一种扫描头的补光灯调节方法及系统

技术领域

本发明涉及扫描头补光灯技术领域，尤其涉及一种扫描头的补光灯调节方法及系统。

背景技术

目前全世界处于物联网时代，通过一维码和二维码读取产品信息，但是，条码所在环境亮度直接影响了扫描头设备的扫码成功率，例如，在黑暗环境远距离下需要增强补光灯亮度以提高解码距离，在黑暗环境近距离下需要降低补光灯亮度防止过曝。在阳光环境下远近距离都要关闭补光灯，既能防止过曝，又能节省功耗。

现有技术方案可以使用PDA设备中的环境亮度传感器检测当前环境光的亮度，根据环境光的亮度进行补光灯亮度调节，环境越暗，补光灯亮度越亮，环境亮度越亮，补光灯亮度越暗。

但是这种使用环境光传感器的方法在一些复杂的场景有两个明显的不足：a、同一环境亮度下，不同距离的条码扫描场景无法准确识别，典型情况如黑暗环境远距离下需要增强补光灯亮度以提高解码距离，黑暗环境近距离下需要降低补光灯亮度防止过曝。b、高动态亮度场景容易误测，例如PDA设备在亮处，条码在暗处，此时应该增加补光灯亮度，但是由于PDA检测所处环境是亮处，从而降低补光灯亮度导致扫码失败。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种扫描头的补光灯调节方法。

本发明解决其技术问题所采用的技术方案是：构造一种扫描头的补光灯调节方法，包括以下步骤：

S1：获取扫描头所处各类场景的训练图像数据；

S2：通过神经网络对所述训练图像数据进行训练，得到具有场景分类功能的分类模型；

S3：获取扫描头当前所处场景的图像数据，输入至所述分类模型中进行场景分类，得到分类结果；

S4：根据所述分类结果调整补光策略。

优选地，在本发明所述的扫描头的补光灯调节方法中，所述各类场景包括：第一环境亮度并与目标码相隔第一距离的场景、第一环境亮度并与目标条码相隔第二距离的场景、第二环境亮度并与目标条码相隔第三距离的场景、第二环境亮度并与目标条码相隔第四距离的场景；

其中，所述第一环境亮度大于所述第二环境亮度；所述第一距离大于所述第二距离，所述第三距离大于所述第四距离。

优选地，在本发明所述的扫描头的补光灯调节方法中，所述步骤S2包括：

S21：通过神经网络对所述训练图像数据进行特征识别，并对特征数据和非特征数据进行相应地加权重，得到分类模型中的各类场景参数。

优选地，在本发明所述的扫描头的补光灯调节方法中，所述步骤S2还包括：

S22：根据预设的权重阈值，对带权重的各类场景参数进行网络裁剪，获得最终的各类场景参数。

优选地，在本发明所述的扫描头的补光灯调节方法中，所述步骤S3包括：

S31：获取扫描头当前所处场景图像的矩阵数据，将所述矩阵数据乘以各类场景参数，提取矩阵数据中与各类场景相关的数据；

S32：根据相关数据，分析计算当前所处场景归为各类场景的可信度分数值，并输出分类结果。

优选地，在本发明所述的扫描头的补光灯调节方法中，所述输入至所述分类模型中进行场景分类，之前还包括：间隔一帧或多帧。

本发明还构造了一种扫描头的补光灯调节系统，包括：

数据模块，用于获取扫描头所处各类场景的训练图像数据；

训练模块，用于通过神经网络对所述训练图像数据进行训练，得到具有场景分类功能的分类模型；

分类模块，用于获取扫描头当前所处场景的图像数据，输入至所述分类模型中进行场景分类，得到分类结果；

调整模块，用于根据所述分类结果调整补光策略。

优选地，在本发明所述的扫描头的补光灯调节系统中，所述各类场景包括：第一环境亮度并与目标码相隔第一距离的场景、第一环境亮度并与目标条码相隔第二距离的场景、第二环境亮度并与目标条码相隔第三距离的场景、第二环境亮度并与目标条码相隔第四距离的场景；

