CN105260734A - 一种具有自建模功能的商品油表面激光标码识别方法 - Google Patents

Abstract

本发明公开了一种具有自建模功能的商品油表面激光标码识别方法，该方法内容包括如下步骤：基于神经网络识别算法对商品油激光标码进行模式统计，实现自建模技术；采集指定检测的商品油激光标码的字符模版图像，并通过神经网络识别算法简单模拟人的大脑脑神经功能来实现输入-输出的映射模型，完成对字符的分类识别采集，并作为模版；采集商品油激光标码图像，然后进行字符识别、阅读字符的图像处理阶段；若匹配结果字符合格，则商品油合格继续运输，若匹配结果字符不合格，则由剔除装置将不合格的商品油剔除；最后实现对字符识别的功能，完成对商品油上激光条码的字符检测，进而可以达到精确的对商品油激光条码的检测。

Description

一种具有自建模功能的商品油表面激光标码识别方法

技术领域

本发明涉及一种具有自建模功能的商品油表面激光标码识别方法。

背景技术

OCR(OpticalCharacterRecognition)是指光学字符识别技术。OCR可以应用于一些字符识别的机器视觉方向的应用中，OCR是通过机器视觉软件在图像中读取字符与文本的处理过程。

而对于OCR光学字符识别研究的初期，多以文字的识别方法研究为主，且识别的文字仅为0至9的数字，随着计算机技术与社会各项技术的不断发展，通过人们的不断研究创新，OCR光学字符识别技术也在不断的发展和革新，现如今OCR光学字符识别技术的发展能够实现对字母、汉字、数字等多种字符的识别，并且在各个领域开始应用。国内外对于字符识别技术的大多都应用在制药中检查药瓶标签和批次；在半导体应用中验证晶圆和IC的包装码；以及应用在读取汽车部件上的字母、数字字符等方面。现阶段虽然字符识别技术在多方面得到了广泛的应用，但是目前这项技术还没有在对商品油标码的检测上加以应用。在商品油的整个生产和包装过程中，所有工序都已经基本实现了现代化，全机器式操作，从而大大节省了人力；然而在商品油激光标码检测方面却依然采用落后的旧方法，即依靠人力通过目测的方式去检测标码是否符合标准。对于激光标码一般需要仔细查看是否符合标准规定，这对于检测人员来说很难长时间的集中检查，同时激光标码由于反光条件的限制对人眼来说也很难快速看清。

到目前为止，尽管人们在字符识别的研究中已取得很多可喜成就，但还不能满足我们日常的需求。OCR光学字符识别技术可以说是一种不确定的技术研究，正确率就像是一个无穷趋近函数，知道其趋近值，却只能靠近而无法达到，永远在与100％作拉锯战。因此，研究一种自建模的商品油激光标码字符识别系统，提高字符识别准确率具有非常重要的意义。

发明内容

本发明的目的是为了克服背景技术中的不足之处，基于神经网络的识别算法对商品油激光标码进行模式统计，实现自建模技术，再通过融合了OCR光学字符识别技术，提出了一种具有自建模功能的商品油表面激光标码识别方法。该方法依靠光源光照系统给商品油进行打光，以便能够获得清晰的商品油激光标码的图像，同时采用镜头获取图像；同时，在此方法中还加入了夹紧装置、剔除装置和激光触发装置，实现了一套完整的生产线装置。

为了解决上述存在的技术问题实现发明目的，本发明是通过以下技术方案实现的：

一种具有自建模功能的商品油表面激光标码识别方法，该方法内容包括如下步骤：

基于神经网络识别算法对商品油激光标码进行模式统计，实现自建模技术；采用一种光源照明系统，对商品油上激光标码进行照明，获得清晰、无反光的激光标码的图像；搭建系统平台，将相机、光源以及商品油的位置调整至最佳状态加以固定；用夹紧装置将油桶夹紧固定，并保证印有激光标码的一面对准相机；打开相机，采集指定检测的商品油激光标码的字符模版图像，并通过神经网络识别算法简单模拟人的大脑脑神经功能来实现输入-输出的映射模型，完成对字符的分类识别采集，并作为模版；通过神经网络算法以及OCR光学字符识别技术训练模版，获得模版字符集文件，并保存字符集文件到指定位置；确定字符集模版后，运输商品油，当商品油到达指定位置后将使激光触发器触发，夹紧装置对商品油夹紧固定，并确保商品油激光标码一侧对准相机镜头，相机则开始获取图像并处理，采集商品油激光标码图像；指定商品油上需要检测的激光条码的ROI区域，然后进行字符识别、阅读字符的图像处理阶段，字符识别匹配后返回字符值以及识别出的正确的字符，显示字符匹配的最终结果；在检测完商品油上的激光标码后，若匹配结果字符合格，则商品油合格继续运输，若匹配结果字符不合格，通过给剔除装置发信号将错误产品剔除生产线，则由剔除装置将不合格的商品油剔除；最后实现对字符识别的功能，完成对商品油上激光条码的字符检测，进而可以达到精确的对商品油激光条码的检测；

