基于深度学习的条码识别算法

周为鹏 徐白 龚佳卿 朱霞

（金陵科技学院网络与通信工程学院 江苏省南京市 211100）

1 引言

随着我国经济的飞速发展，人们的收入水平也不断提高，消费者对便利快捷的网上购物越来越热衷起来，电商也从无到有的迅猛发展起来。国家邮政局局长马军胜曾表示，我国已经成长为世界上发展最快、最具活力的新兴寄递市场，包裹快递量超过美、日、欧等发达经济体总和，对全球增长贡献率超过50%，已经成为全球邮政业的动力源和稳定器，快递行业在国民经济的发展中越来越重要。据调查数据显示，2019年全国快递业务量突破600亿件，累计完成635.2亿件，同比增长25.3%，增量规模连续两年超过100亿件。全国快递企业日均快件处理量超1.7亿件，同比增长25.3%，最高日处理量达5.4亿件，同比增长28.5%。快递业务收入累计完成7497.8亿元，同比增长24.2%。2020年快递业受疫情影响巨大，但是随着企业复工复产，进入6月以来，我国快递日均业务量接近2.6亿件。但是，中国的快递业发展时间过短，整个行业的运行机制还不够健全，导致快递终端的效率低下，容易发生爆仓等问题，引起了很多消费者的不满，给快递公司也造成了经济上的损失。

随着“智慧物流”的首次提出，如何提高物流系统的智能化、自动化便成了当今物流领域的研究重点。 于是物流领域就出现了利用条形码来存储信息，通过识别条形码可以检索到放在数据库中的客户信息以及快递信息。条形码的出现让物流变得智能化起来，但还是存在一些问题。比如条形码印刷不合格或者快递在传输过程中条形码遭到破坏，都会导致条形码读取的成功率。

针对上述条形码的局限性，本文重点研究了一种高效提取快递单面上的条形码的算法，该算法基于深度学习，进行快递面单上条形码的定位与识别。从最后结果上来看，该算法可以显著提高条形码的识别效率，从而推动“智慧物流”的建设。

2 相关技术介绍

2.1 Yolov5目标检测算法

Yolov5相较于Yolov4，模型体积缩减了近90%，与此同时模型的精度与Yolov4不相上下。得益于超轻量级的模型，Yolov5拥有了目前最快的目标检测推理速度，同时也非常适合部署在移动端。此外，Yolov5采用了pytorch框架，这使得用户可以更加方便快捷地训练自己的模型，并且pytorch权重文件可以轻松地转化成onnx开放神经网络交换格式，这极大地降低了模型部署在移动端的难度，综上条件使得Yolov5能更加易于应用在实体产业中。

Yolov5提供了四个版本的目标检测网络，分别是Yolov5s、Yolov5m、Yolov5l和Yolov5x。这四个版本网络的宽度和深度依照上文所示顺序依次递增，权重文件的大小也会逐渐增加，推理耗时会更长，但与此同时，推理的精度也会有相应的提升。在coco数据集上的具体表现可参考图1。

图1：Yolov5各版本网络性能

2.2 系统架构设计

该论文中的系统设计架构如图2所示，先输入待检测的图片，再使用Yolov5算法框出条码，并截取BoundingBox框选出的部分，得到一张主要信息为条形码的图片。使用OpenCV的最小外接矩形方法（minAreaRect()）得到图片的偏转角度，再使用仿射变换对存在偏转的图片进行矫正，最后使用Zbar算法对处理完成后的条码图片进行解码，并以字符串格式输出解码出的信息，最终实现对快递运单上条码的标定与解析。

图2：系统架构

3 软件仿真

3.1 电脑软硬件配置

本文中的Yolov5训练环境在Ubuntu 20.04上搭建，PyTorch版本为1.8.1、CUDA版本为11.1。硬件方面使用了i7-7700HQ CPU、GTX 1070 8G 显卡，内存为16GB。

3.2 数据来源

本文中数据集的制作分为三个步骤，首先使用小米mix2s的摄像头对快递运单实物进行拍照采集，然后使用labelimg工具对采集到的快递面单上的条形码进行框选标注，其中包括不同快递公司（不同样式），不同大小，不同角度以及不同光照条件下的图片样本。最后，在训练时采用Mosaic对所有样本进行数据增强，提升了模型对小目标的检测能力。此外，通过调整色调、饱和度、明度、旋转角度、平移、缩放、翻转等一系列数据增强系数，进一步对训练数据进行增强，提升了模型的泛化能力及推理精度。

3.3 实验参数设定

如表1所示。

表1：实验参数

3.4 实验过程

为了提高解码的成功率以及算法的鲁棒性，将包含条码的图像送入解码器进行解码之前，需要先提取出包含条码的区域，尽可能地减少无关信息的干扰，并对存在偏转的条码进行矫正。

目前对于实现条形码的定位，存在两种方案。一种是opencv的边缘检测算法；另一种是Yolov5深度学习目标检测算法。本文中采用Yolov5深度学习目标检测算法完成条形码的定位。由于快递面单上带有大量的个人隐私信息，这导致数据的采集工作异常困难，采集的数据完全由团队内成员提供，数据量严重紧缺。因此，在使用Yolov5进行训练时，使用了多种数据增强来避免模型的过拟合，增强模型的泛化能力。从可视化的训练结果可以看出：GIoU损失函数均值在训练轮数达到100轮时趋于恒定，精度及召回率波动极小，mAP@0.5 &mAP@0.5:0.95接近100%，由此可见取得了极佳的训练效果。实验结果如图3、4所示。

图3：yolov5实验结果

图4：yolov5实验结果

使用Zbar算法对矫正完成后的图像进行解码，以字符串格式输出解码出的信息并写入文本文件，最终实现功能。输出结果如图5所示。

图5：输出结果

4 结论

本篇文章介绍了利用Yolov5目标检测算法，OpenCV 计算机视觉和机器学习软件库，及Zbar解码器，实现对快递运单上条形码的标定与解析的过程。基于Yolov5s网络在自制条形码数据集上进行训练，训练时通过对一系列超参数的调整以及多种数据增强的使用，在训练数据稀缺的情况下，使模型具有了较强的泛化能力。实验结果表明，本次实验成功实现了一个鲁棒性较强的条码识别算法。