[发明专利]一种基于卷积神经网络的喷码字符在线视觉检测方法

说明书

技术领域

本发明涉及利用机器视觉对易拉罐罐底喷码字符在线检测领域，具体是指一种应用于工业现场的、高实时性要求的易拉罐罐底字符识别的图像处理方法。

背景技术

随着我国食品饮料行业的快速增长，以易拉罐为容器的需求也不断增加，易拉罐产品质量的监测往往需要对产品信息进行检测、追踪。目前来说，各大厂商多用易拉罐罐底喷码字符来追踪产品信息，但在喷码过程中难免会出现诸如字符漏喷或者部分不完整、字符混乱等缺陷，因此，如何实时地对喷码字符识别检测，以便及时剔除不合格产品是亟需解决的问题。

当前喷码字符在线检测技术研究主要集中于两个方面，一是预处理方法的研究，为了满足识别的高实时性要求，预处理的过程尽可能的简单而高效；二是对于特征提取方法的研究，目前来说，特征提取的方法多为传统的结构特征、统计特征，这些特征对于传统的印刷字符识别效果较好，但是对于易断裂、易扭曲的喷码字符，识别效果不佳。

近几年，随着机器学习的发展，利用机器学习图像深度特征的方法开始越来越受到关注，卷积神经网络(Convolutional Neural Network，简称CNN)为其深度学习方式的一种，它的权值共享网络结构能够降低网络模型的复杂度，减少权值的数量，使图像直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，并且具有良好的容错能力，并行处理能力，对字符识别过程中字符的几何变换、形变、光照不均匀都有良好的自适应性能。

发明内容

本发明目的在于提供一种针对易拉罐罐底喷码字符在线检测方法，可以满足工业现场高实时性、高识别率的要求。

为达到此目的，本发明的技术方案如下：识别过程分为离线训练过程和在线检测过程，离线训练过程主要包括对喷码字符构建分类器，以及对字符参数的设置；在线检测过程主要包括易拉罐罐底字符的分割，并用离线状态构建好的分类器进行识别。具体包括以下步骤：

离线训练过程：

(1)获取易拉罐罐底字符图像，调整好相机镜头光圈、焦距等机械参数，在易拉罐罐底上方安装球积分光源，拍摄图片，获取待检测易拉罐罐底图像。

(2)对获取的图像进行滤波、分割等预处理操作，将图像中的字符分割成单个的字符，并统一进行归类，建立喷码字符库，字符库类别一般包括“0～9”、“A～Z”以及部分特殊字符。

(3)建立字符分类器，对已建立好的字符库，采用卷积神经网络学习法进行训练，卷积神经网络本质上是学习一种输入到输出的映射关系，训练的过程主要分为三个阶段：

Step1、构建网络结构

本发明构建的卷积神经网络采用7层结构，包括输入层、两个卷积层、两个下采样层、全连接层以及输出层，训练的初期先构建网络结构，同时对网络的权值采用不同的小随机数进行初始化，一般介于[-1～1]范围内，偏置初始化置为0。

Step2、前向传播阶段

将输入样本Y与理想输出d送入已构建好的神经网络，通过卷积和下采样逐级的变换操作，传送到输出层：

O_k＝f_n(…(f₂(f₁(Yw⁽¹⁾)w⁽²⁾))w⁽ⁿ⁾)

卷积操作构造卷积模板，将各核函数分别与输入图像依次卷积，得到不同的卷积图：

其中：n代表层数，S代表n层的单元数，W_ij是连接第i个输入图像和第j个输出图像的5*5大小的卷积(权值)，φ_j是第j个输出图像的阈值(偏置)，f(*)为RELU函数：

下采样操作采用stochastic pooling采样，对图像进行概率加权采样：

其中：R1为采样层的窗口大小，通常为2*2大小，Y_j为采样窗口的元素值。

Step3、反向传播阶段

计算实际输出O_k与相应的理想输出d之间的误差：

其中：M为输入样本个数。

采用梯度下降法来反向传播调整各层的权值和阈值，直至最后当E≤ε(设置最小误差参数)时，训练结束，将权值和偏置保存。这时网络结构各个参数已经稳定，分类器形成。

在线检测过程：