基于DBNet与CRNN融合模型的卷烟激光码识别方法

doi:10.3969/j.issn.1006-2475.2025.04.015

摘要/Abstract

摘要： 卷烟激光码识别是烟草稽查工作的重要手段。针对烟码背景复杂导致检测识别率低的问题，本文提出一种基于DBNet与CRNN融合模型的烟码识别方法。首先采用DBNet模型对烟码区域进行检测，通过引入可微分二值化实现烟码的准确定位与提取；然后采用CRNN模型对经过定位和裁剪处理的烟码区域图像进行特征识别，通过结合VGG网络与深层Bi-LSTM网络，获取空间特征和时序特征实现烟码的识别。经过实验验证，融合模型的检测准确率为91.9%，识别准确率为83.4%，在移动端APP部署后的测试准确率为83.0%，这表明本文方法能够提供精确的烟码识别效果。

关键词: 卷烟激光码, 目标检测, 文本识别, DBNet, CRNN

Abstract: Cigarette laser code recognition is an important means of tobacco inspection work. Aiming at the problem of low detection and recognition rate due to the complex background of cigarette code， this paper proposes a cigarette code recognition method based on DBNet and CRNN. First， the DBNet model is used to detect the smoke code region， and the accurate positioning and extraction of the cigarette code is realized by introducing differentiable binarization. Then， the CRNN model is used to identify the features of the cigarette code region image after positioning and cropping processing， and the spatial and temporal features are obtained by combining the VGG network and the deep Bi-LSTM network to realize the accurate identification of the cigarette code. Experimental result has an accuracy rate of 91.9% in detection， 83.4% in recognition， the testing accuracy after deploying the mobile APP is 83.0%， which shows that the method proposed in this paper can provide accurate cigarette laser code recognition effect.

Key words: , cigarette laser code, target detection, text recognition, DBNet, CRNN

中图分类号:

TP391

马琦1, 文钰栋1, 梁尚荣2, 王可2. 基于DBNet与CRNN融合模型的卷烟激光码识别方法[J]. 计算机与现代化, 2025, 0(04): 96-102.

MA Qi1, WEN Yudong1, LIANG Shangrong2, WANG Ke2. Cigarette Laser Code Recognition Method Based on DBNet and CRNN Fusion Model[J]. Computer and Modernization, 2025, 0(04): 96-102.

参考文献

［1］倪晶. 低质量激光防伪码识别及其系统实现［D］. 武汉: 武汉理工大学， 2017.
［2］于新善，孟祥印，金腾飞，等. 基于改进Canny算法的物体边缘检测算法［J］. 激光与光电子学进展， 2023，60（22）: 221-230.
［3］王杰. 复杂背景下激光防伪码图像识别研究［D］. 武汉: 武汉理工大学， 2016.
［4］ NEUMANN L， MATAS J. A method for text localization and recognition in real-world images［C］// Proceedings of the 10th Asian Conference on Computer Vision. Springer， 2010，3:770-783.
［5］ EPSHTEIN B， OFEK E， WEXLER Y. Detecting text in natural scenes with stroke width Transform［C］// 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE， 2010:2963-2970.
［6］蔡景轩. 基于深度学习的烟草码定位识别算法研究与实现［D］. 浙江:浙江大学， 2021.
［7］连哲，殷雁君，云飞，等. 基于深度学习的自然场景文本检测综述［J］. 计算机工程， 2024，50（3）:16-27.
［8］谢宏，张瑞，陈玮，等. 一种基于卷积神经网络学习的条烟激光码识别［J］. 计算机与数字工程， 2019，47（6）: 1507-1511.
［9］谢志峰，吴佳萍，章曙涵，等. 基于深度神经网络的烟码智能识别方法［J］. 计算机辅助设计与图形学学报， 2019，31（1）:111-117.
［10］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017，39（6）:1137-1149.
［11］姜思明，谭升达，陈冠达，等. 基于BiSeNet和YOLOv5s 的条烟32位激光码识别方法研究［J］. 电子技术与软件工程， 2023，12（6）:163-168.
［12］杜梦圆. 复杂背景下的32位激光防伪码识别算法研究［D］. 武汉: 武汉理工大学， 2014.
［13］吕妃. 复杂背景下的激光防伪码切分与识别算法设计［D］. 武汉: 武汉理工大学， 2018.
［14］胡承东，速永仓，曹玲芝. 烟包喷码字符识别系统研究［J］. 机械工程与自动化， 2010（3）:117-119.
［15］彭召，丁晓，刘哲，等. 基于先验知识的香烟防伪数字串识别［J］. 计算机应用与软件， 2019，36（12）:189-194.
［16］田鹏，毛力.改进YOLOv8的道路交通标志目标检测算法［J］. 计算机工程与应用， 2024，60（8）:202-212.
［17］ LIAO M H， WAN Z Y， YAO C， et al. Real-time scene text detection with differentiable binarization［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence.AAAI， 2020，34（7）:11474-11481.
［18］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2016:770-778.
［19］ LIN T Y， DOLLAR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017:936-944.
［20］ SHI B G， BAI X， YAO C. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017，39（11）:2298-2304.
［21］ GRAVES A， FERNANDEZ S， GOMEZ F， et al. Connectionist temporal classification: Labelling unsegmented sequence data with recurrent neural networks［C］// Proceedings of the 23rd International Conference on Machine Learning. ACM， 2006:369-376.
［22］ SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［C］// Proceedings of the 2015 International Conference on Learning Representations. ICLR， 2015. DOI: 10.48550/arXiv.1409.1556.
［23］ GRAVES A， SCHMIDHUBER J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures［J］. Neural Networks， 2005，18（5-6）:602-610.
［24］蔚道权，王慧琴，王可，等. 基于空谱联合特征的壁画稀疏多光谱图像颜料分类方法［J］. 光子学报， 2022，51（4）:195-208.
［25］侯勇，杨争争，薛少辉，等. 基于嵌入式终端的YOLOv3算法优化实现［J］. 计算机与数字工程， 2024，52（1）: 162-168.
［26］曲锦旭. 基于SpringBoot的农作物受灾分析系统的设计与实现［J］. 农业工程技术， 2023，43（35）:18-19.
［27］简定辉，李萍，黄宇航，等. 基于MIC-ResNet-LSTM-BP的短期电力负荷预测［J］. 计算机仿真， 2024，41（4）: 75-79.