其中，所述第一环境亮度大于所述第二环境亮度；所述第一距离大于所述第二距离，所述第三距离大于所述第四距离。

优选地，在本发明所述的扫描头的补光灯调节系统中，所述训练模块包括：

场景参数模块，用于通过神经网络对所述训练图像数据进行特征识别，并对特征数据和非特征数据进行相应地加权重，得到分类模型中的各类场景参数；

裁剪模块，用于根据预设的权重阈值，对带权重的各类场景参数进行网络裁剪，获得最终的各类场景参数。

优选地，在本发明所述的扫描头的补光灯调节系统中，所述分类模块包括：

提取模块，用于获取扫描头当前所处场景图像的矩阵数据，将所述矩阵数据乘以各类场景参数，提取矩阵数据中与各类场景相关的数据；

分析模块，用于根据相关数据，分析计算当前所处场景归为各类场景的可信度分数值，并输出分类结果。

通过实施本发明，具有以下有益效果：

本发明实现了通过神经网络训练得到具有场景分类功能的分类模型，从而准确地识别扫描头当前所处场景，能够在复杂场景中准确设置、调节补光灯亮度，提高复杂场景的解码成功率，并且还能节省功耗。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明扫描头的补光灯调节方法的流程示意图一；

图2是本发明扫描头的补光灯调节方法的流程示意图二；

图3是本发明扫描头的补光灯调节系统的模块框图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

需要说明的是，附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

第一实施例，如附图1所示，本发明公开了一种扫描头的补光灯调节方法，其中，该扫描头设备为PDA设备，所述调节方法包括以下步骤：

步骤S1：获取扫描头所处各类场景的训练图像数据。具体地，扫描头所处各类场景包括：第一环境亮度并与目标码相隔第一距离的场景、第一环境亮度并与目标条码相隔第二距离的场景、第二环境亮度并与目标条码相隔第三距离的场景、第二环境亮度并与目标条码相隔第四距离的场景；其中，第一环境亮度大于第二环境亮度；第一距离大于第二距离，第三距离大于第四距离；目标码为一维码或二维码。即，扫描头所处各类场景包括：亮环境远距离、亮环境近距离、暗环境远距离和暗环境近距离四类场景。

在一些实施例中，可将四类场景归为三类场景，因为只要扫描头处于亮环境下，无论与目标码距离远或近，补光灯均需关闭或降低亮度，因此扫描头所处各类场景包括：第一环境亮度的场景、第二环境亮度并与目标条码相隔第三距离的场景、第二环境亮度并与目标条码相隔第四距离的场景；其中，第一环境亮度大于第二环境亮度；第三距离大于第四距离。

步骤S2：通过神经网络对训练图像数据进行训练，得到具有场景分类功能的分类模型，优选具有上述四类场景分类功能的分类模型。具体地，如附图2所示，该步骤包括：

步骤S21：通过神经网络对训练图像数据进行特征识别，得到特征数据和非特征数据，并对特征数据和非特征数据进行相应地加权重，得到分类模型中的各类场景参数，该各类场景参数用于对扫描头当前所处场景进行分类。基于神经网络的分类模型通过海量各类场景的训练图像数据进行训练，能够识别更多各类场景的特征或识别出来的特征更加准确。并且，优选地，该神经网络为YOLO3。

在一些实施例中，为了尽可能降低分类模型中的各类场景参数数量，提升对扫描头当前所处场景的分类速度，如附图2所示，该步骤S2还包括：

步骤S22：根据预设的权重阈值，对带权重的各类场景参数进行网络裁剪，把比权重阈值低的非特征数据或特征数据去掉，获得最终的各类场景参数。例如，获取到100万个的各类场景参数，但实际有效可用于分类的参数仅有10万个，因此可通过赋予权重，并通过权重阈值进行网络裁剪，从而提升各类场景参数的准确有效性，从而提升分类速度。

步骤S3：获取扫描头当前所处场景的图像数据，输入至分类模型中进行场景分类，得到分类结果。在一些实施例中，为了降低能耗，当获取扫描头当前所处场景的图像数据后，可间隔一帧或多帧后才将扫描头当前所处场景的图像数据输入至分类模型中进行场景分类。

具体地，如附图2所示，该步骤包括：

步骤S31：获取扫描头当前所处场景图像的矩阵数据，将矩阵数据乘以各类场景参数，提取矩阵数据中与各类场景相关的数据，即令矩阵数据中属于某一类场景的数据被放大。其中，该矩阵数据为矩阵像素值。

步骤S32：根据相关数据，分析计算当前所处场景归为各类场景的可信度分数值，并输出分类结果。其中，在一些实施例中，可分析计算出当前所处场景归为暗环境远距离的可能性为50％，归为暗环境近距离的可能性为50％，而该可能性就是可信度分数值，通过该可信度分数值判定扫描头距离目标码不远不近，因此将补光灯亮度调整为中等。

