二维条码识别方法研究

发布时间：2021-08-11 07:18

　　二维条码在信息存储与传递方面具备密度高及识读能力强的特性,已普遍应用于物品标识、电子支付、社交媒体、广告营销、资产跟踪等领域。在被多方面应用的同时,也带来了识别技术上的问题,多种多样的应用环境和图像采集设备增加了二维条码识别过程的复杂度,传统的二维条码识别方法渐渐无法满足人们的使用需求。为提高二维条码识别方法在各种复杂采集环境下的鲁棒性和适应性,本文针对二维条码在模糊、污染、破损、遮挡、光照条件差等恶劣条件下的识别展开了研究。主要工作包括以下几点:（1）在研究二维条码的应用场景和采集条件时,需要对二维条码的复杂采集环境进行定性与定量的分析,建立了一个尽可能健壮的复杂采集环境下二维条码图像数据集,用于二维条码训练与测试。（2）参考并综合大量的理论知识分析可知,卷积神经网络（CNN）的识别方法通常适用于训练样本较多时;相反在解决小样本、非线性问题的分类与识别时,支持向量机（SVM）分类器表现出较强的稳健性。（3）待测条码与样本数量较多的不同码制数据库识别时,采用CNN的识别方法。将未经过预处理的原始图像输入到CNN,在交替设置的卷积、池化及激活层进行图像特征提取,并把提取的特征向量映射到全... 

【文章来源】：西北师范大学甘肃省

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

最大池化与

式中：净激活ul 可以依靠前一层特征图转化的一维特征向量( )l1f u 加权以及偏置后获取的。Wl 和bl 分别是全连接层l 的权重系数与偏置项。 4.2 二维条码数据的采集与处理 本文从复杂环境下二维条码数据集的采集出发，由多张二维条码图片构成数据库，并制作好相对应的样本标签。将收集的二维条码数据库分成训练和测试两部分样本，导入 CNN 分别用于训练和测试，检验在 CNN 应用在二维条码数据集中的鲁棒性与稳健性。实验采集了 5 种不同类型常见的二维条码，其名称分别为 Aztec Code、Hanxin Code、Data Matrix、Maxi Code、QR Code，示例图片如图 4-3 所示：

第4章基于卷积神经网络的二维条码识别技术214.3.3实验结果及分析实验编程语言环境为Python2.7，使用caffe框架在软件上进行仿真。通过多次实验，所有设置参数设置为：初始学习率的值为0.01，随着CNN网络的加深，为得到二维条码更抽象的纹理特征，学习率会沿着梯度方向有所下降，一般训练时是将数据一批（batch）一批送入网络，每批处理32个样本，促进拟合的权重衰减项和动量分别为0.0005和0.9，将网络训练的最大迭代次数设定为8460，学习速率的因子的数值则为0.1，训练完60次在显示屏上显示一次。图4-6表示本文采用的网络模型在训练过程中对应的识别率和损失函数曲线图。图4-6识别率和损失函数曲线图通过图4-6可以发现，随着迭代次数的增加，CNN的训练和测试的损失函数Loss值在不断下降，说明网络仍处于学习过程中，条码的识别率快速上升。当迭代次数到达1000次时，网络模型的Loss值和二维条码的识别率开始收敛并逐渐趋于稳定，最终识别率达到了96.43%。


本文编号：3335728