一維條碼超分辨率模型訓練方法、裝置、設備、存儲介質及產品與流程

本技術涉及圖像處理，尤其涉及一維條碼超分辨率模型訓練方法、裝置、設備、存儲介質及產品。

背景技術：

1、一維條碼在掃碼過程中會受到很多物理因素的影響，比如環境光、掃描距離、掃描角度、一維碼打印質量和讀碼器成像質量等，從而導致識別率降低。當掃描距離很遠或一維碼打印圖案很小時，經過成像后的條碼圖像最小單元寬度像素（ppm）會很小，導致條碼識別率降低。

2、目前存在超分辨率方法能夠將低質量的小ppm一維條碼圖像，重建為高質量的大ppm一維條碼圖像，但現有超分辨率技術在一維條碼圖像的ppm很小和圖像質量較差情況下穩定性較差，容易出現一維條碼失真（即一維條碼條空數量或寬度與標準值出現偏差）等問題，導致條碼識別出現性能降低。

技術實現思路

1、本技術的主要目的在于提供一種一維條碼超分辨率模型訓練方法、裝置、設備、存儲介質及產品，旨在解決現有技術超分辨率技術對一維條碼圖像進行重建時，容易出現一維條碼失真的技術問題。

2、為實現上述目的，本技術提出一種一維條碼超分辨率模型訓練方法，所述一維條碼超分辨率模型訓練方法包括：

3、根據初始重建模型對各組訓練數據中的第一一維條碼圖像進行預測，獲得各組訓練數據對應的預測條碼圖像，一組訓練數據包括第一一維條碼圖像以及第二一維條碼圖像，所述第一一維條碼圖像及所述第二一維條碼圖像對應相同一維條碼，所述第二一維條碼圖像為對應的一維條碼的像素級真值圖像，且所述第一一維條碼圖像的圖像質量低于所述第二一維條碼圖像的圖像質量，所述預測條碼圖像的圖像質量高于所述第一一維條碼圖像的圖像質量；

4、根據各組訓練數據中的第二一維條碼圖像以及各組訓練數據對應的預測條碼圖像確定像素級損失值；

5、對各組訓練數據中的第二一維條碼圖像分別進行語義提取，獲得各訓練數據對應的高質圖像語義特征，并對各組訓練數據對應的預測條碼圖像分別進行語義提取，獲得各組訓練數據對應的預測圖像語義特征；

6、根據各組訓練數據對應的高質圖像語義特征及預測圖像語義特征確定條碼語義特征損失值；

7、根據所述像素級損失值及所述條碼語義特征損失值對所述初始重建模型的模型參數進行調整，并檢測所述初始重建模型是否滿足預設收斂條件；

8、若所述初始重建模型滿足預設收斂條件，則將所述初始重建模型作為一維碼重建模型。

9、在本技術一種可能的實現方式中，所述對各組訓練數據中的第二一維條碼圖像分別進行語義提取，獲得各訓練數據對應的高質圖像語義特征，并對各組訓練數據對應的預測條碼圖像分別進行語義提取，獲得各組訓練數據對應的預測圖像語義特征，包括：

10、獲取語義特征提取模型，所述語義特征提取模型為預先訓練的，用于對語義特征進行提取的模型，所述語義特征包括條空寬度特征及索引語義特征；

11、通過所述語義特征提取模型對各組訓練數據中的第二一維條碼圖像分別進行語義提取，獲得各訓練數據對應的高質圖像語義特征，并通過所述語義特征提取模型對各組訓練數據對應的預測條碼圖像分別進行語義提取，獲得各組訓練數據對應的預測圖像語義特征。

12、在本技術一種可能的實現方式中，所述獲取語義特征提取模型之前，還包括：

13、通過初始條碼識別模型對各組識別訓練數據中的第二一維條碼圖像進行預測，獲得各組識別訓練數據對應的索引序列預測結果，一組識別訓練數據包括第二一維條碼圖像以及所述第二一維條碼圖像對應的索引序列真值，所述初始條碼識別模型包括特征提取模型及索引預測模型；

14、根據各組識別訓練數據中的索引序列真值及各組識別訓練數據對應的索引序列預測結果構建序列預測損失值；

15、根據所述序列預測損失值對所述初始條碼識別模型的模型參數進行調整，并檢測所述初始條碼識別模型是否滿足預設收斂條件；

16、若所述初始條碼識別模型滿足預設收斂條件，則將所述初始條碼識別模型作為一維條碼識別模型；

17、所述獲取語義特征提取模型，包括：

18、從所述一維條碼識別模型中提取特征提取模型，獲得語義特征提取模型。

19、在本技術一種可能的實現方式中，所述通過初始條碼識別模型對各組識別訓練數據中的第二一維條碼圖像進行預測，獲得各組識別訓練數據對應的索引序列預測結果之前，還包括：

