CN112434543B - 一种针对畸变彩色直接部件标记的图像重构方法及系统 - Google Patents

一种针对畸变彩色直接部件标记的图像重构方法及系统 Download PDF

Info

Publication number
CN112434543B
CN112434543B CN202011327683.3A CN202011327683A CN112434543B CN 112434543 B CN112434543 B CN 112434543B CN 202011327683 A CN202011327683 A CN 202011327683A CN 112434543 B CN112434543 B CN 112434543B
Authority
CN
China
Prior art keywords
color
bar code
image
area
edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011327683.3A
Other languages
English (en)
Other versions
CN112434543A (zh
Inventor
李建美
耿影
廖利城
刘福康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202011327683.3A priority Critical patent/CN112434543B/zh
Publication of CN112434543A publication Critical patent/CN112434543A/zh
Application granted granted Critical
Publication of CN112434543B publication Critical patent/CN112434543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/146—Methods for optical code recognition the method including quality enhancement steps
    • G06K7/1473—Methods for optical code recognition the method including quality enhancement steps error correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开提出了一种针对畸变彩色直接部件标记的图像重构方法，包括：载入采集的彩色条码图像，对图像进行预处理；基于条码的结构特征，确定激光标记彩色条码的四个顶点，畸变校正后提取彩色条码；将彩色条码图像的两个通道按颜色聚类，计算每个聚类区域的最后一个通道值的均值作为每一个聚类中心的最后一个通道值，由此识别出条码的加工颜色；对彩色条码进行重构；根据条码的结构特征对重构条码的寻边区进行纠错，纠错后完成彩色条码重构。本公开达到了改善由图像采集系统引起的条码畸形以及激光标记带来的模块颜色变化、大小不一问题的目的，大大提高了彩色直接部件标记的可识读性。

