(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 202211060722.7 (22)申请日 2022.08.31 (71)申请人 上海致景信息科技有限公司 地址 200000 上海市虹口区东大名路1 158 号3201室 (72)发明人 邹建法　刘世昌　陈钟浩　管瑞峰　 刘运春　 (74)专利代理 机构 广州立诚聚凡专利代理事务 所(普通合伙) 44905 专利代理师 吴婧 (51)Int.Cl. G06V 10/24(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的二 维码定位正畸方法、 介质及处 理器 (57)摘要 本发明公开了一种基于深度学习的二维码 定位正畸方法， 本发明采用计算速度快的YOL O网 络， 初步判断照片中是否含有二维码， 将卷积神 经网络修改为双分支结构， 通过卷积神经网络的 一个分支对二维码进行精确定位， 让卷积神经网 络的另一个分支判断和输出图片的清晰度， 如果 图片的清晰度足够就直接进行仿射变换， 如果图 片的清晰度不足， 则首先使用生成性神经网络将 所述二维码图片生成更加清晰的二维码然后再 采用仿射变换， 生成可扫描识别的二维码， 使用 上述结构， 当二维码扫描的不够清晰、 纸张存在 褶皱的情况下， 可以有效地将二维码转换为可以 扫描的二维码， 同时还可以保证生成的二维码的 准确度， 且判断速度快、 精度高。 权利要求书2页 说明书9页 附图4页 CN 115457254 A 2022.12.09 CN 115457254 A 1.一种基于深度学习的二维码定位 正畸方法， 其特 征在于， 包括以下步骤： S1、 获取坯布的纹理图， 并判断所述纹理图中是否包含二维码， 若否， 则舍弃所述纹理 图； 若是， 则执 行步骤S2； S2、 对所述纹理图中的二维码进行特征提取， 生成所述二维码的三个特征点对应的坐 标和尺寸； S3、 根据三个所述特征点的坐标和尺寸， 对所述纹理图进行裁切， 得到第一二维码图 片； S4、 调整所述第一 二维码图片的尺寸， 得到预定尺寸的第二 二维码图片； S5、 获取所述第二二维码图片的清晰度， 并判断所述第二二维码图片的清晰度是否大 于清晰度阈值， 若否， 则执 行步骤S6； 若是， 则执 行步骤S7； S6、 将所述第二二维码图片输入到预先训练好的生成型神经网络， 得到第三二维码图 片， 对所述 三二维码图片进行仿射变换， 得到矩形的第四二维码图片； S7、 对所述第二 二维码图片进行仿射变换， 得到矩形的第五二维码图片。 2.根据权利要求1所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 判断所述纹 理图中是否包 含二维码， 包括以下步骤： S11、 将所述纹理图输入预先训练的目标检测神经网络模型中， 生成第一边界框集； 所 述第一边界框集中包 含有多个第一 边界框及其对应的置信度； S12、 筛选出第一 边界框集中置信度最大的边界框， 记为 最大边界框； S13、 判断所述最大边界框对应的置信度是否大于置信度阈值， 若是， 则执行步骤S2， 若 否， 则舍弃 所述纹理图。 3.根据权利要求2所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 目标检测神经网络模型采用YOLO ‑V5结构， 所述目标检测神经网络模型中的主干为 MobilenetV3。 4.根据权利要求1所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 对所述纹 理图中的二维码进行 特征提取， 获取 所述二维码的特 征点坐标， 包括以下步骤： S21、 将所述纹理图输入到预先训练好的卷积神经网络模型中， 生成包含有二维码的定 位点的三个边界框； S22、 将所述纹 理图使用卷积核 进行卷积， 生成对应的特 征图； S23、 根据三个所述边界框的坐标和尺寸， 在所述特征图上作进一步的标定， 得到三个 所述边界框在特 征图上对应的三个数据矩阵； S24、 将三个所述数据矩阵进行回归处理， 获得三个对应的回归窗口， 根据三个所述回 归窗口的坐标和尺寸， 确定所述纹 理图上的二维码对应的三个特 征点坐标和特 征点尺寸。 5.根据权利要求4所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 预先训练好的卷积神经网络模型采用res2net_v1b网络主干结构。 6.根据权利要求1所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 获取所述第二二维码的清晰度， 并判断所述第二二维码图片的清晰度是否大于清晰度阈 值， 包括以下步骤： S51、 将所述第二二维码图片输入到预先训练好的卷积神经网络模型中， 生成第二二维 码图片的交叉熵损失函数；权　利　要　求　书 1/2 页 2 CN 115457254 A 2S52、 对所述交叉熵损失函数做回归处 理， 生成对应的清晰度。 7.根据权利要求6所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 清晰度阈值 为0.72。 8.根据权利要求1所述的一种基于深度 学习的二维码定位正畸方法， 其特征在于： 所述 对所述第二 二维码图片进行仿射变换， 包括以下步骤： S81、 利用两组直线逼近的方法对所述第二二维码图片进行二维码角点检测， 获取第二 二维码图片的四个角点； S82:线性形变校正， 基于四个所述角点， 根据反透视变换算法对图像进行预处理， 得到 校正图像； S83:褶皱 畸变校正， 利用最短曲线外接法来对所述校正图像进行褶皱 畸变校正， 得到 第五二维码图片。 9.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处 理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115457254 A 3