CN106442553A - 一种铜环柱面喷码检测识别装置及方法 - Google Patents

Abstract

本发明提供了一种铜环柱面喷码检测识别装置，包括：工业显示屏、左传送带机构、伺服滑台机构、右传送带机构、工业电脑、物件抓起夹紧气缸、图像采集机构、光源设备、不合格产品接料盒、合格产品接料盒、剔除机构和旋转机构。本铜环柱面喷码检测识别装置采用机器视觉技术进行铜环柱面喷码字符信息检测识别，克服了传统的人工检测精度低，主观性强、判断效率低、漏检误检率高等不足；自动化程度高，可以完成铜环柱面喷码的自动识别和自动分拣。同时本发明还提供了一种铜环柱面喷码检测识别方法，实现了流水线上铜环柱面不规则喷码信息的连续自动采集及判别，尤其适用于处理柱面表面上模糊及形状不规则字符的识别问题，检测识别率高。

Description

一种铜环柱面喷码检测识别装置及方法

技术领域

本发明属于检测设备技术领域，具体涉及一种铜环柱面喷码检测识别装置及方法。

背景技术

在工业生产中，许多产品上都记录着大量与产品相关的信息，如产品的质量精度、批次号、生产地、生产商等，这些信息有的用压铸或印刷喷码直接刻印到产品表面上去，不同的产品、不同的工艺流程及制造会造成刻印的文字信息不同，因此采取的识别方式也不同，如二维码扫描、条码扫描、字符识别等。

目前铜环生产商的喷码字符信息检测都是靠人工观察和自主判断实现，人工成本高、检测效率低，再加上产品字符信息是喷码在铜环外表柱面上，因此容易呈现不规则和扭曲变形字符等因素造成误检漏检率高，从而导致铜环产品生产效率低。因此开发出一种准确快速的铜环柱面喷码检测识别系统具有非常重要的工程应用价值。

公开号为CN101739556A的中国专利申请公开了“一种钢坯号自动识别方法”，通过该方法可以对冶金在制品的表面字符标记采取自动识别装置识别，通过摄像机获取钢坯喷码图像，对钢坯图像进行一系列预处理，包括图像增强、滤波等，对图像进行二值化，分割单个字符，提取字符特征进行模板匹配实现字符识别。但是相对于冶金在制品表面字符标记比较固定单一，铜环柱面产品表面喷码信息较多，另外该方法所针对的钢坯号喷码是钢坯的平表面上，比钢坯号较规整，容易识别。而铜环喷码实在铜环柱面上，喷码或喷印时造成字符不规则和扭曲变形。同时，由于铜环柱面尺寸差异较大，给字符识别带来新的难度。

发明内容

为解决现有技术中存在的不足，本发明提供了一种铜环柱面喷码检测识别装置及方法，解决了现有人工检测成本高、检测效率低等实际问题，加强了生产自动化程度，大大提高了生产效率。

为实现上述技术方案，本发明提供了一种铜环柱面喷码检测识别装置，包括：安装架；安装在安装架上表面中心的旋转机构；对称安装在旋转机构左右两侧的左传送带和右传送带；安装在旋转机构正后方的伺服滑台机构；安装在伺服滑台机构上且可沿伺服滑台机构水平方向上来回移动的机械抓手；安装在旋转机构正前方的图像采集机构；安装在旋转机构上方且与图像采集机构正对的照明光源；安装在图像采集机构一侧的剔除机构；与剔除机构正对安装的不合格产品接料盒；安装在右传送带末端的合格产品接料盒；安装在安装架上方的工业显示屏，以及安装在安装架下方的工业电脑，所述工业电脑通过导线分别与工业显示屏、左传送带、伺服滑台机构、右传送带、机械抓手、图像采集机构、照明光源、剔除机构和旋转机构连接。

在上述技术方案中，本装置的操作流程是：左传送带将铜环产品移送到产品指定摆放位后，机械抓手通过伺服滑台机构移动至产品指定摆放位，并且将铜环产品夹起移动到旋转机构上；然后图像采集机构对铜环产品进行图像采集，照明光源频闪，旋转机构带动产品旋转，并通过安装在图像采集机构上的工业相机获取铜环图像；然后工业相机将获取的铜环图像传输至工业电脑，工业电脑根据检测识别的结果进行下一步分选，如果铜环产品上面的喷码字符能全部检测识别出来，则该铜环产品为合格产品，右传送带带机构将合格的铜环产品移送到合格产品接料盒中，若铜环产品上面的喷码字符检测识别不全或完全检测识别不了，则该铜环产品不合格，工业电脑控制右传送带将该不合格铜环移送到剔除机构处，剔除机构将该不合格产品移送到不合格产品接料盒中。

