[发明专利]一种基于BP神经网络的PCB板上数字代码识别方法

权利要求书

1.一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：包括以下步骤：

步骤1：采用摄像装置获取PCB板上的图像，并对图像进行灰度化处理，

步骤2：将步骤1处理后的图像进行二值化处理，

步骤3：对步骤2处理后的图像进行字符定位，

步骤4：对步骤3处理后的图像进行特征值增强，

步骤5：对步骤4处理后的图像进行字符分割，得到每个字符精确的高度范围，

步骤6：对步骤5处理后的所有字符精确的高度范围进行归一化处理，得到各字符的字符特征值，

步骤7：对各字符的归一化特征值送到BP神经网络训练操作，

步骤8：把对字符中字符特征的提取作为已经训练完成的BP神经网络的输入进行识别，将字符特征与已经建立好的特征库进行对比，完成识别的过程，并将结果保存在TXT文本中。

2.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤1中采用加权平均法对图像的RGB三分量进行灰度值计算，计算公式如下：(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j))。

3.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤2中采用全局阀值法，通过调用OpenCV库中cvThreshold函数得到二值化图像。

4.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤3中采用水平投影和垂直投影相结合的方法定位出字符的位置。

5.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤4中，采用两种方法实现该技术：空间域法或频率域法得到特征值增强的图像。

6.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤5具体包括以下步骤：

步骤51：先对图像进行一个自上向下的逐行扫描，当扫描遇到第一个黑点的像素时，记录下来，然后再对图像进行一次由上向下逐行扫描直到找到第一个黑色象素，确定图像的高度范围，

步骤52：在高度范围之内，再对图像自左向右地逐列进行扫描，扫描到的第一个黑色象素作为字符分割的起始位置，记录下来，同时继续扫描，直到扫描到有一列中没有黑色象素，就认为完成了字符分割，接着重复上面步骤52，直到扫描到了图像的最右端，得到每个字符的准确的宽度范围，

步骤53：在上述每个字符的准确的宽度范围内，重复步骤51，分别进行自上而下和自下而上的逐行扫描来获取每个字符精确的高度范围。

7.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤6具体包括：

步骤61：图像预处理，选择合适的阀值，使其既能去除干扰项，并将字符图像突出，

步骤62：倾斜校正，使用Hough变换法对倾斜的图像进行校正，使其尽可能处于同一水平位置，

步骤63：分割字符，通过垂直投影法将所需字符从目标区分离出来，

步骤64：归一化缩排，归一化是将每一个分割下来的字符拉伸为用有统一高度和宽度的矩形，而缩排是将这些等大小的字符缩小并排列。

8.根据权利要求1所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述步骤7包括以下步骤：

步骤71：设置变量和参数，其中包括训练样本，权值矩阵，学习速率，

步骤72：初始化，给每个权值矩阵分配一个较小的随机非零向量，

步骤73：输入随机样本，

步骤74：对输入样本，前向计算BP神经网络每层神经元的输入信号和输入信号，

步骤75：通过时间输出和期望输出求出误差。用来判断是否满足要求，如满足要求转步骤78；不满足则跳转76，

步骤76：判断是否达到了最大的迭代次数，如果达到，转步骤78；否则反向计算每层神经元的局部梯度，

步骤77：根据局部梯度进行修正各个矩阵间的权值，

步骤78：判断是否训练完所有的样本，是则结束，否则转步骤73。

9.根据权利要求8所述的一种基于BP神经网络的PCB板上数字代码识别方法，其特征在于：所述最大的迭代次数为10000次。