Description

一种针对畸变彩色直接部件标记的图像重构方法及系统
技术领域
本公开属于直接部件标记技术领域，尤其涉及一种针对畸变彩色直接部件标记的图像重构方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
直接部件标记技术是一种直接在工业产品零件表面上标记机器可读符号(如DataMatrix条码)的产品信息标识技术。相比传统的印刷标签，直接部件标记是永久性标记、具有耐久性高、更能适应复杂多变的工业生产环境等优势，是推动工业产品零件实现产品全生命周期追踪的有效方法。实现直接部件标记技术的主要方法有激光标记、机械标刻、电解化学刻蚀、喷墨等工艺，其中，激光标记以极好的标记质量、无接触性和高效率等特点具有更大的优势。
基于激光的彩色直接部件标记是直接在金属表面进行着色，在产品表面加工出彩色条码的一种标识技术，相比传统直接部件标记，彩色直接部件标记能够承载更多的产品信息，即具有更高的条码数据密度，因而具有很大的应用潜力和发展空间。激光着色是通过激光照射金属，使得材料表面发生氧化作用而呈现不同颜色。在激光和材料相互作用的过程中，可以通过调节激光参数来实现不同颜色标记的加工。
但在实际激光加工过程中，也存在一些挑战性的问题，比如标记模块中经常出现颜色不均匀的现象、同一条码中不同标记模块的标记深度和纹理存在大小不一等问题。同时，利用机器视觉系统采集标识图像时，受金属反光特性的影响，采集的条码图像极易出现光照不均、畸变等现象，这些都给彩色直接部件标记的成功识别带来困难。
发明内容
为了改善由图像采集系统引起的条码畸形以及激光标记带来的模块颜色变化、大小不一问题，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种针对畸变彩色直接部件标记的图像重构方法，包括：
载入采集的彩色条码图像，对彩色条码图像进行预处理；
检测图像中激光标记彩色条码的四个顶点，畸变校正后提取彩色条码；
识别彩色条码的加工颜色；
对彩色条码进行重构；
对重构彩色条码的寻边区进行纠错，纠错后完成彩色条码重构。
进一步的技术方案，对图像进行预处理，包括依次进行的步骤：条码图形的L型实边顶点位于图像的左下角区域、对图像进行灰度化、对灰度化图像进行二值化、检测二值化图像边界、检测二值化图像中的直线。
进一步的技术方案，畸变校正后提取彩色条码，具体为：
检测图像中激光标记彩色条码的四个顶点；
使用仿射变换将彩色条码裁剪出来。
进一步的技术方案，检测图像中激光标记彩色条码的四个顶点，具体为：
分别确定L型边水平和垂直边界中长度最大的直线，两条直线的交点就是L型边的顶点；
在二值化图像上设定第一矩形区域，矩形从L型边顶点开始沿着垂直边界行进，终止条件是矩形区域里的每一个值都为0或矩形达到边界；以此，确定L型边的第二个顶点；
在二值化图像上设定第二矩形区域，矩形从L型边顶点开始沿着水平边界行进，终止条件是矩形区域里的每一个值都为0或矩形达到边界；以此，确定L型边的第三个顶点；
在全局二值化取反图像上根据这个范围划分网格，由左上和右下顶点坐标和模块宽度确定寻边区反L型虚边模块的中心位置，在网格上从这个位置由外向里搜索；在搜索区域确定二值化图像与网格的交点，找出每个中心位置搜索出的第一个点；对这几个点进行直线拟合，确定两条拟合直线的交点为第四个顶点。
进一步的技术方案，在检测第四个顶点之前，根据左上角和右下角两个顶点和加工模块边长确定第四个顶点所在大致范围。
进一步的技术方案，识别彩色条码的加工颜色：
将彩色条码图像的两个通道按颜色聚类；
计算每个聚类区域的最后一个通道值的均值作为每一个聚类中心的最后一个通道值。
进一步的技术方案，对彩色条码进行重构：
建立标准规格的彩色条码结构；
查找每个标准模块占比最大的颜色，并将此标准模块全部按此颜色填充。
进一步的技术方案，对重构条码的寻边区进行纠错：
确定寻边区L型实边占比最大的区域，并将标准的L型实边全部按此颜色填充；
寻边区反L型虚边除去L型实边占比最大的区域后，占比最大的区域为基底，并将对应的标准基底区域全部按确定的基底区域的颜色填充。
第二方面，公开了一种针对畸变彩色直接部件标记的图像重构系统，包括：
图像预处理模块，被配置为：载入采集的激光标记彩色条码图像，对图像进行预处理；
条码顶点检测模块，被配置为：基于条码的结构特征检测图像中激光标记彩色条码的四个顶点，畸变校正后提取彩色条码；
颜色识别模块，被配置为：将彩色条码图像的两个通道按颜色聚类，计算每个聚类区域的最后一个通道值的均值作为每一个聚类中心的最后一个通道值；
条码重构模块，被配置为：建立标准规格的彩色条码结构；查找每个标准模块区域中占比最大的颜色，并将此标准模块全部按此颜色填充；
纠错模块，被配置为：根据彩色条码的结构特征对重构条码的寻边区进行纠错，纠错后完成彩色条码重构。
以上一个或多个技术方案存在以下有益效果：
