[发明专利]一种易拉罐点阵喷码字符在线视觉检测方法

权利要求书

1.一种基于机器视觉的易拉罐罐底喷码字符在线检测方法，其特征是，离线状态下对图像中字符进行分割，并归类构建字符库，采用改进后的卷积神经网络学习法进行训练，形成稳定的分类器；在线识别中实时拍摄图片，分割字符，并用分类器进行分类；具体包括以下几个步骤：

(1)对易拉罐罐底图像进行MSER处理，通过形态学面积法定位出字符区域；

(2)针对点阵字符的特点，采用点阵字符分割模块对区域进行分割，得到单个的分割字符；

(3)在字符识别中，采用卷积神经网络学习法训练字符，形成字符分类器。

2.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于：所述步骤(1)具体包括以下步骤：

(1)对获取的图像采用MSER算法处理，使用不同的灰度阈值对图像二值化得到字符区域：

(1.1)对给定的图像采用BinSort算法，将图像中的灰度值排序，时间复杂度为0(n)；

(1.2)极值区域合并与选取，按照降序或升序规则将排序后的灰度值像素放入图像中，采用Component Tree方法获得各个极值区域；

(1.3)在形成的Component Tree上从某个节点开始搜索分支，在灰度范围内根据公式计算区域的相对变化率，在这个Component Tree的分支上，求得局部最小值，获得稳定的MSER区域，即为粗定位的字符区域；

(2)采用3*3矩形结构对图像执行形态学膨胀操作，并将图像中各个连通区域标记并统计连通域的面积；设置字符区域属性，面积在(s1，s2)之间的连通域为字符区域，具体数值根据不同型号易拉罐进行调整；

(3)旋转字符区域，通过最小外接矩形计算出字符区域的旋转角度，并采用仿射变换和线性插值将倾斜的字符区域校正为水平方向。

3.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于：所述步骤(2)具体包括以下步骤：

(1)字符行分割

(1.1)首先采用投影法对字符区域进行行投影，统计其投影值Prover[i]：

Prover[i]=Σj=1rowI(i,j)]]>

其中row为图像的行数；

(1.2)易拉罐字符为点阵字符，每行之间通常存在间隙，在投影分割的基础上采用波形膨胀法，在统计每一点处的投影值时，若以该点为中心，以波形膨胀次数为上下限阈值的范围内含有目标点，则将该列的投影值加1，选择波形膨胀后第i列在水平方向的投影表示为：

ProVer[j]=Σi=1lowDilateGray(i,j)]]>

DilateGray(i,j)=1ifΣm=j-SECj+SECI(i,m)≠00ifΣm=j-SECj+SECI(i,m)=0]]>

其中I(i，j)表示二值图像(i，j)处的像素值，SEC表示波形膨胀次数；

(1.3)设置分割阈值：根据波形膨胀后的图像，设置分割阈值threshold_row，当波形膨胀后投影值小于threshold_row时，即为行分割位置；

(2)字符列分割

(2.1)采用垂直投影法，可以统计出有效字符区域的总宽度W，根据先验知识的字符个数n，计算出字符的平均宽度x；

(2.2)设置列字符的波形膨胀次数，进行波形膨胀；设置分割阈值threshold_col，进行粗分割；每行点阵字符间隔较小，波形膨胀后有部分字符粘连在一起，采用粘连字符分割方法进行分割：

①2个字符粘连：将分割出的各子区域字符宽度与平均字符宽度x进行比较，当子区域宽度大于平均字符宽度的1.3倍，小于2.2倍时，判断为两个字符连接；再从起始分割位置开始，找出距离分割位置0.8x到1.2x之间波形投影值的最小值，其所对应的列位置即为分割位置；

②3个字符粘连：将分割出的各子区域字符宽度与平均字符宽度x进行比较，当子区域宽度大于平均字符宽度的2.3倍，小于3.2倍时，判断为三个字符连接；从起始分割位置开始，找出距离分割位置0.8x到1.2x之间及从1.8x到2.2x之间，波形投影值的最小值，其所对应的两个列位置即为两次分割的位置。

4.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于：所述步骤(3)具体包括以下步骤：

卷积神经网络训练算法主要分为三个阶段：构建网络结构、前向传播阶段和反向传播阶段；

第一步、构建网络结构：

本发明构建的卷积神经网络采用7层结构，训练的初期对网络结构进行构建，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；

第二步、前向传播阶段：

(1)输入层输入目标图像Y，以及对应的目标矢量d，卷积层由卷积核对输入图像依次进行卷积，并加上偏置，再通过非线性激励函数得到：

Yjn=f(Σi=1SYin-1*Wijn+φjn)]]>

f(*)为RELU函数：

f(x)=max(x,0)=max(Σi=1SYin-1*Wijn+φjn,0)]]>

(2)下采样的方式采用stochastic pooling采样，公式为：

Yt=Σj∈RtpjYj]]>

其中：R_t为抽样层的窗口大小，通常为2*2大小，Y_j为采样窗口的元素值；

(4)对卷积、下采样后的特征图进行全连接操作，并计算网络层F6的实际输出Q_k：

Ok=f(Σt=1lVtkYt+θk)]]>

第三步、反向传播阶段

反向传播阶段采用梯度下降法对权值和阈值进行调整，统计总误差函数为：当E≤ε时，训练结束，将权值和阈值保存，这时网络结构各个参数已经稳定，分类器形成。