CN104794480A - 一种奶盒喷打字符不良品剔除方法 - Google Patents

Abstract

本发明提供一种奶盒喷打字符不良品剔除方法,包括下列步骤：采集一幅包含有奶盒喷打字符的图像；对其进行图像校正；在进行单个字符识别前，需要将各个字符分割成独立区域；将分割出的各个字符区域进行单独识别：对每个字符区域，提取特征；若存在识别的字符错误或者不能识别字符的现象，则判断奶盒为不良品，予以剔除。本发明可以实现喷打字符的快速准确的识别，进而对不良品予以剔除。

Description

一种奶盒喷打字符不良品剔除方法

所属技术领域

本发明涉及一种奶盒不合格品剔除方法。

背景技术

在维益奶盒装箱前会在每瓶奶盒上喷打生产日期、产地、序列号等字符。由于生产线运输机构的抖动和打印机的喷打故障会导致喷打的字符出现：未喷打字符、喷打错误字符，重打、喷打字符不清楚等故障。对于这些故障，目前主要采用人工检测的方法。但由于生产线速度快，人工检测存在疲劳和主观性因素干扰等原因，人工检测具有很大难度。

发明内容

本发明的目的是，提供一种可以快速准确检测奶盒喷打字符进而实现不良品剔除的方法。本发明的技术方案如下：

一种奶盒喷打字符不良品剔除方法,包括下列步骤：

(1)采集一幅包含有奶盒喷打字符的图像；

(2)对其进行图像校正：字符喷打在奶盒上部白色区域中，先进行图像二值化处理，通过计算各个连通区域的面积大小将此白色区域筛选出来，定义该区域为区域A。然后由白色区域中黑色字符计算出图像的旋转角度，进行图像旋转校正；

(3)在进行单个字符识别前，需要将各个字符分割成独立区域，分割区域A内字符步骤如下：

1)由于字符为点打字符因此首先对区域A内字符进行点打亮度增强，由于图像中字符每个点半径大小接近3像素，选用7*7的模板对图像进行点打亮度增强，模板如下：

$\frac{1}{336}\left[\begin{array}{ccccccc}0& 0& -21& -21& -21& 0& 0\\ 0& -21& 16& 16& 16& -21& 0\\ -21& 16& 16& 16& 16& 16& -21\\ -21& 16& 16& 16& 16& 16& -21\\ -21& 16& 16& 16& 16& 16& -21\\ 0& -21& 16& 16& 16& -21& 0\\ 0& 0& -21& -21& -21& 0& 0\end{array}\right]$

2)经过校正的图像二值化处理，即当图像中某点像素值大于阈值TS时设置该点像素值为255，反之为0；

3)根据字符各个点之间的距离及字符形状，采用横向[1 1 1 1 1]、

纵向 $\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ 1\end{array}\right]$

斜向 $\left[\begin{array}{ccccc}1& & & & \\ & 1& & & \\ & & 1& & \\ & & & 1& \\ & & & & 1\end{array}\right],\left[\begin{array}{ccccc}& & & & 1\\ & & & 1& \\ & & 1& & \\ & 1& & & \\ 1& & & & \end{array}\right]$

模板对经过步骤2)处理得到的二值图像依次进行闭运算处理，进而将每个字符分割呈单独连通区域，最后根据字符的宽度、高度、面积特征筛选出符合要求的区域，去除干扰点；

(4)将分割出的各个字符区域进行单独识别：对每个字符区域，提取如下的特征：字符图像水平方向投影所对应灰度值、字符图像垂直方向投影所对应灰度值、字符纵横比、字符倾斜度、字符紧凑度、字符凸凹性、字符二阶不变矩、字符三阶不变矩、字符孔洞数量、字符连通区域个数；得到特征向量，通过各个字符的特征向量训练神经网络系统，得出各个节点的值，当需要进行字符识别时只需将该字符的特征向量提取，然后输入已训练好的神经网络，即可识别该字符并得到该字符的相似度；

(5)若存在识别的字符错误或者不能识别字符的现象，则判断奶盒为不良品，予以剔除。

本发明根据喷打字符不易辨识的特点，在对图像进行校正后，采用适合的模板进行增强处理，并提取10个特征，构成特征向量，并进行离线神经网络训练，利用训练好的模型实现喷打字符的快速准确的识别，进而对不良品予以剔除。

附图说明

图1原图。

图2字符所在连通区域。

图3校正后的图像。

图4点打亮度增强。

图5字符单独连通区域。

图6字符分割。

图7识别字符。

具体实施方式

下面结合附图和实施例对本发明进行说明。

本发明的字符检测方法，具体步骤如下:

(1)图像校正

奶盒在生产线运输过程中会出现晃动，在图像采集时可能出现字符倾斜现象，因此先进行图像校正。由图1可以看出打印字符喷打在奶盒上部白色区域中，由此我们可以通过图像二值化后，通过计算各个连通区域的面积大小将该区域筛选出来(如图二)定义该区域为区域A。然后由白色区域中黑色字符计算出图像的旋转角度，进行图像旋转校正(如图3)。

(2)字符分割

在进行单个字符识别前，需要将各个字符分割成独立区域。本文分割区域A内字符步骤如下：

1、由于字符为点打字符因此首先对区域A内字符进行点打亮度增强，由于图像中字符每个点半径大小约为3像素，因此选用7*7的模板对图像进行点打亮度增强，模板如下：

$\frac{1}{336}\left[\begin{array}{ccccccc}0& 0& -21& -21& -21& 0& 0\\ 0& -21& 16& 16& 16& -21& 0\\ -21& 16& 16& 16& 16& 16& -21\\ -21& 16& 16& 16& 16& 16& -21\\ -21& 16& 16& 16& 16& 16& -21\\ 0& -21& 16& 16& 16& -21& 0\\ 0& 0& -21& -21& -21& 0& 0\end{array}\right]$

处理后图像效果如图4

2、图像二值化处理即当图像中某点像素值大于阈值TS时设置该点像素值为255，反之为0.