本公开技术方案基于数字图像处理技术，公开了一种针对畸变彩色直接部件标记的图像重构方法，旨在改善由图像采集系统引起的条码畸形以及激光标记带来的模块颜色变化、大小不一问题，以提高彩色直接部件标记的可识读性，最终推动工业产品可追溯技术的发展。
本公开技术方案提出的自适应检测激光标记彩色Data Matrix条码顶点的算法，能够有效定位畸变的彩色条码，定位快速准确；提出的条码图像重构方法准确地将模块颜色变化、大小不一的彩色直接部件标记填充成标准规格的彩色直接部件标记。本公开达到了改善由图像采集系统引起的条码畸形以及激光标记带来的模块颜色变化、大小不一问题的目的，大大提高了彩色直接部件标记的可识读性。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例的流程图；
图2是本公开实施例采集的畸变、模块颜色变化的彩色直接部件标记图像；
图3是本公开实施例ρ和θ的概念图；
图4是本公开实施例确定第一个顶点(左下)的原理及结果图；
图5是本公开实施例确定第二个顶点(左上)的原理及结果图；
图6是本公开实施例确定第三个顶点(右下)的原理及结果图；
图7是本公开实施例确定第四个顶点(右上)的原理及结果图；
图8是本公开实施例畸变校正后提取的彩色条码图；
图9是本公开实施例在颜色聚类区域上划分标准规格的彩色条码；
图10是本公开实施例重构的彩色条码图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
为克服上述现有技术的不足，本公开提供了一种针对畸变彩色直接部件标记的图像重构方法，改善由图像采集系统引起的条码畸形以及激光标记带来的模块颜色变化、大小不一问题，以提高彩色直接部件标记的可识读性。
本公开的研究对象为激光标记彩色Data Matrix条码图像，标准规格的彩色DataMatrix条码的符号结构由寻边区和数据区组成。其中，寻边区包括L型的实心边界和反L型的虚线边界。数据区是不同颜色模块的排列组合，每一个相同大小的模块称为一个数据单位。在寻边区外层有宽度为一个数据单位的静区。
本公开中的图像预处理方法主要用于直线检测，以突出彩色Data Matrix条码信息，为后续畸变校正提供数据基础。本文所涉及到的预处理算法有加权平均值法、Sauvola算法、Canny算法、Hough变换。
在现有的畸变校正方法中，仿射变换在实际应用中有很好的效果，但是此方法在条码顶点已知的基础上才可以使用。现有的交叉基拐角探测算法、挖空算法等可以定位条码顶点，但都是针对QR(Quick Response)码，关于Data Matrix条码的研究很少。本文基于Data Matrix条码结构特征提供一种自适应条码顶点检测方法，以快速准确地定位DataMatrix条码的四个顶点。
条码图像重构是根据畸变校正后的激光标记彩色Data Matrix条码填充标准规格的彩色Data Matrix条码，可以改善激光标记带来的颜色不均和模块大小不一的问题，最大限度得保留条码所承载的信息。颜色识别是确定彩色Data Matrix条码的加工颜色，是条码图像重构的前提，所用到的方法是K-means算法。条码纠错是将条码寻边区可能出现的颜色错误纠正过来，以提高重构彩色条码的有效性。
实施例一
本实施例公开了一种针对畸变彩色直接部件标记的图像重构方法，图1为本公开一个实施例的针对畸变彩色直接部件标记的图像重构技术流程图。
具体内容如下：
S1：如图2所示，载入采集的激光标记彩色Data Matrix条码图像，依次进行下列预处理步骤：条码的L型实边顶点位于图像的左下角区域、使用加权平均值法对图像进行灰度化、使用Sauvola算法对灰度化图像进行二值化、使用Canny算子检测二值化图像边界、使用Hough变换检测图像中的直线；
S2：检测彩色Data Matrix条码的四个顶点，步骤如下：
如图3所示，ρ是原点(图像左上角)到Hough变换检测的直线的垂直矢量，θ是从正x轴(水平向右)顺时针到该垂直矢量的角度，以度为单位，范围是[-90，90]；查找Hough变换检测的所有θ，为[-90，89，1，2]和ρ，为[855，50，626，840，-662]，Hough变换检测到的直线对应的ρ和θ如图4所示；以θ的绝对值等于45°为界限将方向分为两类：θ的绝对值小于等于45°的是条码的垂直线，θ的绝对值大于45°的是条码的水平线；那么，水平线数据集中距原点垂直距离(垂直矢量的绝对值)最大的是L型边的水平边界，垂直线数据集中距原点垂直距离最小的是L型边的垂直边界；分别确定L型边水平和垂直边界中长度最大的直线，两条直线的交点就是L型边的顶点(22.9，850.7)(左下角顶点)；
根据公式(1)-(4)在二值化图像上设定长为Lx、宽为Ly、左下角顶点为(a，b)的矩形区域；矩形从L型边顶点开始沿着θcz角度行进，终止条件为矩形区域里的每一个值都为0或矩形达到图形边界；如图5所示，行进161次后，确定L型边的第二个顶点(52.4，5.9)(左上角顶点)；