步骤S4：根据分类结果调整补光策略，该补光策略包括增强补光灯亮度、降低补光灯亮度、关闭补光灯和开启补光灯。

第二实施例，如附图3所示，本发明还公开了一种扫描头的补光灯调节系统，包括：数据模块、训练模块、分类模块以及调整模块。

具体地，数据模块，用于获取扫描头所处各类场景的训练图像数据。扫描头所处各类场景包括：第一环境亮度并与目标码相隔第一距离的场景、第一环境亮度并与目标条码相隔第二距离的场景、第二环境亮度并与目标条码相隔第三距离的场景、第二环境亮度并与目标条码相隔第四距离的场景；其中，第一环境亮度大于第二环境亮度；第一距离大于第二距离，第三距离大于第四距离；目标码为一维码或二维码。即，扫描头所处各类场景包括：亮环境远距离、亮环境近距离、暗环境远距离和暗环境近距离四类场景。

在一些实施例中，可将四类场景归为三类场景，因为只要扫描头处于亮环境下，无论与目标码距离远或近，补光灯均需关闭或降低亮度，因此扫描头所处各类场景包括：第一环境亮度的场景、第二环境亮度并与目标条码相隔第三距离的场景、第二环境亮度并与目标条码相隔第四距离的场景；其中，第一环境亮度大于第二环境亮度；第三距离大于第四距离。

在本实施例中，训练模块，用于通过神经网络对训练图像数据进行训练，得到具有场景分类功能的分类模型，优选具有上述四类场景分类功能的分类模型。具体地，该训练模块包括：

场景参数模块，通过神经网络对训练图像数据进行特征识别，得到特征数据和非特征数据，并对特征数据和非特征数据进行相应地加权重，得到分类模型中的各类场景参数，该各类场景参数用于对扫描头当前所处场景进行分类。基于神经网络的分类模型通过海量各类场景的训练图像数据进行训练，能够识别更多各类场景的特征或识别出来的特征更加准确。并且，优选地，该神经网络为YOLO3。

在一些实施例中，为了尽可能降低分类模型中的各类场景参数数量，提升对扫描头当前所处场景的分类速度，该训练模块还包括：

裁剪模块，用于根据预设的权重阈值，对带权重的各类场景参数进行网络裁剪，把比权重阈值低的非特征数据或特征数据去掉，获得最终的各类场景参数。例如，获取到100万个的各类场景参数，但实际有效可用于分类的参数仅有10万个，因此可通过赋予权重，并通过权重阈值进行网络裁剪，从而提升各类场景参数的准确有效性，从而提升分类速度。

在本实施例中，分类模块，用于获取扫描头当前所处场景的图像数据，输入至分类模型中进行场景分类，得到分类结果。在一些实施例中，为了降低能耗，当获取扫描头当前所处场景的图像数据后，可间隔一帧或多帧后才将扫描头当前所处场景的图像数据输入至分类模型中进行场景分类。

具体地，该分类模块包括：

提取模块，用于获取扫描头当前所处场景图像的矩阵数据，将矩阵数据乘以各类场景参数，提取矩阵数据中与各类场景相关的数据，即令矩阵数据中属于某一类场景的数据被放大。其中，该矩阵数据为矩阵像素值。

分析模块，用于根据相关数据，分析计算当前所处场景归为各类场景的可信度分数值，并输出分类结果。其中，在一些实施例中，可分析计算出当前所处场景归为暗环境远距离的可能性为50％，归为暗环境近距离的可能性为50％，而该可能性就是可信度分数值，通过该可信度分数值判定扫描头距离目标码不远不近，因此将补光灯亮度调整为中等。

在本实施例中，调整模块，用于根据分类结果调整补光策略，该补光策略包括增强补光灯亮度、降低补光灯亮度、关闭补光灯和开启补光灯。

通过实施本发明，具有以下有益效果：

本发明实现了通过神经网络训练得到具有场景分类功能的分类模型，从而准确地识别扫描头当前所处场景，能够在复杂场景中准确设置、调节补光灯亮度，提高复杂场景的解码成功率，并且还能节省功耗。

可以理解的，以上实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制；应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，可以对上述技术特点进行自由组合，还可以做出若干变形和改进，这些都属于本发明的保护范围；因此，凡跟本发明权利要求范围所做的等同变换与修饰，均应属于本发明权利要求的涵盖范围。