优选的，所述旋转机构包括旋转电机和旋转夹手，所述旋转电机竖直向上安装，旋转夹手固定在旋转电机的输出轴上。旋转夹手用于夹紧从机械抓手夹送过来的铜环产品，然后通过旋转电机带动铜环转动，以便图像采集机构对铜环产品进行全方位的图像采集。

优选的，所述伺服滑台机构包括支撑架、滑台、滑块和伺服电机，所述滑台安装在支撑架上且沿水平方向设置，滑块安装在滑台上并由伺服电机驱动，机械抓手固定在所述滑块上。伺服电机用于驱动滑块在滑台上来回移动，以便驱动机械抓手实现铜环的转移。

优选的，所述机械抓手包括伸缩气缸、夹紧气缸和抓手，所述伸缩气缸固定在伺服滑台机构的滑块上，所述伸缩气缸的伸缩端竖直向下，抓手安装在伸缩气缸的下端，夹紧气缸的伸缩端横向贯穿抓手。伸缩气缸用于驱动抓手在上下方向上的动作，夹紧气缸用于驱动抓手的夹紧或者放松，抓手用于转移铜环，并将铜环准确放置在旋转机构上。

优选的，所述照明光源采用正面明场同轴漫反射LED环形白光光源。正面明场同轴漫反射LED环形白光光源照明方式，能够防止产生阴影，减少或防止镜面反射，使字符图像对比度增强。同轴光能创建一个明视野，无透视畸变，适用在扁平、光泽表面定位缺陷或者瑕疵。

本发明还提供了一种基于本发明提供的铜环柱面喷码检测识别装置所进行的识别方法，具体包括如下操作步骤：

步骤1：左传送带将铜环产品移送到产品指定摆放位后，机械抓手通过伺服滑台机构移动至产品指定摆放位，并且将铜环产品夹起移动到旋转机构上；

步骤2：图像采集机构对铜环产品进行图像采集，照明光源频闪，旋转机构带动产品旋转，并通过安装在图像采集机构上的工业相机获取铜环图像；

步骤3：工业相机将获取的铜环图像传输至工业电脑，针对获取的铜环图像，工业电脑自动选取目标区域，截取OCR字符区域ROI_0，之后进行OCR字符分割、阈值分割、OCR字符排序，最后对OCR字符检测识别，输出检测结果，并且将输出结果存档；

步骤4：工业电脑根据检测识别工序的结果进行下一步分选，如果铜环产品上面的喷码字符能全部检测识别出来，则该铜环产品为合格产品，右传送带带机构将合格的铜环产品移送到合格产品接料盒中，若铜环产品上面的喷码字符检测识别不全或完全检测识别不了，则该铜环产品不合格，工业电脑控制右传送带将该不合格铜环移送到剔除机构处，剔除机构将该不合格产品移送到不合格产品接料盒中。

优选的，所述步骤3中，所述OCR字符区域ROI_0的截取方法具体步骤如下：

步骤31：工业电脑自动选取目标区域；

步骤32：对选取的目标区域采用如下公式进行降噪处理：

通过估算像素为(2n+1)×(2m+1)窗口内的像素真值，再用原始图像与之求差达到降噪的目的，公式(1)中代表第i幅图像位置(r,c)处的灰度值；经过几次降噪后，图像噪声降低到原来的1/[(2n+1)×(2m+1)]；

步骤33：对降噪前后的两幅图像做减法处理，从而得到OCR字符区域ROI_0。

优选的，所述步骤3中，OCR字符分割、阈值分割和OCR字符排序采用的方法如下：

步骤34：首先对OCR字符进行形态学膨胀处理，之后计算区域连通域；

步骤35：对分割的字符进行阈值分割，阈值分割采用如下公式进行：

S＝{(r,c)∈R|g_min≤f_r,c≤g_max} (2)

公式(2)中R表示输入图像fr,c灰度值在(g_min，g_max)的集合，阈值分割时将图像ROI_0内灰度值处于某一指定灰度值范围(0，2^b-1)内的全部点选到输出区域S中，其中b为位深，起阈值调节作用；

