摘 要：針對(duì)像素較低的攝像頭對(duì)條形碼進(jìn)行拍攝識(shí)別時(shí)，需要靠近條形碼并保持較久的時(shí)間，且存在一定的掃描結(jié)果錯(cuò)誤率等問(wèn)題，利用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)SRCNN對(duì)單幅低清晰度條形碼圖片進(jìn)行超分辨率重建，將低分辨率圖片轉(zhuǎn)換為高分辨率圖片。通過(guò)實(shí)驗(yàn)驗(yàn)證，SRCNN相對(duì)于傳統(tǒng)超分方法，在圖像處理和評(píng)價(jià)指標(biāo)方面取得了更好的效果，實(shí)現(xiàn)了條形碼圖像的超分辨率重建，獲得了更為清晰的圖片。

關(guān)鍵詞：條形碼圖像；超分辨率重建；雙三次插值法；卷積神經(jīng)網(wǎng)絡(luò)；SRCNN；圖像處理

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2024）03-0-03

0 引 言

在無(wú)人監(jiān)督的藥品庫(kù)進(jìn)行藥品抓取任務(wù)中，通常以機(jī)械臂抓取為首選，搭配機(jī)器視覺(jué)進(jìn)行手眼標(biāo)定抓取。由于成像設(shè)備的局限性、藥品盒標(biāo)識(shí)條形碼小，得到的圖像分辨率較低，不利于藥品的識(shí)別。提高條形碼圖像的分辨率，不僅便于提高機(jī)械臂抓取藥品的準(zhǔn)確率，也對(duì)生產(chǎn)生活中條形碼的識(shí)別有一定的幫助。

為提高圖像分辨率，常采用圖像超分辨率（SR）法，即將圖像從低分辨率恢復(fù)到高分辨率。傳統(tǒng)圖像超分辨率方法常用雙三次插值（BiCubic）法、基于稀疏表示法[1-3]、基于局部嵌入法[4-6]、基于樣例（Example-Based）法[7]，這些經(jīng)典的方法在提高圖像分辨率上取得了一定的效果，但均是在插值過(guò)程中加入銳化的流程，本質(zhì)上是通過(guò)人工觀察、總結(jié)和試驗(yàn)得出來(lái)的方法，具有一定的局限性，在處理?xiàng)l形碼圖像后常常出現(xiàn)模糊、銳化過(guò)度的現(xiàn)象。

針對(duì)以上傳統(tǒng)超分方法存在的問(wèn)題，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的超分辨率卷積神經(jīng)網(wǎng)絡(luò)（SRCNN）[8]的條形碼超分辨率重建方法。SRCNN是基于深度學(xué)習(xí)，旨在實(shí)現(xiàn)一種端對(duì)端的網(wǎng)絡(luò)模型，它具有結(jié)構(gòu)簡(jiǎn)單且失真度低的特點(diǎn)，其被用于將低分辨率的圖像轉(zhuǎn)換為高分辨圖像，證明深度學(xué)習(xí)在超分領(lǐng)域的應(yīng)用可以超越傳統(tǒng)的插值等算法，取得較高的表現(xiàn)力和良好的處理效果。

結(jié)合圖像亮度增強(qiáng)技術(shù)、傳統(tǒng)超分方法中的雙三次插值法以及零填充技術(shù)，對(duì)條形碼圖像進(jìn)行增亮、放大；然后通過(guò)加入零填充的SRCNN，實(shí)現(xiàn)低分辨率到高分辨率的非線性映射，得到相較于傳統(tǒng)超分方法處理后效果更好的條形碼圖像及更高的PSNR值。

1 SRCNN模型分析

1.1 數(shù)據(jù)預(yù)處理

在將圖像輸入SRCNN前，需要進(jìn)行圖像的預(yù)處理：將獲得的高分辨率圖像X通過(guò)采樣處理成低分辨率圖像Y1，再使用雙三次（BiCubic）插值法將低分辨率圖像Y1放大至與輸出高分辨率圖片尺寸相同的低分辨率圖像Y，如圖1所示。