3、根据字符各个点之间的距离及字符形状，采用

横向[1 1 1 1 1]、

纵向 $\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ 1\end{array}\right]$

斜向 $\left[\begin{array}{ccccc}1& & & & \\ & 1& & & \\ & & 1& & \\ & & & 1& \\ & & & & 1\end{array}\right],\left[\begin{array}{ccccc}& & & & 1\\ & & & 1& \\ & & 1& & \\ & 1& & & \\ 1& & & & \end{array}\right]$

模板对二值图像依次进行闭运算处理，进而将每个字符分割呈单独连通区域如图五。最后根据字符的宽度、高度、面积特征筛选出符合要求的区域，去除干扰点如图6。

(3)字符识别

将分割出的各个字符区域进行单独识别，如本例中第一个字符“2”，将字符“2”区域归一化为宽度高度为10*20的小图。对该图进行以下特征的提取：

1字符图像水平方向投影所对应灰度值

2字符图像垂直方向投影所对应灰度值

3字符纵横比

4字符倾斜度

5字符紧凑度

6字符凸凹性

7字符二阶不变矩

8字符三阶不变矩

9字符孔洞数量

10字符连通区域个数

得到特征向量{n1,n2,n3....n10}，通过各个字符的特征向量可以训练神经网络系统，得出各个节点的值。当需要进行字符识别时只需将该字符的特征向量提取，然后输入已训练好的神经网络，即可识别该字符并得到该字符的相似度。

(4)对不良品予以剔除，方法如下：

奶盒在传送带上顺序经过光电传感器、工业相机和剔除电磁阀。光电传感器与工业相机之间的距离d1为50cm左右，剔除电磁阀与工业相机之间的距离d2为400cm左右，光源距离奶盒1cm，相机距离奶盒10m左右。

当奶盒经过光电传感器时，光电传感器发送信号给PLC并记录当前时间t，以t为起点，延时一段时间t1后，PLC通知相机拍照并进行检测。以t为起点，延时一段时间t2后，到达剔除位置时，PLC通知电磁阀将不良奶盒剔除。其中，t1＝d1/s，t2＝d2/s，s为传送带的运动速度。

Claims (1)

1.一种奶盒喷打字符不良品剔除方法,包括下列步骤：

(1)采集一幅包含有奶盒喷打字符的图像；

(2)对其进行图像校正：字符喷打在奶盒上部白色区域中，先进行图像二值化处理，通过计算各个连通区域的面积大小将此白色区域筛选出来，定义该区域为区域A。然后由白色区域中黑色字符计算出图像的旋转角度，进行图像旋转校正；

(3)在进行单个字符识别前，需要将各个字符分割成独立区域，分割区域A内字符步骤如下：

1)由于字符为点打字符因此首先对区域A内字符进行点打亮度增强，由于图像中字符每个点半径大小接近3像素，选用7*7的模板对图像进行点打亮度增强，模板如下：

$\frac{1}{336}\left[\begin{array}{ccccccc}0& 0& -21& -21& -21& 0& 0\\ 0& -21& 16& 16& 16& -21& 0\\ -21& 16& 16& 16& 16& 16& -21\\ -21& 16& 16& 16& 16& 16& -21\\ -21& 16& 16& 16& 16& 16& -21\\ 0& -21& 16& 16& 16& -21& 0\\ 0& 0& -21& -21& -21& 0& 0\end{array}\right]$

2)经过校正的图像二值化处理，即当图像中某点像素值大于阈值TS时设置该点像素值为255，反之为0；

3)根据字符各个点之间的距离及字符形状，采用横向[1 1 1 1 1]、

纵向 $\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ 1\end{array}\right]$

斜向 $\left[\begin{array}{ccccc}1& & & & \\ & 1& & & \\ & & 1& & \\ & & & 1& \\ & & & & 1\end{array}\right],\left[\begin{array}{ccccc}1& & & & \\ & 1& & & \\ & & 1& & \\ & & & 1& \\ & & & & 1\end{array}\right]$

模板对经过步骤2)处理得到的二值图像依次进行闭运算处理，进而将每个字符分割呈单独连通区域，最后根据字符的宽度、高度、面积特征筛选出符合要求的区域，去除干扰点；

(4)将分割出的各个字符区域进行单独识别：对每个字符区域，提取如下的特征：字符图像水平方向投影所对应灰度值、字符图像垂直方向投影所对应灰度值、字符纵横比、字符倾斜度、字符紧凑度、字符凸凹性、字符二阶不变矩、字符三阶不变矩、字符孔洞数量、字符连通区域个数；得到特征向量，通过各个字符的特征向量训练神经网络系统，得出各个节点的值，当需要进行字符识别时只需将该字符的特征向量提取，然后输入已训练好的神经网络，即可识别该字符并得到该字符的相似度；

(5)若存在识别的字符错误或者不能识别字符的现象，则判断奶盒为不良品，予以剔除。