所述的神经网络就是一种模拟人脑生物神经网络结构及功能的自适应非线性动态信息处理系统；所述的神经网络识别算法主要是训练环节；

所述的训练环节是为了将隐含在训练数据中的复杂知识和规律提取出来，以网络连接权值的方式分布存储使用；神经网络神经元是一个动态自适应的信号处理单元，其神经网络权值大小可以由所接受的输入信号、输出信号以及监督信号进行调整；假设神经网络权值矩阵为W，通用学习规则可表达为：权向量W_j在t时刻的调整量ΔW_j(t)与学习信号r和t时刻的输入向量X(t)的乘积成正比，数学表达式为：

式中，η为学习常数，决定了学习速率；d_j为教师信号；

采用一种人工智能的模糊字符识别技术，在经过神经网络对商品油激光标码进行模式统计，并建立字符模型后，再通过与OCR光学字符识别技术相结合，将模版字符集形成字符集文件；将建立的字符集模版与采集到的商品油上激光条码的图像进行对比，进行阅读程序；将训练过程中创建的字符集与这些采集到的图像中目标片段的字符进行比较；OCR从图像中的每个目标片段中提取字符并与存储在字符集中的每个字符进行比较；随后OCR字符检测返回字符的字符值，这个字符值指的是字符集中与字符的最佳匹配，同时返回一个非零的分类分数；如果字符集中没有与目标相匹配的字符，OCR函数会返回一个代替字符作为字符值，并且返回分类分数为0；从而达到商品油上激光条码高精度检测的目的。

所述的人工智能的模糊字符识别技术具有可以自动判断所给定的或者新得到的对象属于哪一类，或者是否为一个新的类别，具有客体信息表达更加合理，信息利用充分，识别稳定性好，推理能力强的特点。

在具有自建模功能的商品油表面激光标码识别方法中，需要选取特殊的镜头作为拍摄工具，以及需要特殊的光源进行光照，在此基础上可以获得商品油上清晰的激光标码；本发明方法识别系统在商品油生产线上实施时，则不可缺少一种夹紧装置用来使传输带上运动的油桶在到达指定位置的时候能够固定并停留短暂的时间，同时也确保商品油的固定能使激光标码一侧稳定的对准相机镜头，以此提高检测精度；本发明方法识别系统在生产线上还加入了剔除装置，在对每个商品油上激光标码检测完毕后，能够将检测到商品油激光标码有问题、有错误的商品油剔除出生产线。

由于采用上述技术方案，本发明与现有技术相比，具有这样的有益效果：

该方法基于神经网络识别算法，并且在融合了OCR光学字符识别技术的基础上，可以实现对商品油激光标码的模式统计，并且进行自建模，实现模版字符集文件的建立；该方法将目标图像采集、目标图像处理、自动采集目标图像并进行目标图像处理集于一体，操作界面功能齐全而简练，可以使人一目了然，操作简单；该方法通过有效的光源打光方式避免了由于商品油桶上材质反光而导致获取的图像中所检测字符不清晰的现象，从而可以获取到清晰的商品油上激光标码的图像；所采用的OCR光学字符识别检测技术以及ROI兴趣区域的选定，大大的提高了字符识别检测精度，实现了在生产线上架构成本低廉但在检测方面效率很高、精准度很强的高精度的商品油激光标码检测方法。

