[发明专利]一种易拉罐点阵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点阵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喷码字符识别的图像处理方法。

背景技术

随着人民生活水平的稳健提高，我国食品饮料行业维持快速增长的势头，以易拉罐为容器的需求量也在不断增加，生产加工过程中的产品质量是企业品牌价值的体现，同时也直接关系到消费者的切身利益。为了产品质量的提高，需要对产品信息进行检测、追踪。因此，如何实时地对易拉罐点阵喷码字符识别检测，以便及时剔除不合格产品是亟需解决的问题。

当前易拉罐喷码字符在线检测技术研究主要分为三个部分：

第一部分为字符区域的定位。目前，工业字符识别通常在离线状态下先框选出ROI区域，在线检测时在设定的ROI区域内进行检测识别。通过这种方式能够有效的减少背景噪声的干扰，定位效果较好。但是在实际工业生产线上，易拉罐在喷码过程中易发生旋转，无法设置固定的ROI区域，如何准确的定位出易拉罐字符是识别的关键。

第二部分为字符分割技术。连续完整的喷码字符通常采用传统的投影技术进行分割，而点阵字符在投影过程中会产生很多断点，采用传统的投影分割技术无法准确分割。因此在分割前多采用膨胀法将字符间断裂的部分膨胀连接起来，以便后期分割，因为字符分割直接影响到字符识别的效果，因此字符分割技术一直是研究的重点。

第三部分为特征提取与识别技术，目前，字符识别多为事先提取诸多结构特征、统计特征，再进行相关性分析，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、易扭曲的点阵喷码字符，识别效果不佳。卷积神经网络(Convolutional Neural Network，简称CNN)为深度学习的一种学习方式，利用机器去学习高质量的喷码特征，避免了传统识别算法中复杂的特征提取和数据重建过程，且具有良好的容错能力及并行处理能力。

发明内容

本发明目的在于提供一种针对易拉罐罐底点阵喷码字符实时检测方法，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易拉罐罐底字符预处理分割字符，并用分割后的字符构建分类器；在线检测过程主要包括易拉罐罐底字符的分割，再将分割的字符输入到构建好的分类器中进行识别。具体包括以下步骤：

离线训练阶段：

(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)字符区域定位，首先采用MSER法(最稳定极值区域)处理图像，对字符进行粗定位，再采用形态学膨胀法进行膨胀处理，采用面积法进行细定位，并通过最小外接矩形确定字符区域及旋转方向。

(3)字符分割，通过仿射变换和线性插值将倾斜的字符图像旋转校正，采用点阵字符分割模块将字符区域分割为单个字符，并归一化为28*28大小。

(4)分类器训练，将分割好的单个字符，统一进行归类，建立喷码字符库，并采用卷积神经网络学习法对已建立好的字符库进行训练，获得CNN分类器。

在线检测阶段：

(1)实时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，实时获取待检测易拉罐罐底图像。

(2)字符定位及分割，对获取的图像进行MSER操作，得到字符图像，采用形态学法膨胀字符，根据字符区域面积信息定位出字符区域，再采用最小外接矩形法将字符区域旋转校正，并对旋转后的图像采用点阵字符分割模块进行分割。

(3)字符识别，将分割好的字符归一化为28*28大小，再送入已训练好的CNN分类器中，在构建好的分类器中进行前馈学习，从而判断字符属性，输出字符信息。

(4)将字符信息与生产线管理系统进行数据传输，实现对易拉罐的生产日期及批号的管理。由电气控制系统执行检测结果，对与管理系统中不相符的、或者缺印、漏印无法识别的易拉罐进行剔除。

本发明的有益效果：本发明提供了一种易拉罐罐底字符检测算法。针对易拉罐罐底点阵字符的特点，采用MSER和形态学面积法对字符区域进行定位，消除字符尺度、旋转变换的干扰。同时针对点阵字符设计了点阵字符分割算法，保证了点阵字符在分割中的准确性。在字符识别中，采用卷积神经网络构建的分类器进行识别。该种字符识别方法能够保证工业现场易拉罐罐底字符定位、分割以及识别的高效性，满足检测算法中实时性强，准确性高的要求。

附图说明