(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211243818.7 (22)申请日 2022.10.12 (71)申请人 广东奥普特 科技股份有限公司 地址 523000 广东省东莞 市长安镇锦厦社 区河南工业区锦升路8号 (72)发明人 高红超　江维　李昌源　刘华祠　 曹继华　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 杜嘉伟 (51)Int.Cl. G06K 7/14(2006.01) G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 条形码定位模型训练方法、 定位方法、 系统、 设备及介质 (57)摘要 本发明公开了一种条形码定位模型训练方 法、 定位方法、 系统、 设备及介质， 包括： 获取工业 场景下的少量样本数据， 少量样 本数据包括带旋 转角度或不带旋转角度的条形码图片； 根据少量 样本数据， 生成大量的矩形框表 示的实例级 标注 信息的训练样本数据； 将大量的实例级标注信息 的训练样本数据转化成相应的像素级标注信息 的训练样 本数据； 根据大量的像素级标注信息的 训练样本数据对条形码定位模型进行训练， 得到 基于语义分割算法的条形码定位模 型。 本发明不 依赖于像素级的条形码标注信息， 仅需少量的工 业条形码数据就能完成条形码 定位模型的训练， 显著降低条形码标注和数据收集成本， 具有通用 性强、 鲁棒性高的特点， 适于任意尺度、 任意角度 的条形码定位。 权利要求书3页 说明书12页 附图13页 CN 115310469 A 2022.11.08 CN 115310469 A 1.一种条 形码定位模型的训练方法， 其特 征在于， 所述方法包括： 获取工业场景下的少量样本数据， 所述少量样本数据包括带旋转角度或不带旋转角度 的条形码图片； 根据所述少量样本数据， 生成大量的矩形框表示的实例级标注信息的训练样本数据； 将大量的所述实例级标注信息的训练样本数据转化成相应的像素级标注信息的训练 样本数据； 根据大量的所述像素级标注信 息的训练样本数据对条形码定位模型进行训练， 得到基 于语义分割算法的条 形码定位模型。 2.根据权利要求1所述的条形码定位模型的训练方法， 其特征在于， 所述基于语义分割 算法的条 形码定位模型由轻量 化的特征提取模块和特 征解码模块组成。 3.根据权利要求2所述的条形码定位模型的训练方法， 其特征在于， 所述轻量化的特征 提取模块中的卷积层为空洞卷积层。 4.根据权利要求2或3所述的条形码定位模型的训练方法， 其特征在于， 所述轻量化的 特征提取模块中的卷积层的层数N的范围为6 ‑12， 为通用卷积层的层数的1/2到1/3； 卷积核 的个数Cl的范围为16 ‑128， 为通用卷积核的个数的1/4到1/8。 5.根据权利要求2所述的条形码定位模型的训练方法， 其特征在于， 所述特征解码模块 包括语义网络和细节网络， 所述语义网络和所述细节网络 分别提取条形码的宏观语义信息 和局部细节信息， 以融合两种不同粒度的信息对条 形码进行分割； 训练时， 分别给所述语义网络和所述细节网络增加一个分割头,并利用监督信息对所 述语义网络和所述细节网络进行训练。 6.根据权利要求1所述的条形码定位模型的训练方法， 其特征在于， 所述根据 所述少量 样本数据， 生成大量的矩形框表示的实例级标注信息的训练样本数据的步骤 包括： 对所述少量样本数据中的条形码图片用带角度的矩形框进行标注， 并截取所述矩形框 内的条形码； 获取多张不带 条形码的背景图片； 将截取的条形码随机粘贴、 融合到所述背景图片中， 以生成大量的矩形框表示的实例 级标注信息的训练样本数据。 7.根据权利要求6所述的条形码定位模型的训练方法， 其特征在于， 在所述将截取的条 形码随机粘贴、 融合到所述背景图片 中， 以生成大量的矩形框表示的实例级标注信息的训 练样本数据的步骤之前， 所述方法还 包括： 对所述截取的条 形码进行图像 变化处理。 8.根据权利要求7所述的条形码定位模型的训练方法， 其特征在于， 所述图像变化处理 包括几何图像 变化、 颜色空间变换、 模糊、 锐化、 生成对抗网络中的一种或多种。 9.根据权利要求6所述的条形码定位模型的训练方法， 其特征在于， 所述将截取的条形 码随机粘贴、 融合到所述背景图片 中， 以生成大量的矩形框表示的实例级标注信息的训练 样本数据的步骤 包括： 在所述背景图像中对选中的条形码进行不重叠的随机融合操作并记录相对应的数据 标签信息； 对粘贴有条 形码的所述背景图像进行常规的数据扩充操作以及相对应的标签 变化。权　利　要　求　书 1/3 页 2 CN 115310469 A 210.根据权利要求9所述的条形码定位模型的训练方法， 其特征在于， 所述常规的数据 扩充操作包括随机翻转、 随机裁剪、 随机颜色抖动、 灰度化、 高斯模糊和复制粘贴中的一种 或多种。 11.根据权利要求1所述的条形码定位模型的训练方法， 其特征在于， 所述将大量的所 述实例级标注信息的训练样本数据转化成相 应的像素级标注信息的训练样本数据的步骤 包括： 将大量的所述实例级标注信息的训练样本数据中的每个矩形框的标注信息转化成四 个坐标信息； 将每个矩形框对应的四个坐标信 息转化成多边形表示， 并利用多边形填充的方式将多 边形内所有的像素赋值为标注框的标签， 以转化成相应的像素级标注信息的训练样本数 据。 12.根据权利要求1所述的条形码定位模型的训练方法， 其特征在于， 所述基于语义分 割算法的条 形码定位模型的检测头的输出维度的数量 等于条形码的类别数量+1； 所述基于语义分割算法的条 形码定位模型的损失函数为： ； 其中, 为交叉熵损失， 为两个子网络的dice损失， ， ， 分 别为三个损失对应的系数。 13.一种基于语义分割算法的条 形码定位方法， 其特 征在于， 所述方法包括： 获取待检测目标产品的图片； 将所述图片输入到基于语义分割算法的条形码定位模型中， 以得到所述图片中条形码 的位置和类别； 所述基于语义分割算法的条形码定位模型由如权利要求 1‑12中任一项 所述 的条形码定位模型的训练方法训练得到 。 14.根据权利要求13所述的基于语义分割算法的条形码定位方法， 其特征在于， 所述将 所述图片 输入到基于语义分割算法的条形码定位模型中， 以得到所述图片中条形码的位置 和类别的步骤 包括： 将所述图片输入到基于语义分割算法的条形码定位模型中， 以通过所述基于语义分割 算法的条形码定位模型对所述图片进 行不同粒度的特征提取， 并对不同粒度的特征进 行融 合， 再根据融合的特征图进行条形码的推理得到分割图； 所述基于语义分割算法的条形码 定位模型在推理时不需要用到训练阶段增 加的分割头； 对所述分割图进行Softmax计算， 得到三个 类别的概 率； 选择概率最大的类别作为所述图片中条 形码的类别； 分别计算每个类别的连通域， 并将所述连通域的外接矩形作为所述图片中条形码的位 置。 15.一种条 形码定位模型的训练系统， 其特 征在于， 所述系统包括： 数据获取模块， 用于获取工业场景下的少量样本数据， 所述少量样本数据包括带旋转 角度或不带旋转角度的条 形码图片； 数据扩充模块， 用于根据所述少量样本数据， 生成大量的矩形框表示的实例级标注信权　利　要　求　书 2/3 页 3 CN 115310469 A 3