1.2 SRCNN模型結(jié)構(gòu)

SRCNN的特點(diǎn)是僅使用三層網(wǎng)絡(luò)，就取得相較于傳統(tǒng)超分方法更好的結(jié)果，能夠解決圖像重建速度慢、計(jì)算量大的問(wèn)題，其三層卷積的結(jié)構(gòu)可以被解釋為：圖像子塊的提取和特征表示、特征矩陣非線性映射和最終的特征重建。接著通過(guò)三層卷積網(wǎng)絡(luò)擬合非線性映射，最后重建并輸出高分辨率圖像結(jié)果。其結(jié)構(gòu)示意圖如圖2所示。

由于SRCNN的特性，三個(gè)部分的操作均可使用卷積完成。因此，雖然針對(duì)模型結(jié)構(gòu)的解釋與傳統(tǒng)方法類(lèi)似，但SRCNN卻在數(shù)學(xué)上擁有更加簡(jiǎn)單的表達(dá)，以下為每層的操作內(nèi)容：

（1）特征提取層

從輸入的低分辨率圖像中提取多個(gè)圖像塊，通過(guò)CNN以及ReLU層將圖像塊提取成向量，令所得的向量組成特征矩陣F1（Y）：

（1）

式中：W1、B1分別是卷積核的參數(shù)和偏置量；窗口大小為f1×f1；通道數(shù)為Y，有n1個(gè)濾波器。

（2）非線性映射層

將特征矩陣再次使用卷積核過(guò)濾及ReLU層激活實(shí)現(xiàn)非線性映射，變成另一組維度不同的特征矩陣F2（Y），加深網(wǎng)絡(luò)層數(shù)，表達(dá)式為：

（2）

式中：W2、B2分別是卷積核的參數(shù)和偏置量；采用1×1的卷積核；通道數(shù)為n1，有n2個(gè)濾波器。

在該層后可以繼續(xù)增加非線性層，但在SRCNN構(gòu)建時(shí)為推出一種通用性SR框架，所以選擇只有一層非線性層的網(wǎng)絡(luò)模型。

（3）圖像重建層

本層借鑒傳統(tǒng)超分方法的插值法，不使用ReLU層，直接對(duì)圖像局部進(jìn)行平均化，使用反卷積的方式做圖像重建，將非線性層得到的特征矩陣還原為高分辨圖像，表達(dá)式為：

（3）

式中，卷積核大小為n2×c×f3×f3。

1.3 加入零填充的SRCNN

在SRCNN中，通常會(huì)使用過(guò)濾器（卷積核）來(lái)實(shí)現(xiàn)圖像的卷積，從而實(shí)現(xiàn)圖像的降維，即圖像縮?。划?dāng)使用多個(gè)過(guò)濾器實(shí)現(xiàn)多層的卷積，那么輸出圖像會(huì)持續(xù)縮小，很容易造成圖像邊緣有意義的信息丟失。

因此，為更好地實(shí)現(xiàn)圖像超分辨率重建效果，本文在卷積層中加入零填充（zero-padding）[9-10]，以保持輸入和輸出的空間維度相同，在水平軸和垂直軸的開(kāi)始和結(jié)束處都添加0，即在卷積的時(shí)候，降低圖像變小的速度，并防止圖像邊緣的信息丟失。加入零填充的SCRNN操作示意圖如圖3所示。

使用零填充時(shí)，對(duì)輸出特征尺寸大小的影響通過(guò)式（4）計(jì)算。

（4）

式中：x為輸出特征圖的邊長(zhǎng)；a為輸入邊長(zhǎng)；b為步長(zhǎng)，不能整除時(shí)向上取整。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)在使用Python3.9、PyTorch框架及具有以下規(guī)格的計(jì)算機(jī)上運(yùn)行：Windows 10、CPU采用AMD Ryzen 74800H with Radeon Graphics、GPU采用NVIDIA GeForce GTX 1650、16 GB RAM。