附图说明：

附图1是本发明方法的流程示意图；

附图2是本发明方法系统构成图；

附图3是训练字符的过程示意图；

附图4是阅读字符的过程示意图；

附图5是生产线方案示意图；

附图6是实验器材系统图；

附图7是实验结果图。

具体实施方式：

以下结合附图与具体实施方式对本发明做更为详细的说明：

本发明的一种具有自建模功能的商品油表面激光标码识别方法，如图1所示，其内容包括如下步骤：

基于神经网络识别算法对商品油激光标码进行模式统计，实现自建模技术；采用一种光源照明系统，对商品油上激光标码进行照明，获得清晰、无反光的激光标码的图像；搭建系统平台，将相机、光源以及商品油的位置调整至最佳状态加以固定；用夹紧装置将油桶夹紧固定，并保证印有激光标码的一面对准相机；打开相机，采集指定检测的商品油激光标码的字符模版图像，并通过神经网络识别算法简单模拟人的大脑脑神经功能来实现输入-输出的映射模型，完成对字符的分类识别采集，并作为模版；通过神经网络算法以及OCR光学字符识别技术训练模版，获得模版字符集文件，并保存字符集文件到指定位置；确定字符集模版后，运输商品油，当商品油到达指定位置后将使激光触发器触发，夹紧装置对商品油夹紧固定，并确保商品油激光标码一侧对准相机镜头，相机则开始获取图像并处理，采集商品油激光标码图像；指定商品油上需要检测的激光条码的ROI区域，然后进行字符识别、阅读字符的图像处理阶段，字符识别匹配后返回字符值以及识别出的正确的字符，显示字符匹配的最终结果；在检测完商品油上的激光标码后，若匹配结果字符合格，则商品油合格继续运输，若匹配结果字符不合格，通过给剔除装置发信号将错误产品剔除生产线，则由剔除装置将不合格的商品油剔除；最后实现对字符识别的功能，完成对商品油上激光条码的字符检测，进而可以达到精确的对商品油激光条码的检测；

所述的神经网络就是一种模拟人脑生物神经网络结构及功能的自适应非线性动态信息处理系统；所述的神经网络识别算法主要是训练环节；

所述的训练环节是为了将隐含在训练数据中的复杂知识和规律提取出来，以网络连接权值的方式分布存储使用；神经网络神经元是一个动态自适应的信号处理单元，其神经网络权值大小可以由所接受的输入信号、输出信号以及监督信号进行调整；假设神经网络权值矩阵为W，通用学习规则可表达为：权向量W_j在t时刻的调整量ΔW_j(t)与学习信号r和t时刻的输入向量X(t)的乘积成正比，数学表达式为：

式中，η为学习常数，决定了学习速率；d_j为教师信号；

采用一种人工智能的模糊字符识别技术，在经过神经网络对商品油激光标码进行模式统计，并建立字符模型后，再通过与OCR光学字符识别技术相结合，将模版字符集形成字符集文件；将建立的字符集模版与采集到的商品油上激光条码的图像进行对比，进行阅读程序；将训练过程中创建的字符集与这些采集到的图像中目标片段的字符进行比较；OCR从图像中的每个目标片段中提取字符并与存储在字符集中的每个字符进行比较；随后OCR字符检测返回字符的字符值，这个字符值指的是字符集中与字符的最佳匹配，同时返回一个非零的分类分数；如果字符集中没有与目标相匹配的字符，OCR函数会返回一个代替字符作为字符值，并且返回分类分数为0；从而达到商品油上激光条码高精度检测的目的。

基于神经网络自建模技术，对商品油激光标码进行模式统计，实现自建模，融合了OCR光学字符识别技术，提出的一种具有自建模功能的商品油表面激光标码识别方法，通过神经网络算法对商品油上激光标码进行模式统计，来达到自建模的功能。神经网络算法具有很强的鲁棒性和容错性，有并行处理方法，可以使得计算快速；该算法还具有自学习、自组织、自适应性，可以使得网络具有可以处理不确定或不知道的系统；该算法具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术；在这种神经网络算法下的自建模方法，能够适用于所有商品油的建模。

通过特殊的光源光照系统给商品油进行打光，以便能够获得清晰的商品油激光标码的图像，所述相机的镜头是一种高分辨率、超低畸变的镜头，来达到获取激光标码的最好效果；并在此方法中采用了夹紧装置和剔除装置以及激光触发装置，来完成对完整生产线上要求的实现。