Lx＝k2L (1)
Figure GDA0003371213850000081
Figure GDA0003371213850000082
b＝y1-Lx(n-1) (4)
其中，L为已知的加工模块边长；k2为常数，表示搜索步长，最佳取值范围为(0，1]，k2越大，坐标偏差越大，搜索时间越快，k2越小，搜索越精细，坐标偏差越小，搜索时间越长，设定为0.12，；k3为常数，表示矩形长度的弹性范围，设定为1.3；n为行进次数，n≥1且为正整数；
根据公式(5)-(7)在二值化图像上设定长为Lz、宽为Lx、左下角顶点为(c，d)的矩形区域；矩形从L型边顶点开始沿着角度θsp行进，终止条件为矩形区域里的每一个值都为0或矩形达到图像边界；如图6所示，行进154次后，确定L型边的第三个顶点(830.7，836.6)(右下角顶点)；
Figure GDA0003371213850000083
c＝x1+Lx(n-1) (6)
Figure GDA0003371213850000084
根据左上角和右下角两个顶点和加工模块边长L确定第四个顶点所在大致范围，y轴(竖直向下)范围是[y2-k4L，y2+2L]，x轴(水平向右)范围是[x3-2L，x3+k5L](y2是左上顶点的Y轴坐标值，x3是右下顶点的X轴坐标值)。其中，为了不超出边界，设置了可以调整的常数k4和k5，k4设定为0.3，k5设定为0.4；在全局Ostu二值化取反图像上根据这个范围划分网格，如图7所示，间隔为L/10，由左上和右下顶点坐标和模块宽度确定寻边区反L型虚边模块的中心位置，在网格上从这个位置由外向里搜索，在搜索区域确定二值化图像与网格的交点，找出每个中心位置搜索出的第一个点；对这几个点进行直线拟合，确定两条拟合直线的交点为第四个顶点(840.2，45.7)；
利用求得的四个顶点，使用仿射变换对其进行畸变校正后将彩色条码裁剪出来，如图8所示；
S3：识别条码的加工颜色。在CIELAB颜色空间，使用K-means算法将条码图像的a*和b*两个通道聚成四类(L*、a*、b*是彩色条码图像在CIELAB颜色空间的三个通道)，如图9所示；计算每个聚类区域的L*通道值的均值作为每一个聚类中心的L*通道值；
S4：对彩色条码进行重构。根据模块数量和模块边长L建立标准规格的彩色DataMatrix条码结构；查找每个标准模块占比最大的颜色，并将此标准模块全部按此颜色填充；
S5：根据彩色条码的结构特征对重构条码的寻边区进行纠错。确定寻边区L型实边占比最大的区域，并将标准的L型实边全部按此颜色填充；寻边区反L型虚边除去L型实边占比最大的区域后，占比最大的区域为基底，并将对应的标准基底区域全部按确定的基底区域的颜色填充；将彩色条码图像转换到RGB颜色空间，彩色条码重构完毕，结果如图10所示。
本公开技术方案中，上述步骤S1：获得的彩色条码数据为后续畸变校正提供基础；步骤S2：在现有的畸变校正方法中，仿射变换在实际应用中有很好的效果，但是此方法在Data Matrix条码顶点已知的基础上才可以使用。针对如何快速准确地找到Data Matrix条码顶点问题，目前的研究很少，本公开基于条码结构特征提出一种自适应条码顶点检测方法；步骤S3：彩色条码颜色识别；步骤S4和步骤S5：彩色条码图像重构以改善颜色不均匀和模块大小不一的问题。
实验结果表明，本公开提出的自适应检测激光标记彩色Data Matrix条码顶点的算法，能够有效定位畸变的彩色条码，定位快速准确；提出的图像重构方法准确地将模块颜色变化、大小不一的彩色直接部件标记填充成标准规格的彩色条码。
经实验验证，本公开的彩色条码模块重构的正确率高达96％，有效改善了由图像采集系统引起的条码畸形以及激光标记带来的模块颜色变化、大小不一问题，大大提高了彩色直接部件标记的可识读性。
实施例二
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子一中的具体步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述实施例子一中的具体步骤。
实施例四
本实施例的目的是公开了一种针对畸变彩色直接部件标记的图像重构系统，包括：
图像预处理模块，被配置为：载入采集的激光标记彩色条码图像，对图像进行预处理；
条码顶点检测模块，被配置为：基于条码的结构特征检测图像中激光标记彩色条码的四个顶点，畸变校正后提取彩色条码；
颜色识别模块，被配置为：将彩色条码图像的两个通道按颜色聚类，计算每个聚类区域的最后一个通道值的均值作为每一个聚类中心的最后一个通道值；
条码重构模块，被配置为：建立标准规格的彩色条码结构；查找每个标准模块区域中占比最大的颜色，并将此标准模块全部按此颜色填充；
纠错模块，被配置为：根据彩色条码的结构特征对重构条码的寻边区进行纠错，纠错后完成彩色条码重构。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (9)