步骤36：对阈值分割后的OCR字符区域进行排序，首先创建一个空对象，通过循环搜索得到需要的单个字符，然后选择字符对象进行排序。

优选的，所述步骤3中，OCR字符检测识别采用BP(Back propagation)三层神经网络进行分类匹配，自行判断检测识别，最后输出检测识别内容，具体步骤如下：

步骤37、通过输入字符信息样本进行学习训练从而创建输入层、隐藏层进而输出层；

步骤38、当实际输出与期望输出不符时，进入误差的反向传播阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止，可以用以下式子表示：

O₁＝F₁(X W₁) (3)

O₂＝F₂(F₁(X W₁)W₂) (4)

O₃＝F₃(F₂(F₁(X W₁)W₂)W₃) (5)

对于一个三层的前馈神经网络N，式中X表示网络的输入向量，W₁～W₃表示网络各层的连接权向量，F₁～F₃表示神经网络三层的激活函数，O₁、O₂、O₃分别表示第一层、第二层、第三层的输出。

本发明提供的一种铜环柱面喷码检测识别装置及方法的有益效果在于：

(1)本铜环柱面喷码检测识别装置采用机器视觉技术进行铜环喷码字符信息检测识别，克服了传统的人工检测精度低，主观性强、判断效率低、漏检误检率高等不足；同时本铜环柱面喷码检测识别装置的自动化程度高，可以完成铜环柱面喷码的自动识别和自动分拣；

(2)本铜环柱面喷码检测识别装置还跟据喷码字符是印在铜环柱面上，设计了正面明场同轴漫反射LED环形白光光源照明方式，能够防止产生阴影，减少或防止镜面反射，使字符图像对比度增强；

(3)本发明提供的一种铜环柱面喷码检测识别方法综合运用了图像均值滤波、图像膨胀、神经网络分类等方法，实现了流水线上铜环柱面不规则喷码信息的连续自动采集及判别，尤其适用于处理模糊及形状不规则字符的识别问题，检测识别率高，避免了人工采集效率低、容易疲劳导致误判的风险。

附图说明

图1是本发明的立体结构示意图。

图2是本发明局部放大示意图。

图3是本发明明场同轴环形漫反射半球照明示意图。

图4是本发明均值滤波处理前的图像截取示意图。

图5是本发明均值滤波处理后的图像截取示意图。

图6是本发明截取OCR字符区域ROI_0示意图。

图7是本发明OCR字符阈值分割图像处理。

图8是本发明OCR字符排序示意图。

图9是本发明OCR检测识别结果显示示意图。

图中：1、工业显示屏；2、左传送带；3、伺服滑台机构；4、右传送带；5、工业电脑；6、机械抓手；7、图像采集机构；8、照明光源；9、不合格产品接料盒；10、铜环产品；11、合格产品接料盒；12、剔除机构；13、旋转机构。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，均属于本发明的保护范围。

实施例1：一种铜环柱面喷码检测识别装置。

参照图1和图2所示，一种铜环柱面喷码检测识别装置，包括：安装架；安装在安装架上表面中心的旋转机构13；对称安装在旋转机构13左右两侧的左传送带2和右传送带4；安装在旋转机构13正后方的伺服滑台机构3；安装在伺服滑台机构3上且可沿伺服滑台机构3水平方向上来回移动的机械抓手6；安装在旋转机构13正前方的图像采集机构7；安装在旋转机构13上方且与图像采集机构7正对的照明光源8；安装在图像采集机构7一侧的剔除机构12；与剔除机构12正对安装的不合格产品接料盒9；安装在右传送带4末端的合格产品接料盒11；安装在安装架上方的工业显示屏1，以及安装在安装架下方的工业电脑5，所述工业电脑5通过导线分别与工业显示屏1、左传送带2、伺服滑台机构3、右传送带4、机械抓手6、图像采集机构7、照明光源8、剔除机构12和旋转机构13连接。