所述的神经网络识别算法，既神经网络模式统计自建模算法，是基于误差反转的BP神经网络，一般由输入层、隐含层和输出层三部分组成；BP神经网络的训练过程主要分为信号的正向传播和误差的反向传播两个阶段，在前向的计算过程中，输入的样本从输入层经过隐含层处理后，最后传输到输出层；当样本传输到输出层后，根据输出结果与实际期望输出数据的比较，若训练未能达标，则计算网络差，并将误差反向传到各层，分摊到各层的节点，根据各单元误差修正其相应的连接权值，并不断重复该过程，直到满足训练结束；

所述的神经网络算法建立一个包含一个隐含层的三层神经网络模型；输入向量X＝(x₁,x₂,…,x_i,…,x_n)^T；隐含层输出向量为Y＝(y₁,y₂,…,y_j,…,y_m)^T；输出层输出向量为O＝(o₁,o₂,…,o_k,…,o_l)^T；期望输出向量为D＝(d₁,d₂,…,d_k,…,d_l)^T；输入层到隐含层的权值矩阵用V表示，V＝(V₁,V₂,…,V_j,…,V_m)，其中列向量V_j表示隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用W表示，W＝(W₁,W₂,…,W_k,…,W_i)，其中列向量W_k表示输出层第k个神经元对应的权向量；各层之间信号前向传递的数学关系有：

输出层输出信号表示为：

o_k＝f(net_k)k＝1,2,…,1(1)

${\mathrm{net}}_k=\underset{j=0}{\overset{m}{\Σ}}{w}_{jk}{y}_j,k=1,2,\mathrm{...},1---\left(2\right)$

隐含层输出信号表示为：

y_j＝f(net_j)j＝1,2,…,m(3)

${\mathrm{net}}_j=\underset{i=0}{\overset{n}{\Σ}}{w}_{ij}{x}_i,j=1,2,\mathrm{...},m---\left(4\right)$

神经网络要求转移函数连续且处处可导，常用的Sigmoid函数有单极性如式(5)或者双极性如式(6)两种类型；

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(5\right)$

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}---\left(6\right)$

本发明采用一种改进的神经网络算法来实现自建模技术。为了提高网络的训练速度，降低网络误差曲面局部细节的敏感性，通过在权值调整时中增加动量项如式(7)，可以减少学习过程中的振荡趋势，改善网络收敛性；

ΔW(t)＝ηδX+αΔW(t-1)(7)

式中，动量项为αΔW(t-1)，α∈(0,1)；

通过自适应调整学习率，改善学习选择不当所带来的震荡与收敛慢等缺陷，使得在误差曲面较为平坦的区域增加学习率，加快学习速度；而在误差变化剧烈的区域较小学习率，避免训练陷入震荡，提高收敛速度；自适应学习率的调整方法：

由于在训练过程中，转移函数的饱和区较大，输入数据容易进入该区，导致训练时间过长。为了能使训练过程及时脱离平坦区域，可以引入陡度因子，扩大函数敏感区：

$o_k=\frac{1}{1+e^{-{\mathrm{nel}}_k/\mathrm{\λ}}}---\left(9\right)$

λ≈(Σ|Δv_ij|)/(Σ|Δw_jk|)(10)

通过引入陡度因子，当λ>1，S函数变陡，加快收敛速度。

所述的OCR光学字符识别技术，是指用电子设备检查纸上打印的字符，然后用字符识别方法将形状翻译成计算机文字的过程；即对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。它通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出汉字的标准编码，并按通用格式存储在文本文件中，本发明中应用的OCR可以应用于字符识别的机器视觉应用中，通过机器视觉软件在图像中读取字符与文本的处理，OCR中包含了训练和读取/验证两个阶段；

所述的OCR光学字符识别中训练字符阶段，则是包含教导OCR字符，是想在读取步骤中可以检测的字符和/或模式；所有已经训练好的拥有相同字符值(CharacterValue)的字符成型一个字符类(CharacterClass)；通过查看这些已经训练好的所有字符类中相同的字符，可以指定已经训练的字符中最具有能代表所有要检测字符的字符值作为字符类的参考字符；整个OCR训练字符的过程就是通过采集到的图像指定ROI区域，那么OCR就会从背景图像中分离出每个字符，再通过OCR提取每个字符的特征信息，然后为每个分段的字符指定一个字符值，最后当都设置完毕则保存字符集为字符集文件；其中很重要的一点就是在训练字符前需要把很好的字符分割，才能生成独一无二的可以代表每个分割字符的字符；