2.1 數(shù)據(jù)集及評(píng)價(jià)指標(biāo)

（1）數(shù)據(jù)集

訓(xùn)練集采用91-image作為SRCNN的實(shí)驗(yàn)數(shù)據(jù)集，模糊條形碼圖像集作為測(cè)試數(shù)據(jù)集，數(shù)據(jù)集在訓(xùn)練或測(cè)試前會(huì)進(jìn)行修正處理，過(guò)程主要為高斯去噪、亮度提高、輻射校正和幾何校正。

（2）SRCNN參數(shù)配置

模型的參數(shù)設(shè)置為：f1=9、f2=1、f3=5、n1=64、n2=32，SRCNN一共3層，前兩層配置的學(xué)習(xí)率為10-4，最后一層的學(xué)習(xí)率配置為10-5，這樣可以讓最后一層取得較小的學(xué)習(xí)率，有利于網(wǎng)絡(luò)收斂。

（3）損失函數(shù)

在實(shí)驗(yàn)中，選取MSE用作損失函數(shù)，該統(tǒng)計(jì)參數(shù)是預(yù)測(cè)數(shù)據(jù)和原始數(shù)據(jù)對(duì)應(yīng)點(diǎn)誤差的平方和的均值，表達(dá)式為：

（5）

式中：Y和X分別表示對(duì)應(yīng)的低分辨率（LR）圖像和高分辨率（HR）圖像；i表示不同的通道；θ={Wi， Bi}表示網(wǎng)絡(luò)的卷積參數(shù)；F（Yi; θ）表示網(wǎng)絡(luò)的輸入結(jié)果；n表示訓(xùn)練樣本的數(shù)量。

（4）評(píng)價(jià)指標(biāo)

峰值信噪比（PSNR）表示信號(hào)的最大可能功率與影響其精度的噪聲之比，選取PSNR為評(píng)價(jià)指標(biāo)，表達(dá)式為：

（6）

式中，MAX2為圖片可能的最大像素值。

2.2 實(shí)驗(yàn)結(jié)果

采用像素為320×340的攝像頭拍攝多種藥品條形碼，得到大量的低像素下較模糊的條形碼圖片，分別使用傳統(tǒng)超分方法下的BiCubic法和加入零填充的SRCNN進(jìn)行處理，取數(shù)據(jù)集中藥品蒙脫石散的條形碼圖像展示，如圖4、圖5所示。可以看到SRCNN相對(duì)于傳統(tǒng)超分BiCubic法在超分辨率重建效果上有直觀的提升，能夠體現(xiàn)更豐富的細(xì)節(jié)。

2.3 實(shí)驗(yàn)分析

針對(duì)圖4和圖5，在不同條形碼圖像輸入規(guī)模上，使用評(píng)價(jià)指標(biāo)公式（6）對(duì)其進(jìn)行評(píng)價(jià)，可得到表1。由表1可以看出，在2、3、4三種圖像規(guī)模下， SRCNN都具有更好的重構(gòu)效果，擁有更高的PSNR值。

同時(shí)，在SRCNN處理?xiàng)l形碼圖像時(shí)可以測(cè)得模型的處理時(shí)間，見(jiàn)表2所列。由表1、表2可以發(fā)現(xiàn)，SRCNN在處理速度方面仍然不夠理想，在圖像重建上沒(méi)有特別明顯的效果，主要是存在兩個(gè)固有的限制因素：首先，在圖像預(yù)處理時(shí)使用雙三次插值法將LR圖像放大至所需圖像的尺寸大小時(shí)，其計(jì)算復(fù)雜度為放大后圖像的空間尺寸的平方；其次，在非線性映射層進(jìn)行非線性映射時(shí)，采用更大的映射層可以提高映射的圖像精準(zhǔn)度，但運(yùn)行時(shí)間也會(huì)相對(duì)增加。