1.一种针对畸变彩色直接部件标记的图像重构方法，其特征是，包括：
载入采集的彩色条码图像，对彩色条码图像进行预处理；
检测图像中激光标记彩色条码的四个顶点的位置，畸变校正后提取彩色条码；
识别彩色条码的加工颜色,对彩色条码进行重构；
对重构彩色条码的寻边区进行纠错，纠错后完成彩色条码重构；
所述对彩色条码进行重构，包括：
建立标准规格的彩色条码结构；
查找每个标准模块占比最大的颜色，并将此标准模块全部按此颜色填充；
进一步的，对重构条码的寻边区进行纠错，包括：
确定寻边区L型实边占比最大的区域，并将标准的L型实边全部按此颜色填充；
寻边区反L型虚边除去L型实边占比最大的区域后，占比最大的区域为基底，并将对应的标准基底区域全部按确定的基底区域的颜色填充。
2.如权利要求1所述的一种针对畸变彩色直接部件标记的图像重构方法，其特征是，所述彩色条码图像为激光标记的彩色Data Matrix条码；
彩色条码图像的符号结构由寻边区和数据区组成，其中，寻边区包括L型的实心边界和反L型的虚线边界，数据区是不同颜色模块的排列组合，每一个相同大小的模块称为一个数据单位，在寻边区外层有宽度为一个数据单位的静区。
3.如权利要求1所述的一种针对畸变彩色直接部件标记的图像重构方法，其特征是，对图像进行预处理，包括依次进行的步骤：条码图形的L型实边顶点位于图像的左下角、对图像进行灰度化、对灰度化图像进行二值化、检测二值化图像边界、检测图像中的直线。
4.如权利要求1所述的一种针对畸变彩色直接部件标记的图像重构方法，其特征是，畸变校正后提取彩色条码图形，具体为：
检测图像中激光标记彩色条码的四个顶点；
使用仿射变换对其进行畸变校正后将彩色条码裁剪出来。
5.如权利要求4所述的一种针对畸变彩色直接部件标记的图像重构方法，其特征是，检测图像中激光标记彩色条码的四个顶点，具体为：
分别确定L型边水平和垂直边界中长度最大的直线，两条直线的交点就是L型边的顶点；
在二值化图像上设定第一矩形区域，矩形从L型边顶点开始沿着垂直边界行进，终止条件是矩形区域里的每一个值都为0或矩形达到边界；以此，确定L型边的第二个顶点；
在二值化图像上设定第二矩形区域，矩形从L型边顶点开始沿着水平边界行进，终止条件是矩形区域里的每一个值都为0或矩形达到边界；以此，确定L型边的第三个顶点；
在全局二值化取反图像上根据这个范围划分网格，由左上和右下顶点坐标和模块宽度确定寻边区反L型虚边模块的中心位置，在网格上从这个位置由外向里搜索；在搜索区域确定二值化图像与网格的交点，找出每个中心位置搜索出的第一个点；对这几个点进行直线拟合，确定两条拟合直线的交点为第四个顶点。
6.如权利要求5所述的一种针对畸变彩色直接部件标记的图像重构方法，其特征是，在检测第四个顶点之前，根据左上角和右下角两个顶点和加工模块边长L确定第四个顶点所在大致范围；
进一步的，识别彩色条码的加工颜色：
将彩色条码图像的两个通道按颜色聚类；
计算每个聚类区域的最后一个通道值的均值作为每一个聚类中心的最后一个通道值。
7.一种针对畸变彩色直接部件标记的图像重构系统，其特征是，包括：
图像预处理模块，被配置为：载入采集的激光标记彩色条码图像，对图像进行预处理；
条码顶点检测模块，被配置为：基于条码的结构特征检测图像中激光标记彩色条码的四个顶点，畸变校正后提取彩色条码；
颜色识别模块，被配置为：将彩色条码图像的两个通道按颜色聚类，计算每个聚类区域的最后一个通道值的均值作为每一个聚类中心的最后一个通道值；
条码重构模块，被配置为：建立标准规格的彩色条码结构；查找每个标准模块区域中占比最大的颜色，并将此标准模块全部按此颜色填充；
纠错模块，被配置为：根据彩色条码的结构特征对重构条码的寻边区进行纠错，纠错后完成彩色条码重构；
进一步的，对重构条码的寻边区进行纠错，包括：
确定寻边区L型实边占比最大的区域，并将标准的L型实边全部按此颜色填充；
寻边区反L型虚边除去L型实边占比最大的区域后，占比最大的区域为基底，并将对应的标准基底区域全部按确定的基底区域的颜色填充。
8.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-6任一所述方法中的具体步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-6任一所述方法中的具体步骤。
CN202011327683.3A 2020-11-24 2020-11-24 一种针对畸变彩色直接部件标记的图像重构方法及系统 Active CN112434543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011327683.3A CN112434543B (zh) 2020-11-24 2020-11-24 一种针对畸变彩色直接部件标记的图像重构方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011327683.3A CN112434543B (zh) 2020-11-24 2020-11-24 一种针对畸变彩色直接部件标记的图像重构方法及系统