所述的OCR光学字符识别中阅读字符阶段，则是当执行阅读程序时，机器视觉程序使用OCE函数在图像中创建每个目标的片段，然后再通过使用之前在学习训练过程中创建的字符集与这些目标片段的字符进行比较；OCR从拍摄到的图像中获取的每个目标片段中提取字符并与存储在字符集中的每个字符进行比较；在进行比较的同时，OCR则会返回字符的字符值，这个字符值则是字符集中与字符的最佳匹配值，同时会返回一个非零的分类分数；如果字符集中没有与目标相匹配的字符，OCR函数则会返回一个代替字符作为字符值并且返回分类分数为0；因此，在应用OCR进行字符识别的时候，首先应创建一个模版字符集文件，并且加载这个字符集文件到应用程序中，然后开始采集需要检测的字符图像，在采集到的图像上指定ROI区域，OCR从背景图像中分离出每个字符，并且提取每个字符的特征信息，随后OCR将提取到的特征信息与训练好的特征集进行比较，最后则达到了字符识别的功能，OCR返回识别的字符。

本发明将图像采集、图像处理、自动运行等操作集于一体，通过高像素相机及无畸变镜头进行所需检测商品油字符的图像采集，通过神经网络系统进行自建模，并且对采集到的图像进行ROI划分检测区域；通过神经网络算法和OCR光学字符识别检测技术相结合，分析采集到的所需检测字符模版，生成一个模版字符集文件；再通过分析采集到的图像中的所需检测的字符，并且与字符集模版相比较，最终OCR返回每个字符的字符值和匹配结果，完成字符识别匹配的目的，达到字符检测的效果。

本发明关于对检测商品油上激光条码的实际应用，为了达到检测的效果，以及达到检测的结果的准确性，采用一种合理的统一的评价标准，通过OCR光学字符识别技术的判断，则能实现对商品油上每个规定的激光条码字符是否错误达到检测的目的；再通过确定商品油上规定的激光条码的字符个数，以及通过OCR光学字符识别技术计算出可以识别的字符个数，将两个字符个数之间的变化进行比较，则会精准的计算出商品油上激光条码字符的丢失、漏印、重印等现象，进一步的达到对商品油上激光条码检测的目的。

图2所示是本发明方法系统构成图。该图说明了整个系统模块。

图3所示是训练字符的过程示意图。该图清晰的展示了整个OCR识别过程中对训练字符阶段的总体流程结构。在OCR中的训练字符对图像指定字符所在的ROI区域，通过对OCR中阈值范围等参数的调整，使OCR从背景图像中分离出每个字符，OCR根据分离的每个字符提取每个字符的特征信息，并且为每个分段的字符指定一个字符值，将拥有相同字符值的字符成型一个字符类，保存字符集为字符集文件到指定文件夹，完成对字符模版的训练。

图4所示是阅读字符的过程示意图。首先将预先训练好的模版字符集文件加载到程序中；采集需要检测的商品油激光条码的图像，并在此图像上定义ROI检测区域；指定ROI区域后，OCR会从背景中分离出每个字符，并且OCR提取出每个字符的特征信息；OCR再将提取的特征信息与字符集模版中的特征集进行比较，加以匹配；匹配结束后，OCR返回识别的字符。

图5所示是生产线方案示意图。模拟商品油实际生产线规划的生产线方案示意图。在整个传送带的两侧包括相机、光源与油桶位置的设置，以及剔除装置、夹紧装置、触发装置的固定。

图6所示是实验器材系统图。该图是实验室中商品油激光标码检测的系统搭建图，是相机、镜头、光源以及商品油为主体搭建的系统。

图7所示是实验结果图。该图是根据本专利要求所达到的实验目的的实验结果图。

Claims (4)

