习恢复模型：对步骤6中“1”、“0”两个文件夹中的图像数据建立深度学习恢复模型，恢复模型用于恢复二维码数据；选用
MobileNet
轻量级模型，训练恢复模型，提供仅包含光斑
、
光晕区域的黑白小块，训练结束后将训练结果返回原图像；步骤8验证和准确性评估
。2.
如权利要求1所述的基于深度学习的焊件表面二维码喷码恢复方法，其特征在于，所述方法中步骤1中图像从现场采集或者从现有图像来源获取，数据集具有足够多的样本，并且包含不同光照强度下的图像
。3.
如权利要求1所述的基于深度学习的焊件表面二维码喷码恢复方法，其特征在于，所述方法中步骤2具体包括：步骤
2.1
图像几何变换：对图像进行缩放
、
裁剪
、
旋转操作；步骤
2.2
图像二值化；步骤
2.3
对比度增强：对步骤
2.2
后的二值图像使用直方图均衡化

【专利技术属性】
技术研发人员：陈云霞，黄雷阳，胡海宁，姜钊祥，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：