本發(fā)明涉及條碼識別領(lǐng)域，具體的，涉及一種圖像條碼多碼識別方法、裝置、系統(tǒng)及存儲介質(zhì)。

背景技術(shù)：

1、條碼識別技術(shù)作為信息自動采集的關(guān)鍵手段，已廣泛應(yīng)用于物流、零售、工業(yè)檢測等領(lǐng)域。現(xiàn)有方法主要分為兩類：基于傳統(tǒng)圖像處理的方法和基于深度學(xué)習(xí)的方法。傳統(tǒng)方法（如zbar、zxing等開源庫）通過圖像預(yù)處理、邊緣檢測、投影分析等步驟定位并解碼條碼，但其依賴人工設(shè)計特征，在復(fù)雜背景、密集排布或光照不均場景下魯棒性不足，尤其對重疊條碼、混合類型（一維碼與二維碼共存）的分離與識別效果較差。近年來，基于深度學(xué)習(xí)的目標(biāo)檢測模型（如yolo、faster?r-cnn）顯著提升了條碼定位精度，但仍存在以下問題：

2、密集條碼分離困難：現(xiàn)有檢測模型對緊密排列或部分遮擋的條碼易產(chǎn)生漏檢或誤檢，且依賴后處理算法（如非極大值抑制）難以實(shí)現(xiàn)精確分割；

3、混合類型兼容性差：多數(shù)方案需預(yù)先指定條碼類型，無法自適應(yīng)識別一維碼、二維碼及彩色條碼的混合場景；

4、實(shí)時性不足：串行解碼流程導(dǎo)致多條碼處理時延高，難以滿足工業(yè)分揀、移動支付等場景的實(shí)時性需求；

5、復(fù)雜背景干擾：條碼與相似紋理背景（如包裝圖案、金屬反光）易混淆，導(dǎo)致解碼失敗率升高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種基于動態(tài)區(qū)域生長與并行解碼的圖像條碼多碼識別方法、裝置、系統(tǒng)及存儲介質(zhì)，解決了相關(guān)技術(shù)中的密集條碼分離困難、混合類型兼容性差、實(shí)時性不足的問題。

2、本發(fā)明的技術(shù)方案如下：

3、一種圖像條碼多碼識別方法，其特征在于，包括以下步驟：

4、s100、對輸入的待識別圖像進(jìn)行多模態(tài)圖像預(yù)處理，所述多模態(tài)圖像預(yù)處理包括對待識別圖像進(jìn)行動態(tài)光照補(bǔ)償和對待識別圖像進(jìn)行多尺度特征融合，所述多模態(tài)圖像預(yù)處理后生成增強(qiáng)后的圖像；

5、s200、將增強(qiáng)后的圖像輸入至多任務(wù)檢測網(wǎng)絡(luò)，所述多任務(wù)檢測網(wǎng)絡(luò)同時輸出條碼的邊界框、分割掩碼和類型概率；

6、s300、基于所述邊界框的中心點(diǎn)作為種子點(diǎn)，結(jié)合條碼紋理的黑白交替頻率控制生長方向，通過動態(tài)區(qū)域生長算法分離密集排布或部分重疊的條碼區(qū)域；

7、s400、對分離后的條碼區(qū)域進(jìn)行幾何校正，并根據(jù)條碼類型判斷結(jié)果選擇對應(yīng)的解碼策略；

8、s500、基于gpu并行解碼流水線對多個條碼區(qū)域同時進(jìn)行二值化、模塊化解析和糾錯解碼；

9、s600、通過多模態(tài)校驗(yàn)機(jī)制對解碼結(jié)果進(jìn)行邏輯和空間一致性驗(yàn)證，輸出結(jié)構(gòu)化識別信息。

10、進(jìn)一步地，步驟s100中，

11、所述動態(tài)光照補(bǔ)償包括基于retinex理論將原始圖像分解為反射分量和光照分量，對光照分量進(jìn)行自適應(yīng)增強(qiáng)，并對反光區(qū)域生成多角度偏振模擬圖像，選取局部對比度最高的圖像作為預(yù)處理結(jié)果；

12、所述多尺度特征融合包括對所述動態(tài)光照補(bǔ)償后的圖像構(gòu)建高斯金字塔，生成多尺度下采樣圖像，提取各尺度圖像的高頻邊緣特征和低頻紋理特征，通過通道注意力機(jī)制對多尺度特征進(jìn)行加權(quán)融合，生成增強(qiáng)后的輸出圖像。

13、進(jìn)一步地，步驟s200中，所述多任務(wù)檢測網(wǎng)絡(luò)的結(jié)構(gòu)為：

14、主干網(wǎng)絡(luò)采用改進(jìn)的mobilenetv3，在mobilenetv3中嵌入高效通道注意力模塊；

15、輸出頭包含邊界框回歸分支、類別概率分支和分割掩碼分支，其中，所述邊界框回歸分支輸出條碼的邊界框坐標(biāo)及置信度，采用改進(jìn)的交并比損失函數(shù)優(yōu)化定位精度，所述類別概率分支輸出條碼類型概率，采用焦點(diǎn)損失函數(shù)緩解類別不平衡問題，所述分割掩碼分支輸出條碼的像素級掩碼，采用基于相似度的dice損失函數(shù)提升分割貼合度；