1.一种具有自建模功能的商品油表面激光标码识别方法，其特征在于该方法内容包括如下步骤：：

基于神经网络识别算法对商品油激光标码进行模式统计，实现自建模技术；采用一种光源照明系统，对商品油上激光标码进行照明，获得清晰、无反光的激光标码的图像；搭建系统平台，将相机、光源以及商品油的位置调整至最佳状态加以固定；用夹紧装置将油桶夹紧固定，并保证印有激光标码的一面对准相机；打开相机，采集指定检测的商品油激光标码的字符模版图像，并通过神经网络识别算法简单模拟人的大脑脑神经功能来实现输入-输出的映射模型，完成对字符的分类识别采集，并作为模版；通过神经网络算法以及OCR光学字符识别技术训练模版，获得模版字符集文件，并保存字符集文件到指定位置；确定字符集模版后，运输商品油，当商品油到达指定位置后将使激光触发器触发，夹紧装置对商品油夹紧固定，并确保商品油激光标码一侧对准相机镜头，相机则开始获取图像并处理，采集商品油激光标码图像；指定商品油上需要检测的激光条码的ROI区域，然后进行字符识别、阅读字符的图像处理阶段，字符识别匹配后返回字符值以及识别出的正确的字符，显示字符匹配的最终结果；在检测完商品油上的激光标码后，若匹配结果字符合格，则商品油合格继续运输，若匹配结果字符不合格，通过给剔除装置发信号将错误产品剔除生产线，则由剔除装置将不合格的商品油剔除；最后实现对字符识别的功能，完成对商品油上激光条码的字符检测，进而可以达到精确的对商品油激光条码的检测；

所述的神经网络就是一种模拟人脑生物神经网络结构及功能的自适应非线性动态信息处理系统；所述的神经网络识别算法主要是训练环节；

所述的训练环节是为了将隐含在训练数据中的复杂知识和规律提取出来，以网络连接权值的方式分布存储使用；神经网络神经元是一个动态自适应的信号处理单元，其神经网络权值大小可以由所接受的输入信号、输出信号以及监督信号进行调整；假设神经网络权值矩阵为W，通用学习规则可表达为：权向量W_j在t时刻的调整量ΔW_j(t)与学习信号r和t时刻的输入向量X(t)的乘积成正比，数学表达式为：

式中，η为学习常数，决定了学习速率；d_j为教师信号；

采用一种人工智能的模糊字符识别技术，在经过神经网络对商品油激光标码进行模式统计，并建立字符模型后，再通过与OCR光学字符识别技术相结合，将模版字符集形成字符集文件；将建立的字符集模版与采集到的商品油上激光条码的图像进行对比，进行阅读程序；将训练过程中创建的字符集与这些采集到的图像中目标片段的字符进行比较；OCR从图像中的每个目标片段中提取字符并与存储在字符集中的每个字符进行比较；随后OCR字符检测返回字符的字符值，这个字符值指的是字符集中与字符的最佳匹配，同时返回一个非零的分类分数；如果字符集中没有与目标相匹配的字符，OCR函数会返回一个代替字符作为字符值，并且返回分类分数为0；从而达到商品油上激光条码高精度检测的目的。

2.根据权利要求1所述的一种具有自建模功能的商品油表面激光标码识别方法，其特征在于：所述相机的镜头是一种高分辨率、超低畸变的镜头，来达到获取激光标码的最好效果。

3.根据权利要求1所述的一种具有自建模功能的商品油表面激光标码识别方法，其特征在于：所述的神经网络识别算法，既神经网络模式统计自建模算法，是基于误差反转的BP神经网络，一般由输入层、隐含层和输出层三部分组成；BP神经网络的训练过程主要分为信号的正向传播和误差的反向传播两个阶段，在前向的计算过程中，输入的样本从输入层经过隐含层处理后，最后传输到输出层；当样本传输到输出层后，根据输出结果与实际期望输出数据的比较，若训练未能达标，则计算网络差，并将误差反向传到各层，分摊到各层的节点，根据各单元误差修正其相应的连接权值，并不断重复该过程，直到满足训练结束；

所述的神经网络算法建立一个包含一个隐含层的三层神经网络模型；输入向量X＝(x₁,x₂,…,x_i,…,x_n)^T；隐含层输出向量为Y＝(y₁,y₂,…,y_j,…,y_m)^T；输出层输出向量为O＝(o₁,o₂,…,o_k,…,o_l)^T；期望输出向量为D＝(d₁,d₂,…,d_k,…,d_l)^T；输入层到隐含层的权值矩阵用V表示，V＝(V₁,V₂,…,V_j,…,V_m)，其中列向量V_j表示隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用W表示，W＝(W₁,W₂,…,W_k,…,W_i)，其中列向量W_k表示输出层第k个神经元对应的权向量；各层之间信号前向传递的数学关系有：