[1]	庄瑜, 傅晓锦, 李莎, 吴峥. 基于XMB-YOLOv5s的无人机小目标检测[J]. 计算机与现代化, 2025, 0(04): 29-35.
[2]	邵叶秦1, 王海权2, 周昆阳3, 郭于荻2, 施佺1. 重利用不可靠伪标签的单阶段半监督目标检测[J]. 计算机与现代化, 2025, 0(03): 52-59.
[3]	柳尧凯, 任德均, 刘重宜, 卢宇东. 面向小目标检测的自适应多维度特征融合网络[J]. 计算机与现代化, 2025, 0(03): 106-112.
[4]	何飞熊1, 谢海巍1, 蒲超2, 邹传铭2, 贾艺璇1. 基于改进YOLOv8网络的道路病害检测方法[J]. 计算机与现代化, 2025, 0(02): 108-113.
[5]	王鹏1, 倪彬1, 郭壮壮1, 张书盛1, 王志1, 蔡润楷2. 基于改进YOLOv5的架空线路关键部件典型缺陷识别[J]. 计算机与现代化, 2025, 0(02): 114-120.
[6]	陈思贇1, 马怀波2, 张华君2, 兰子柠2, 陈文鑫2, 胡杰1, 常胜1. 基于国产AI芯片的目标检测算法优化与部署[J]. 计算机与现代化, 2025, 0(01): 25-29.
[7]	李希, 潘誉. 基于改进YOLOv8的探地雷达管线目标检测方法[J]. 计算机与现代化, 2025, 0(01): 94-99.
[8]	刘飞, 杨德刚, 章鑫, 秦静. 基于YOLOv8改进的水下目标检测算法[J]. 计算机与现代化, 2025, 0(01): 113-119.
[9]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[10]	陈亮, 李诚, 易伟, 熊伟, 汪晓帆, 唐海东. 基于毫米波雷达与视觉融合的电力现场安全帽佩戴检测[J]. 计算机与现代化, 2024, 0(12): 100-107.
[11]	张宇1, 2, 黎靖1, 2, 马铭1, 2, 王众祥1, 2, 孙妍1, 2. YOLOLW:一个新的轻量级目标检测模型[J]. 计算机与现代化, 2024, 0(11): 91-98.
[12]	董玉玟. 基于改进YOLOv7-tiny的多尺度运动目标检测算法[J]. 计算机与现代化, 2024, 0(11): 99-105.
[13]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[14]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.
[15]	史星宇1, 李强2, 庄莉3, 梁懿3, 王秋琳3, 陈锴3, 伍臣周3, 常胜1. 一种面向工业部署的目标检测模型蒸馏技术[J]. 计算机与现代化, 2024, 0(10): 93-99.