[发明专利]一种基于深度学习的医药标签条码的定位与识别方法

说明书

本发明公开了一种基于深度学习的医药标签条码的定位与识别方法，本发明解决了光照不均、扭曲变形等复杂情况下条码定位困难的问题。并在此基础上解决了线性畸变二维条码的校正难题，能够有效定位复杂情况下的条码位置，并进行畸变校正和细节处理，得到高质量的条码二值化图像，实现精确化识读，本发明中的识别对象包括Data Matrix二维码、商品条码(EAN‑13码)和药品电子监管码(Code‑128码)。

技术领域

本发明属于自动识别领域，尤其涉及一种基于深度学习的医药标签条码的定位与识别方法。

背景技术

条码技术被广泛应用于医药行业，通过激光打码赋予药品唯一的编码，实现药品的序列化，构建全球性的药品追溯系统，大大提高了医药卫生安全。例如，中国的药品电子监管码和欧美等国的Data Matrix二维码，都间接或者直接的提供了药品的生产日期、批次号和序列号等信息。条码因其自身的定位特征才能够被发现和读识。由于广泛使用，而导致了应用场景的复杂性。条码会出现扭曲、污损等情况。在丢失部分定位特征，或者弱化定位特征的情况下，还能准确的定位到条码，缺乏通用办法。其次对于操作性的要求，无论是手机扫码还是手持式扫码仪，都需要将相机对准条码，耗时又费力。最后对于实时性的要求，速度决定工厂效能，实时高效的解码过程是必备条件。因此，在流水线生产环境下迫切需要寻找一种有效的条码识别办法。

名词解释：

矩形膨胀处理：即膨胀运算或膨胀处理，图像处理中的专有名词，利用自定义大小的矩形，使目标区域向外部扩张，作用是可以用来填补目标区域中某些空洞以及消除包含在目标区域中的小颗粒噪声。

发明内容

本发明公开了一种基于深度学习的医药标签条码的定位与识别方法，本发明解决了光照不均、扭曲变形等复杂情况下条码定位困难的问题。并在此基础上解决了线性畸变二维条码的校正难题，能够有效定位复杂情况下的条码位置，并进行畸变校正和细节处理，得到高质量的条码二值化图像，实现精确识读，本发明中的识别对象包括Data Matrix二维码、EAN-13码和Code-128码。

为实现上述目的，本发明的技术方案如下：

一种基于深度学习的医药标签条码的定位与识别方法，包括以下步骤：

步骤一：采集位于生产线上的药盒标签条码图像，记作Image0；

步骤二：将图像Image0输入神经网络进行定位，得到含有条码定位框的图像Image1；

步骤三：利用定位框对条码区域进行粗裁剪，得到图像Image2，具体包含如下步骤：

步骤3.1：将3通道的图像Image1转换为3个具有相同定义域的单通道图像，分别为Imagechannel1、Imagechannel2和Imagechannel3；

步骤3.2：将定位框区域从图像Image1中分割出来，得到Regions1；设MinGray1为设定的灰度值下限，MaxGray1为设定的灰度值上限，Imagechannel1(x，y)为图像中(x，y)位置像素的灰度值；x表示图像Image1中像素的X轴向的坐标，y表示图像Image1中像素的Y轴方向坐标；

选择区域，选择的区域满足：

MinGray1＜Imagechannel1(x，y)＜MaxGray1；

步骤3.3：对得到的区域Regions1进行填充操作得到区域Regions_fill1；并对区域Regions1进行连通域搜索操作，寻找到最大的连通域区域Regions2；

步骤3.4：对区域Regions2进行区域形状变换，得到最大内接矩区域Regions3；