[发明专利]基于随机信息缺失模型的二维码图像修复模型构建方法

说明书

本发明公开了一种基于随机信息缺失模型的二维码图像修复模型构建方法。该方法包括：对于标准二维码图片，利用二维随机自相关模型生成符合设定分布的信息缺失区域图片集；融合所述信息缺失区域图片集以及信息齐全二维码图片得到随机信息缺失二维码图片集；以所述随机信息缺失二维码图片集作为输入，以信息齐全的二维码二值化图片集作为输出，训练图像修复模型，学习信息缺失图片和标准二维码图片之间的对应修复关系。本发明仅需要小部分信息齐全二维码即可实现全自动无监督训练，并且经训练的图像修复模型很容易部署在制造业和物流行业等，实现二维码信息的快速修复。

技术领域

本发明涉及物流行业技术领域，更具体地，涉及一种基于随机信息缺失模型的二维码图像修复模型构建方法。

背景技术

由于二维码在产品制造及包裹运输过程中，起到了产品/包裹信息的全流程跟踪，被广泛应用于制造业和物流行业。然而，由于产品/包裹的制造和运输过程受到不可抗力影响，通常导致部分二维码信息丢失，使得产品/包裹无法识别，最终导致产品报废或者包裹丢失。条码枪厂家基于机器视觉算法优化和二维码编码格式的迭代更新，使部分信息缺失的二维码也能准确读取，但如果二维码信息丢失超过20％(缺失面积/二维码总面积)，现有的技术基本无法识别。

基于深度学习的图片修补算法需要收集大量缺陷二维码图片，然而在实际制造业和物流行业的工程应用中，受制于二维码制造工艺的多样性(如镭射，打印，丝印等)，难以收集到缺陷二维码(通常二维码的制造良率较高，不可抗拒力导致的缺陷二维码较少)，并且缺陷二维码图片的收集和人工标注都会耗费大量人力物力，最终导致深度学习在实际工程应用中困难重重。

此外，目前基于机器视觉算法和二维码编码格式优化，无法解决信息丢失较严重的二维码读取问题。近年来，基于机器学习的算法在二维码的读取应用中，主要集中于二维码定位，背景噪声优化及二维码修复等。但现有的机器学习算法，通常需要长时间反复训练模型进行迭代升级。在迭代升级过程中，需要大量信息缺失的二维码图片并要求人工标注信息缺失区域。而实际产品生产线及包裹运输中，信息齐全的二维码(条码枪能够读取)数量会远远大于信息缺失严重的二维码数量，且实际收集到的信息缺失区域的形态分布通常不具有随机分布的特点。并且，在不同应用中，二维码的图像差异较大，最终导致基于深度学习的二维码检测在实际应用中难以落地。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于随机信息缺失模型的二维码图像修复模型构建方法。

根据本发明的第一方面，提供一种基于随机信息缺失模型的二维码图像修复模型构建方法。该方法包括以下步骤：

步骤S1：对于标准二维码图片，利用二维随机自相关模型生成符合设定分布的信息缺失区域图片集；

步骤S2：融合所述信息缺失区域图片集以及信息齐全二维码图片得到随机信息缺失二维码图片集；

步骤S3：以所述随机信息缺失二维码图片集作为输入，以信息齐全的二维码二值化图片集作为输出，训练图像修复模型，学习信息缺失图片和标准二维码图片之间的对应修复关系。

根据本发明的第二方面，提供一种二维码图像修复方法。该方法包括：获取待修复的目标二维码图片输入到经训练的图像修复模型，获得重建图像，其中所述图像修复模型根据本发明第一方面提供的方法构建。

与现有技术相比，本发明的优点在于，通过使用二维随机介质模型生成具有高斯/指数分布的自相关模型图；融合自相关模型图和信息齐全的二维码图片得到随机信息丢失的二维码图片集及标注集；并使用自动生成的图片集进行图片修补深度网络训练。利用本发明，能够自动生成已标注的仿真缺陷二维码，进而用于训练图片修复的深度学习模型。本发明训练的图像修复模型能够有效且低成本地部署到产品制造生产线及物流行业，实现缺陷二维码的准确、高效识别。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。