参照图1和图2所示，为了更进一步的解释本发明，特将本装置的工作原理解释如下：左传送带2将铜环产品10移送到产品指定摆放位后，机械抓手6通过伺服滑台机构3移动至产品指定摆放位，并且将铜环产品10夹起放置到旋转机构13上；然后图像采集机构7对铜环产品10进行图像采集，照明光源8频闪，同时旋转机构13带动产品旋转，通过安装在图像采集机构7上的工业相机获取铜环产品10的图像；然后工业相机将获取的铜环图像传输至工业电脑5，工业电脑5对获得的图像进行处理和识别，工业电脑5根据检测识别的结果进行下一步分选，如果铜环产品10上面的喷码字符能全部检测识别出来，则该铜环产品10为合格产品，右传送带4将合格的铜环产品10移送到合格产品接料盒11中，若铜环产品10上面的喷码字符检测识别不全或完全检测识别不了，则该铜环产品10不合格，工业电脑5控制右传送带4将该不合格铜环移送到剔除机构12处，剔除机构12将该不合格产品移送到不合格产品接料盒9中，通过工业显示屏1可以全程观察整个识别装置的运行状态。

参照图2所示，所述旋转机构13包括旋转电机和旋转夹手，所述旋转电机竖直向上安装，旋转夹手固定在旋转电机的输出轴上。旋转夹手用于夹紧从机械抓手6夹送过来的铜环产品10，然后通过旋转电机带动铜环转动，以便图像采集机构7对铜环产品10进行全方位的图像采集。

参照图2所示，所述伺服滑台机构3包括支撑架、滑台、滑块和伺服电机，所述滑台安装在支撑架上且沿水平方向设置，滑块安装在滑台上并由伺服电机驱动，机械抓手6固定在所述滑块上。伺服电机用于驱动滑块在滑台上来回移动，以便驱动机械抓手6实现铜环的转移。

参照图2所示，所述机械抓手6包括伸缩气缸、夹紧气缸和抓手，所述伸缩气缸固定在伺服滑台机构3的滑块上，所述伸缩气缸的伸缩端竖直向下，抓手安装在伸缩气缸的下端，夹紧气缸的伸缩端横向贯穿抓手。伸缩气缸用于驱动抓手在上下方向上的动作，夹紧气缸用于驱动抓手的夹紧或者放松，抓手用于转移铜环，并将铜环准确放置在旋转机构13上。

参照图3所示，所述照明光源8采用正面明场同轴漫反射LED环形白光光源。正面明场同轴漫反射LED环形白光光源照明方式，能够防止产生阴影，减少或防止镜面反射，使字符图像对比度增强。同轴光能创建一个明视野，无透视畸变，适用在扁平、光泽表面定位缺陷或者瑕疵。

实施例2：一种铜环柱面喷码检测识别方法。

参照图1至图9所示，一种基于本发明提供的铜环柱面喷码检测识别装置所进行的识别方法，具体包括如下操作步骤：

步骤1：左传送带2将铜环产品10移送到产品指定摆放位后，机械抓手6通过伺服滑台机构3移动至产品指定摆放位，并且将铜环产品10夹起移动到旋转机构13上；

步骤2：图像采集机构7对铜环产品10进行图像采集，照明光源8频闪，旋转机构13带动产品旋转，并通过安装在图像采集机构7上的工业相机获取铜环图像；

步骤3：工业相机将获取的铜环图像传输至工业电脑5，针对获取的铜环图像，工业电脑5自动选取目标区域，截取OCR字符区域ROI_0，之后进行OCR字符分割、阈值分割、OCR字符排序，最后对OCR字符检测识别，输出检测结果，并且将输出结果存档；

步骤4：工业电脑5根据检测识别工序的结果进行下一步分选，如果铜环产品10上面的喷码字符能全部检测识别出来，则该铜环产品10为合格产品，右传送带4将合格的铜环产品10移送到合格产品接料盒11中，若铜环产品10上面的喷码字符检测识别不全或完全检测识别不了，则该铜环产品10不合格，工业电脑5控制右传送带4将该不合格铜环移送到剔除机构12处，剔除机构12将该不合格产品移送到不合格产品接料盒9中。

本实施例中，所述步骤3中，所述OCR字符区域ROI_0的截取方法具体步骤如下：

步骤31：工业电脑5自动选取目标区域；

步骤32：对选取的目标区域采用如下公式进行降噪处理：

通过估算像素为(2n+1)×(2m+1)窗口内的像素真值，再用原始图像与之求差达到降噪的目的，公式(1)中代表第i幅图像位置(r,c)处的灰度值；经过几次降噪后，图像噪声降低到原来的1/[(2n+1)×(2m+1)]；