输出层输出信号表示为：

o_k＝f(net_k)k＝1,2,…,1(1)

${\mathrm{net}}_k=\underset{j=0}{\overset{m}{\Σ}}{w}_{jk}{y}_j,k=1,2,\mathrm{...},1---\left(2\right)$

隐含层输出信号表示为：

y_j＝f(net_j)j＝1,2,…,m(3)

${\mathrm{net}}_j=\underset{i=0}{\overset{n}{\Σ}}{w}_{ij}{x}_i,j=1,2,\mathrm{...},m---\left(4\right)$

神经网络要求转移函数连续且处处可导，常用的Sigmoid函数有单极性如式(5)或者双极性如式(6)两种类型；

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(5\right)$

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}---\left(6\right)$

为了提高网络的训练速度，降低网络误差曲面局部细节的敏感性，通过在权值调整时中增加动量项如式(7)，可以减少学习过程中的振荡趋势，改善网络收敛性；

ΔW(t)＝ηδX+αΔW(t-1)(7)

式中，动量项为αΔW(t-1)，α∈(0,1)；

通过自适应调整学习率，改善学习选择不当所带来的震荡与收敛慢等缺陷，使得在误差曲面较为平坦的区域增加学习率，加快学习速度；而在误差变化剧烈的区域较小学习率，避免训练陷入震荡，提高收敛速度；自适应学习率的调整方法：

由于在训练过程中，转移函数的饱和区较大，输入数据容易进入该区，导致训练时间过长。为了能使训练过程及时脱离平坦区域，可以引入陡度因子，扩大函数敏感区：

$o_k=\frac{1}{1+e^{-{\mathrm{nel}}_k/\mathrm{\λ}}}---\left(9\right)$

l≈(Σ|Δv_ij|)/(Σ|Δw_jk|)(10)

通过引入陡度因子，当λ>1，S函数变陡，加快收敛速度。

4.根据权利要求1所述的一种具有自建模功能的商品油表面激光标码识别方法，其特征在于：所述的OCR光学字符识别技术，是指用电子设备检查纸上打印的字符，然后用字符识别方法将形状翻译成计算机文字的过程；即对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。它通过扫描和摄像等光学输入方式获取纸张上的文字图像信息，利用各种模式识别算法分析文字形态特征，判断出汉字的标准编码，并按通用格式存储在文本文件中，本发明中应用的OCR可以应用于字符识别的机器视觉应用中，通过机器视觉软件在图像中读取字符与文本的处理，OCR中包含了训练和读取/验证两个阶段；

所述的OCR光学字符识别中训练字符阶段，则是包含教导OCR字符，是想在读取步骤中可以检测的字符和/或模式；所有已经训练好的拥有相同字符值的字符成型一个字符类；通过查看这些已经训练好的所有字符类中相同的字符，可以指定已经训练的字符中最具有能代表所有要检测字符的字符值作为字符类的参考字符；整个OCR训练字符的过程就是通过采集到的图像指定ROI区域，那么OCR就会从背景图像中分离出每个字符，再通过OCR提取每个字符的特征信息，然后为每个分段的字符指定一个字符值，最后当都设置完毕则保存字符集为字符集文件；其中很重要的一点就是在训练字符前需要把很好的字符分割，才能生成独一无二的可以代表每个分割字符的字符；

所述的OCR光学字符识别中阅读字符阶段，则是当执行阅读程序时，机器视觉程序使用OCE函数在图像中创建每个目标的片段，然后再通过使用之前在学习训练过程中创建的字符集与这些目标片段的字符进行比较；OCR从拍摄到的图像中获取的每个目标片段中提取字符并与存储在字符集中的每个字符进行比较；在进行比较的同时，OCR则会返回字符的字符值，这个字符值则是字符集中与字符的最佳匹配值，同时会返回一个非零的分类分数；如果字符集中没有与目标相匹配的字符，OCR函数则会返回一个代替字符作为字符值并且返回分类分数为0；因此，在应用OCR进行字符识别的时候，首先应创建一个模版字符集文件，并且加载这个字符集文件到应用程序中，然后开始采集需要检测的字符图像，在采集到的图像上指定ROI区域，OCR从背景图像中分离出每个字符，并且提取每个字符的特征信息，随后OCR将提取到的特征信息与训练好的特征集进行比较，最后则达到了字符识别的功能，OCR返回识别的字符。