[发明专利]一种基于SSD网络模型的曲面QR码定位方法

权利要求书

1.一种基于SSD网络模型的曲面QR码定位方法，其特征在于，包括以下步骤：

S1.建立曲面QR码数据集并对其进行预处理；

S2.搭建PPN-SSD框架，所述PPN-SSD框架以Inception网络为基础网络，添加辅助网络层作为网络的特征提取层和分类层；

其中，PPN-SSD框架采用Inception v3网络在ImageNet数据集上的预训练模型作为基础网络，进行特征提取；

PPN-SSD框架的特征提取层包括一个卷积层“mixed1_c”层和五个最大池化层“max_pool_1”层，“max_pool_2”层，“max_pool_3”层，“max_pool_4”层和“max_pool_5”层作为特征提取层；

在提取出的每个特征图的每个点上产生一系列不同大小不同比例的默认预测框，得到目标候选区域；

将获取的目标候选区域使用一个在所有尺度上共享的卷积来预测得出类别得分和候选框位置信息，消除多余预测框，得到得分大于设定阈值的检测结果；

PPN-SSD框架的分类层采用一个在所有尺度上共享的卷积来预测目标图像的类别得分和候选框位置信息；

S3.利用所述PPN-SSD框架进行模型训练得到曲面QR码定位模型；

S4.利用训练好的曲面QR码定位模型对曲面QR码进行定位。

2.根据权利要求1所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，步骤S1所述的预处理具体包括：对所述曲面QR码数据集进行标注，并将其中每张图像的编号、长度、宽度、目标类别和目标位置信息分别填入csv格式文件中，从而将所述曲面QR码数据集转换为csv格式文件；将转换后的文件数据划分为训练集和测试集。

3.根据权利要求2所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，所述步骤S3具体包括：

输入所述训练集作为训练输入数据，并对其进行数据增广操作；

初始化网络：使用所述Inception v3网络在ImageNet数据集上训练得到的预训练模型作为所述曲面QR码定位模型的参数的初始值，得到基础网络；

经过所述基础网络的中间层后，使用所述五个最大池化层进行特征提取；

基于提取出的特征图，经所述分类层对目标图像的类别得分和候选框位置信息进行预测得到预测目标框；

计算所述预测目标框与其目标图像的真实目标框之间的误差，然后由反向传播算法对误差函数进行权重更新；

进行迭代训练，直至所述误差函数的损失值小于预设阈值或达到最大迭代次数时停止训练，得到曲面QR码定位模型。

4.根据权利要求3所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，在所述步骤S3中，所述数据增广操作包括：随机选取训练集的图像调整其对比度、亮度和饱和度，对训练集中的图像进行旋转、扭曲、裁剪或遮挡操作，为训练集中的图像加入高斯噪声，对训练集中的图像进行上下翻转或镜像翻转。

5.根据权利要求4所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，在所述步骤S3中，所述误差函数具体为：

其中，N是匹配的预测目标框数目，L_conf是置信度损失，L_loc是定位损失，x代表目标物体，c代表置信度，l代表预测目标框，g表示真实目标框，α为定位损失所占的权重。

6.根据权利要求2所述的基于SSD网络模型的曲面QR码定位方法，其特征在于，所述步骤S4还包括：

利用训练好的曲面QR码定位模型对测试集进行曲面QR码定位，设置IoU系数阈值，即检测结果预测目标框与真实目标框之间的区域交并比；若检测结果的IoU系数大于设置的IoU系数阈值，则输出该检测结果；否则，放弃该检测结果。