步骤33：对降噪前后的两幅图像做减法处理，从而得到OCR字符区域ROI_0，具体效果可以参照图4和图5所示。

本实施例中，所述步骤3中，OCR字符分割、阈值分割和OCR字符排序采用的方法如下：

步骤34：首先对OCR字符进行形态学膨胀处理，之后计算区域连通域；

形态学膨胀算法思路:

膨胀是以得到B的相对与它自身原点的映像并且由Z对映像进行移位为基础的。A被B膨胀是所有位移Z的集合，这样，和A至少有一个元素是重叠的。我们可以把上式改写为：

结构元素B可以看作一个卷积模板，区别在于膨胀是以集合运算为基础，卷积是以算术运算为基础，但两者的处理过程是相似的。

a、用结构元素B，扫描图像A的每一个像素；

b、用结构元素与其覆盖的二值图像做“与”操作；

c、如果都为0，结果图像的该像素为0，否则为1。

步骤35：对分割的字符进行阈值分割，阈值分割采用如下公式进行：

S＝{(r,c)∈R|g_min≤f_r,c≤g_max} (2)

公式(2)中R表示输入图像fr,c灰度值在(g_min，g_max)的集合，阈值分割时将图像ROI_0内灰度值处于某一指定灰度值范围(0，2^b-1)内的全部点选到输出区域S中，其中b为位深，起阈值调节作用；

步骤36：对阈值分割后的OCR字符区域进行排序，首先创建一个空对象，通过循环搜索得到需要的单个字符，然后选择字符对象进行排序。

本实施例中，所述步骤3中，OCR字符检测识别采用BP(Backpropagation)三层神经网络进行分类匹配，自行判断检测识别，最后输出检测识别内容，具体步骤如下：

步骤37、通过输入字符信息样本进行学习训练从而创建输入层、隐藏层进而输出层；

⑴输入层(inputlayer)：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；

⑵隐藏层(HiddenLayer)：中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；

⑶输出层(OutputLayer)：顾名思义，输出层向外界输出信息处理结果；

步骤38、当实际输出与期望输出不符时，进入误差的反向传播阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止，可以用以下式子表示：

O₁＝F₁(X W₁) (3)

O₂＝F₂(F₁(X W₁)W₂) (4)

O₃＝F₃(F₂(F₁(X W₁)W₂)W₃) (5)

对于一个三层的前馈神经网络N，式中X表示网络的输入向量，W₁～W₃表示网络各层的连接权向量，F₁～F₃表示神经网络三层的激活函数，O₁、O₂、O₃分别表示第一层、第二层、第三层的输出。

以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (9)

1.一种铜环柱面喷码检测识别装置，其特征在于包括：

安装架；

安装在安装架上表面中心的旋转机构；

对称安装在旋转机构左右两侧的左传送带和右传送带；

安装在旋转机构正后方的伺服滑台机构；

安装在伺服滑台机构上且可沿伺服滑台机构水平方向上来回移动的机械抓手；

安装在旋转机构正前方的图像采集机构；

安装在旋转机构上方且与图像采集机构正对的照明光源；

安装在图像采集机构一侧的剔除机构；

与剔除机构正对安装的不合格产品接料盒；

安装在右传送带末端的合格产品接料盒；

安装在安装架上方的工业显示屏，以及

安装在安装架下方的工业电脑，所述工业电脑通过导线分别与工业显示屏、左传送带、伺服滑台机构、右传送带、机械抓手、图像采集机构、照明光源、剔除机构和旋转机构连接。

2.如权利要求1所述的铜环柱面喷码检测识别装置，其特征在于：所述旋转机构包括旋转电机和旋转夹手，所述旋转电机竖直向上安装，旋转夹手固定在旋转电机的输出轴上。

3.如权利要求1所述的铜环柱面喷码检测识别装置，其特征在于：所述伺服滑台机构包括支撑架、滑台、滑块和伺服电机，所述滑台安装在支撑架上且沿水平方向设置，滑块安装在滑台上并由伺服电机驱动，机械抓手固定在所述滑块上。

4.如权利要求3所述的铜环柱面喷码检测识别装置，其特征在于：所述机械抓手包括伸缩气缸、夹紧气缸和抓手，所述伸缩气缸固定在伺服滑台机构的滑块上，所述伸缩气缸的伸缩端竖直向下，抓手安装在伸缩气缸的下端，夹紧气缸的伸缩端横向贯穿抓手。

