【摘要】：QR碼識別系統(tǒng)是物流分揀系統(tǒng)的重要組成部分,其識別效率在一定程度上影響著物流分揀系統(tǒng)的分揀效率。目前,國內(nèi)大多數(shù)物流分揀中心的QR碼識別系統(tǒng)正從人工使用QR碼識別器手動進(jìn)行識別,逐步發(fā)展為使用高速照相機進(jìn)行自動化動態(tài)識別。在識別效率得到提升的同時,大大增加了設(shè)備的投入,阻礙了其系統(tǒng)的普及。本文研究了卷積神經(jīng)網(wǎng)絡(luò)和運動模糊理論,結(jié)合機器視覺中的目標(biāo)檢測技術(shù)和數(shù)字圖像處理技術(shù),研制了一套基于卷積神經(jīng)網(wǎng)絡(luò)的動態(tài)QR碼識別系統(tǒng),該系統(tǒng)以低成本、高效率實現(xiàn)了對動態(tài)QR碼的實時識別功能,具有一定應(yīng)用價值。本文的工作主要包括以下三個部分:(1)動態(tài)QR碼定位算法的研發(fā)。本系統(tǒng)最大的難點在于如何對運動模糊圖像進(jìn)行快速和高質(zhì)量的恢復(fù)。鑒于去模糊算法的耗時長特點,為了達(dá)到系統(tǒng)運行實時性要求,本文采用先定位分割出QR碼區(qū)域,再對其恢復(fù)的思路。而目前深度卷積網(wǎng)絡(luò)廣泛的應(yīng)用于目標(biāo)檢測領(lǐng)域,相比于傳統(tǒng)的目標(biāo)檢測方法具有更高的準(zhǔn)確度和實時性。本文基于目前優(yōu)秀的目標(biāo)檢測算法,綜合其優(yōu)缺點,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的動態(tài)QR碼的定位算法。并針對本系統(tǒng)的使用場景,提出了動態(tài)QR碼圖像數(shù)據(jù)集的建立方法,改進(jìn)了訓(xùn)練過程中初始參數(shù)。最終成功實現(xiàn)了對動態(tài)QR碼的準(zhǔn)確定位。(2)動態(tài)QR碼的恢復(fù)算法的研究與實現(xiàn)。首先,實現(xiàn)了基于差分自相關(guān)求解運動模糊距離和基于二次變換的模糊角度估計算法,完成了對運動模糊圖像模糊核的估計。其次對常用的高效去模糊恢復(fù)算法進(jìn)行了仿真和測試,根據(jù)實際性能選擇了基于維納濾波的去模糊算法。然后,為了進(jìn)一步提升恢復(fù)圖像的質(zhì)量,引入了循環(huán)濾波算法以及大津二值化算法。最終實現(xiàn)了對動態(tài)QR碼圖像的恢復(fù)。(3)動態(tài)QR碼系統(tǒng)的實現(xiàn)。軟件部分:在Linux系統(tǒng)下,基于深度學(xué)習(xí)框架TensorFlow實現(xiàn)了對圖像中的動態(tài)QR碼的定位算法。在Windows+QT開發(fā)環(huán)境下,結(jié)合圖像處理工具庫OpenCV,實現(xiàn)了對動態(tài)QR碼圖像的運動模糊恢復(fù)算法。硬件部分:綜合性能、價格完成了對工業(yè)相機、光學(xué)鏡頭和服務(wù)器的選型,并設(shè)計了輔助光源的結(jié)構(gòu),完成了系統(tǒng)的硬件平臺搭建。最終,對動態(tài)QR碼識別系統(tǒng)進(jìn)行了實際測試,實驗結(jié)果表明了系統(tǒng)以一定速度運行,在保證實時性的情況下,具有良好的識別準(zhǔn)確率。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F252;TP391.41;TP183
【圖文】：

國內(nèi)快遞業(yè)務(wù)量趨勢

c）傾翻盤式分揀機 d）交叉帶式分揀機圖 1-2 各類分揀機常見的自動分揀系統(tǒng)包含貨物輸送裝置、信息輸入裝置、分揀控制裝置和分揀部分[1-4]。其中貨物輸送裝置、分揀控制裝置和分揀道口合稱為分揀機，承擔(dān)了分

快遞面單

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機械;2019年06期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測預(yù)警仿真[J];計算機仿真;2019年11期

4 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

5 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

6 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

7 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

8 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

9 鮑偉強;陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

10 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2745308