20、獲取一維條碼超分數據集，所述一維條碼超分數據集包括多個樣本對，所述樣本對包含一維條碼對應的第一一維條碼圖像、第二一維條碼圖像和索引序列真值；

21、從所述一維條碼超分數據集中提取多個樣本對；

22、將所述多個樣本對中的第一一維條碼圖像移除，獲得多組識別訓練數據。

23、在本技術一種可能的實現方式中，所述根據所述像素級損失值及所述條碼語義特征損失值對所述初始重建模型的模型參數進行調整，包括：

24、查找所述像素級損失值及所述條碼語義特征損失值分別對應的損失影響因子，所述損失影響因子用于表征損失值對總體損失的影響比例；

25、根據所述損失影響因子、所述像素級損失值及所述條碼語義特征損失值構建最終損失值；

26、根據所述最終損失值確定所述初始重建模型中各層網絡對應的誤差梯度；

27、根據所述誤差梯度推導所述初始重建模型中各層網絡對應的權重梯度及偏置梯度；

28、獲取所述初始重建模型對應的模型學習率；

29、根據所述模型學習率及所述權重梯度對所述初始重建模型中各層網絡的權重參數進行調整，并根據所述模型學習率及所述偏置參數對初始重建模型中各層網絡的偏置參數進行調整。

30、在本技術一種可能的實現方式中，所述根據初始重建模型對各組訓練數據中的第一一維條碼圖像進行預測，獲得各組訓練數據對應的預測條碼圖像之前，還包括：

31、獲取一維條碼超分數據集，所述一維條碼超分數據集包括多個樣本對，所述樣本對包含一維條碼對應的第一一維條碼圖像、第二一維條碼圖像和索引序列真值；

32、從所述一維條碼超分數據集中提取多個樣本對；

33、將所述多個樣本對中的索引序列真值移除，獲得多組訓練數據。

34、在本技術一種可能的實現方式中，所述若所述初始重建模型滿足預設收斂條件，則將所述初始重建模型作為一維碼重建模型之后，還包括：

35、將待重建一維條碼圖像輸入至所述一維碼重建模型進行處理，生成重建一維條碼圖像；

36、其中，所述待重建一維條碼圖像為包含一維條碼，但圖像質量低至難以識別一維條碼的條碼真值的圖像，所述重建一維條碼圖像為與待重建一維條碼圖像包含同一一維條碼，但圖像質量高于待重建一維條碼圖像的圖像。

37、此外，為實現上述目的，本技術還提出一種模型訓練裝置，所述裝置包括：

38、圖像預測模塊，用于根據初始重建模型對各組訓練數據中的第一一維條碼圖像進行預測，獲得各組訓練數據對應的預測條碼圖像，一組訓練數據包括第一一維條碼圖像以及第二一維條碼圖像，所述第一一維條碼圖像及第二一維條碼圖像對應相同一維條碼，且所述第一一維條碼圖像的圖像質量低于所述第二一維條碼圖像的圖像質量，所述預測條碼圖像的圖像質量高于所述第一一維條碼圖像的圖像質量；

39、第一損失模塊，用于根據各組訓練數據中的第二一維條碼圖像以及各組訓練數據對應的預測條碼圖像確定像素級損失值；

40、語義提取模塊，用于對各組訓練數據中的第二一維條碼圖像分別進行語義提取，獲得各訓練數據對應的高質圖像語義特征，并對各組訓練數據對應的預測條碼圖像分別進行語義提取，獲得各組訓練數據對應的預測圖像語義特征；

41、第二損失模塊，用于根據各組訓練數據對應的高質圖像語義特征及預測圖像語義特征確定條碼語義特征損失值；

42、參數調整模塊，用于根據所述像素級損失值及所述條碼語義特征損失值對所述初始重建模型的模型參數進行調整，并檢測所述初始重建模型是否滿足預設收斂條件；

43、模型確定模塊，用于若所述初始重建模型滿足預設收斂條件，則將所述初始重建模型作為一維碼重建模型。

44、此外，為實現上述目的，本技術還提出一種模型訓練設備，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如上所述的一維條碼超分辨率模型訓練方法的步驟。

45、此外，為實現上述目的，本技術還提出一種存儲介質，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如上所述的一維條碼超分辨率模型訓練方法的步驟。

46、此外，為實現上述目的，本技術還提出一種計算機程序產品，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執行時實現如上所述的一維條碼超分辨率模型訓練方法的步驟。

47、本技術提出的一個或多個技術方案，至少具有以下技術效果：

48、由于在對初始重建模型進行訓練時，是結合了像素級損失值及條碼語義特征損失值對模型參數進行調整，充分考慮了重建得到的圖像的像素級損失以及語義特征的損失，由此訓練得到的一維碼重建模型，可以保證即使在輸入的一維條碼圖像的ppm很小和/或質量差的情況下，也能保證重建的圖像質量以及語義特征的準確，從而輸出條空寬度準確的高分辨率圖像，提高超分辨率模型的穩定性，提高條碼識別的性能。