5.如权利要求3所述的铜环柱面喷码检测识别装置，其特征在于：所述照明光源采用正面明场同轴漫反射LED环形白光光源。

6.一种铜环柱面喷码检测识别方法，其特征在于：使用如权利要求1-5中任一所述的铜环柱面喷码检测识别装置，具体包括如下操作步骤：

步骤1：左传送带将铜环产品移送到产品指定摆放位后，机械抓手通过伺服滑台机构移动至产品指定摆放位，并且将铜环产品夹起移动到旋转机构上；

步骤2：图像采集机构对铜环产品进行图像采集，照明光源频闪，旋转机构带动产品旋转，并通过安装在图像采集机构上的工业相机获取铜环图像；

步骤3：工业相机将获取的铜环图像传输至工业电脑，针对获取的铜环图像，工业电脑自动选取目标区域，截取OCR字符区域ROI_0，之后进行OCR字符分割、阈值分割、OCR字符排序，最后对OCR字符检测识别，输出检测结果，并且将输出结果存档；

步骤4：工业电脑根据检测识别工序的结果进行下一步分选，如果铜环产品上面的喷码字符能全部检测识别出来，则该铜环产品为合格产品，右传送带将合格的铜环产品移送到合格产品接料盒中，若铜环产品上面的喷码字符检测识别不全或完全检测识别不了，则该铜环产品不合格，工业电脑控制右传送带将该不合格铜环移送到剔除机构处，剔除机构将该不合格产品移送到不合格产品接料盒中。

7.如权利要求6所述的铜环柱面喷码检测识别方法，其特征在于：所述步骤3中，所述OCR字符区域ROI_0的截取方法具体步骤如下：

步骤31：工业电脑自动选取目标区域；

步骤32：对选取的目标区域采用如下公式进行降噪处理：

$gr,c=\frac{1}{(2n+1)(2m+1)}\underset{i=-n}{\overset{n}{\Σ}}\underset{j=-m}{\overset{m}{\Σ}}\hat{g}r-i,c-j---\left(1\right)$

通过估算像素为(2n+1)×(2m+1)窗口内的像素真值，再用原始图像与之求差达到降噪的目的，公式(1)中c；i代表第i幅图像位置(r,c)处的灰度值；经过几次降噪后，图像噪声降低到原来的1/[(2n+1)×(2m+1)]；

步骤33：对降噪前后的两幅图像做减法处理，从而得到OCR字符区域ROI_0。

8.如权利要求6所述的铜环柱面喷码检测识别装置，其特征在于：所述步骤3中，OCR字符分割、阈值分割和OCR字符排序采用的方法如下：

步骤34：首先对OCR字符进行形态学膨胀处理，之后计算区域连通域；

步骤35：对分割的字符进行阈值分割，阈值分割采用如下公式进行：

S＝{(r,c)∈R|g_min≤f_r,c≤g_max} (2)

公式(2)中R表示输入图像fr,c灰度值在(g_min，g_max)的集合，阈值分割时将图像ROI_0内灰度值处于某一指定灰度值范围(0，2^b-1)内的全部点选到输出区域S中，其中b为位深，起阈值调节作用；

步骤36：对阈值分割后的OCR字符区域进行排序，首先创建一个空对象，通过循环搜索得到需要的单个字符，然后选择字符对象进行排序。

9.如权利要求6所述的铜环柱面喷码检测识别装置，其特征在于：所述步骤3中，OCR字符检测识别采用BP(Back propagation)三层神经网络进行分类匹配，自行判断检测识别，

最后输出检测识别内容，具体步骤如下：

步骤37、通过输入字符信息样本进行学习训练从而创建输入层、隐藏层进而输出层；

步骤38、当实际输出与期望输出不符时，进入误差的反向传播阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传，周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止，可以用以下式子表示：

O₁＝F₁(X W₁) (3)

O₂＝F₂(F₁(X W₁)W₂) (4)

O₃＝F₃(F₂(F₁(X W₁)W₂)W₃) (5)

对于一个三层的前馈神经网络N，式中X表示网络的输入向量，W₁～W₃表示网络各层的连接权向量，F₁～F₃表示神经网络三层的激活函数，O₁、O₂、O₃分别表示第一层、第二层、第三层的输出。