16、所述多任務(wù)檢測網(wǎng)絡(luò)的總損失函數(shù)為上述三項(xiàng)損失的加權(quán)和，其計算公式為

17、，

18、其中，、、為預(yù)設(shè)權(quán)重系數(shù)，為改進(jìn)的交并比損失，為類別不平衡優(yōu)化損失，為分割掩碼的相似度損失。

19、進(jìn)一步地，步驟s300中，所述動態(tài)區(qū)域生長算法的具體步驟如下：

20、s310、通過hough變換估計條碼方向角，沿方向擴(kuò)展區(qū)域邊界；

21、s320、計算局部窗口內(nèi)黑白像素交替頻率 f，若 f?＜? f th則停止生長；

22、s330、對重疊區(qū)域，優(yōu)先分離包含定位標(biāo)記的條碼。

23、進(jìn)一步地，步驟s400中，所述幾何校正針對一維碼或二維碼的處理方法為：

24、對一維碼，通過hough變換檢測傾斜角并旋轉(zhuǎn)至水平方向；

25、對二維碼，提取定位標(biāo)記角點(diǎn)計算單應(yīng)性矩陣h，進(jìn)行透視變換。

26、進(jìn)一步地，步驟s500中，所述gpu并行解碼流水線的運(yùn)行步驟為：

27、s510、將條碼區(qū)域分配至多個cuda線程塊，并行執(zhí)行二值化和模塊解析；

28、s520、根據(jù)條碼復(fù)雜度評分動態(tài)分配計算資源，條碼復(fù)雜度評分計算公式中，為模糊度權(quán)重系數(shù)，為糾錯等級權(quán)重系數(shù)，為模糊度評分，為糾錯等級量化值；

29、s530、對模糊區(qū)域優(yōu)先調(diào)用超分辨率重建模型進(jìn)行預(yù)處理。

30、進(jìn)一步地，步驟s600中，所述多模態(tài)校驗(yàn)機(jī)制包括：

31、邏輯校驗(yàn)，驗(yàn)證校驗(yàn)位、編碼格式是否符合標(biāo)準(zhǔn)；

32、空間一致性校驗(yàn)，對多視角識別結(jié)果進(jìn)行多數(shù)投票融合。

33、一種圖像條碼多碼識別裝置，包括：

34、多模態(tài)圖像預(yù)處理模塊，對輸入的待識別圖像進(jìn)行多模態(tài)圖像預(yù)處理，所述多模態(tài)圖像預(yù)處理包括對待識別圖像進(jìn)行動態(tài)光照補(bǔ)償和對待識別圖像進(jìn)行多尺度特征融合，所述多模態(tài)圖像預(yù)處理后生成增強(qiáng)后的圖像；

35、多任務(wù)檢測模塊，將增強(qiáng)后的圖像輸入至多任務(wù)檢測網(wǎng)絡(luò)，所述多任務(wù)檢測網(wǎng)絡(luò)同時輸出條碼的邊界框、分割掩碼和類型概率；

36、動態(tài)分割模塊，基于所述邊界框的中心點(diǎn)作為種子點(diǎn)，結(jié)合條碼紋理的黑白交替頻率控制生長方向，通過動態(tài)區(qū)域生長算法分離密集排布或部分重疊的條碼區(qū)域；

37、條碼校正模塊，對分離后的條碼區(qū)域進(jìn)行幾何校正，并根據(jù)條碼類型判斷結(jié)果選擇對應(yīng)的解碼策略；

38、gpu并行解碼模塊，基于gpu并行解碼流水線對多個條碼區(qū)域同時進(jìn)行二值化、模塊化解析和糾錯解碼；

39、結(jié)構(gòu)化輸出模塊，通過多模態(tài)校驗(yàn)機(jī)制對解碼結(jié)果進(jìn)行邏輯和空間一致性驗(yàn)證，輸出結(jié)構(gòu)化識別信息，所述結(jié)構(gòu)化識別信息包括條碼類型、坐標(biāo)及關(guān)聯(lián)關(guān)系的json數(shù)據(jù)。

40、一種圖像條碼多碼識別系統(tǒng)，所述系統(tǒng)包括：

41、一個或多個存儲器，用于存儲指令；以及

42、一個或多個處理器，用于從所述存儲器中調(diào)用并運(yùn)行所述指令，執(zhí)行如上述所述的圖像條碼多碼識別方法。

43、一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)包括：

44、程序，當(dāng)所述程序被處理器運(yùn)行時，如上述所述的圖像條碼多碼識別方法被執(zhí)行。

45、本發(fā)明的工作原理及有益效果為：

46、本發(fā)明通過多任務(wù)檢測網(wǎng)絡(luò)與動態(tài)區(qū)域生長算法實(shí)現(xiàn)密集條碼的精準(zhǔn)分離，結(jié)合gpu加速的并行解碼流水線提升處理效率，并設(shè)計多模態(tài)圖像預(yù)處理與結(jié)構(gòu)化輸出機(jī)制，有效解決現(xiàn)有技術(shù)中密集排布分離困難、混合類型支持不足、實(shí)時性差及復(fù)雜背景干擾等核心痛點(diǎn)，顯著提升了復(fù)雜場景下的多碼識別精度與效率。