用深度学习模型进行条码定位实践【c++和paddle】

提示文章写完后目录可以自动生成如何生成可参考右边的帮助文档文章目录前言一、paddle是什么二、使用步骤1.安装paddle库2.图像预处理3.运行推理三、测试结果总结总结前言条码已渗透到我们生活的各个方面如支付、物流仓储、零售和工业生产流水线等。扫码读码看似简单“一扫即得”但在实际场景中却因环境、载体、条码状态等因素的影响而造成困难。如条码布局无序且摆放角度随机传统扫码设备难以快速锁定目标受环境光照影响出现反光、高亮等情形要定位的条码尺寸小与周围背景对比度低很难分辨等。传统条码定位依赖条码的边缘、明暗对比等几何特征对模糊、遮挡、扭曲的条码适应性差。AI模型凭借对复杂特征的提取与适配能力即使在强光、阴影等场景下也能精准捕捉条码区域。例如针对倾斜、旋转的条码可通过数据增强训练实现对任意角度条码的定位。目前调用AI模型进行实际操作使用语言比较多的有python和c。本文将介绍如何在c项目中paddle框架进行条码的快速定位并给出相应的示例。一、paddle是什么paddle是由百度开发并开源的深度学习框架提供了丰富的工具组件和服务平台适用于图像识别、自然语言处理、语音识别等多个领域并且提供了预训练模型可以快速完成模型微调并应用于实际业务场景。二、使用步骤1.安装paddle库在c项目中利用paddle框架进行推理需要安装paddle Inference推理库。相应的库可以自己从源代码进行编译也可以下载编译好的release版本。paddle Inference推理库包含了头文件、dll动态库和lib动态库如下图所示。2.图像预处理在代码中需要包含头文件paddle_inference_api.h为了适应模型需要对图像数据进行预处理和标准化并转化为NCHW格式代码如下void preprocess(const cv::Mat img, const int height, const int width, std::vectorfloat input_data) { if (img.empty()) { std::cerr 图像为空 std::endl; } // BGR 转 RGB cv::Mat rgb_img; cv::cvtColor(img, rgb_img, cv::COLOR_BGR2RGB); // 归一化 std::vectorfloat mean { 0.485f, 0.456f, 0.406f }; std::vectorfloat std { 0.229f, 0.224f, 0.225f }; cv::Mat normalized_img normalize(rgb_img, mean, std); // resize NCHW cv::Mat preprocess_img cv::dnn::blobFromImage( normalized_img, // 原始BGR图像 1.0, // 像素值归一化到0-1 cv::Size(height, width), // 目标尺寸224×224 cv::Scalar(0), // 减去ImageNet均值RGB顺序swapRBtrue时匹配 true, // BGR→RGB false, // 不裁剪 CV_32F // 输出float32类型适配模型输入 ); memcpy(input_data.data(), preprocess_img.data, input_data.size() * sizeof(float)); }其中归一化的标准和均值需要根据模型具体值修改。这里结合opencv中的cv::Mat作为图像数据的载体也可以采用其他库。3.运行推理推理过程就是将预处理后的图像利用推理器进行推理并得到推理结果。推理过程可以在GPU上也可以在CPU上运行。推理过程相关代码如下void run(Predictor* predictor, const std::vectorfloat input,const std::vectorint input_shape, const std::vectorfloat scale_factor,const std::vectorint scale_factor_shape, std::vectorfloat* out_data) { auto input_names predictor-GetInputNames(); auto image_handle predictor-GetInputHandle(input_names[0]); image_handle-Reshape(input_shape); image_handle-CopyFromCpu(input.data()); auto scale_factor_handle predictor-GetInputHandle(input_names[1]); scale_factor_handle-Reshape(scale_factor_shape); scale_factor_handle-CopyFromCpu(scale_factor.data()); predictor-Run(); auto output_names predictor-GetOutputNames(); auto output_t predictor-GetOutputHandle(output_names[0]); std::vectorint output_shape output_t-shape(); int out_num std::accumulate(output_shape.begin(), output_shape.end(), 1, std::multipliesint()); out_data-resize(out_num); output_t-CopyToCpu(out_data-data()); }三、测试结果通过对不同环境下的一维码和二维码包括QR码、DM码进行测试无论是低比度还是高反光都可以快速进行定位如下图所示的各种复杂环境。总结本文介绍了利用c加上paddle深度学习框架进行条码定位的过程给出了图像预处理和推理的相关代码并演示了复杂环境下的定位结果。实践表明利用AI模型进行条码定位进行很高的可靠性可以解决传统方法对于复杂环境无法定位的结果大大提高定位的准确性和速度。