因此，可以考慮采取相應(yīng)的措施進(jìn)行后續(xù)的改進(jìn)：使用反卷積層在最后進(jìn)行升采樣，以代替雙三次插值法；在非線性映射層前后分別添加收縮層和擴(kuò)展層。改進(jìn)后的SRCNN即為緊湊的沙漏型結(jié)構(gòu)FSRCNN，它能夠達(dá)到SRCNN處理速度的40倍以及更好的圖像恢復(fù)效果，但SRCNN模型更為簡(jiǎn)單，在低分辨率藥品條形碼上進(jìn)行超分辨率重建的處理效果已經(jīng)可以達(dá)到預(yù)期，能明顯提高識(shí)別條形碼的速度和掃描讀取的準(zhǔn)確率。

3 結(jié) 語(yǔ)

針對(duì)成像設(shè)備的低分辨率的條形碼圖像，本文提出基于SRCNN對(duì)條形碼圖像進(jìn)行超分辨率重建，通過(guò)圖像的預(yù)處理和SRCNN，并加入零填充操作，將低分辨率圖像非線性映射為高分辨率圖像，得到更高的PSNR值和更清晰的圖像，保證條形碼在識(shí)別時(shí)的正確率和識(shí)別速度，提高了信息傳遞的速率和可靠度。

注：本文通訊作者為袁小平。

參考文獻(xiàn)

[1] YANG J C，WRIGHT J，HUANG T，et al. Image super-resolution as sparse representation of raw image patches [C]// 2008 IEEE Conference on Computer Vision and Pattern Recognition. Anchorage，AK，USA：IEEE，2008：1-8.

[2]朱彥穎，賴芝岑，李凡，等.基于人臉識(shí)別的實(shí)驗(yàn)室考勤系統(tǒng)[J].物聯(lián)網(wǎng)技術(shù)，2023，13（1）：14-16.

[3] ADLER A，HEL-OR Y，ELAD M. A shrinkage learning approach for single image super-resolution with overcomplete representations [M]// DANIILIDIS K，MARAGOS P，PARAGIOS N. Computer Vision—ECCV 2010 Lecture Notes in Computer Science. Berlin，Heidelber：Springer，2010：622-635.

[4]李紅巖，梁紫璇，趙峰，等.圖像識(shí)別智能門(mén)禁[J].物聯(lián)網(wǎng)技術(shù)，2023，13（1）：104-106.

[5] GAO X，ZHANG K，TAO D，et al. Image super-resolution with sparse neighbor embedding [J]. IEEE transactions on image processing，2012，21（7）：3194-3205.

[6] CHANG H，YEUNG D Y，XIONG Y M. Super-resolution through neighbor embedding [C]// Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington，DC，USA：IEEE，2004.

[7] ZHANG Y F，F(xiàn)AN Q L，BAO F X，et al. Single-image super-resolution based on rational fractal interpolation [J]. IEEE transactions on image processing，2018，27（8）：3782-3797.

[8] DONG C，LOY C C，HE K，et al. Image super-resolution using deep convolutional networks [J]. IEEE transactions on pattern analysis and machine intelligence，2016，38（2）：295-307.

[9]呂響，張書(shū)玉，宋英楠，等.基于深度學(xué)習(xí)下的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)[J].渤海大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（4）：369-375.

[10]胡伏原，李林燕，尚欣茹，等.基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法綜述[J].蘇州科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，37（2）：1-10.

作者簡(jiǎn)介：孫天?。?002—），男，本科生，研究方向?yàn)闄C(jī)器視覺(jué)。

袁小平（1966—），男，博士，教授，研究方向?yàn)槲锫?lián)網(wǎng)技術(shù)、機(jī)器學(xué)習(xí)、智能硬件加速。

房鴻超（2001—），男，本科生，研究方向?yàn)閳D像處理。

陳思宇（2002—），男，本科生，研究方向?yàn)闄C(jī)器視覺(jué)。