Publications (2)

Publication Number Publication Date
CN112434543A CN112434543A (zh) 2021-03-02
CN112434543B true CN112434543B (zh) 2022-02-01

Family

ID=74693889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011327683.3A Active CN112434543B (zh) 2020-11-24 2020-11-24 一种针对畸变彩色直接部件标记的图像重构方法及系统

Country Status (1)

Country Link
CN (1) CN112434543B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449536B (zh) * 2021-07-16 2023-02-14 深圳思谋信息科技有限公司 条码图像修复方法、装置、计算机设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507235A (zh) * 2017-08-31 2017-12-22 山东大学 一种基于rgb‑d设备采集的彩色图像和深度图像的配准方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960957B (zh) * 2017-12-26 2022-12-16 阿里巴巴集团控股有限公司 残缺二维码及其生成、修复和识别方法、装置及系统
CN108960382B (zh) * 2018-05-07 2021-10-01 广东数相智能科技有限公司 一种彩色条码及其颜色校准方法
CN110827210B (zh) * 2019-10-10 2022-04-12 山东大学 一种基于颜色曲线分解的水下图像清晰化方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507235A (zh) * 2017-08-31 2017-12-22 山东大学 一种基于rgb‑d设备采集的彩色图像和深度图像的配准方法

Also Published As

Publication number Publication date
CN112434543A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN107633192B (zh) 一种基于机器视觉的复杂背景下条形码分割与识读方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN105260693A (zh) 一种激光二维码定位方法
CN107301368B (zh) 一种DataMatrix二维码的识别方法
US8590794B2 (en) Barcode recognion method and computer product thereof
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
US12002198B2 (en) Character defect detection method and device
CN104751187A (zh) 抄表图像自动识别方法
CN113177959B (zh) 一种快速运动过程中qr码实时提取方法
CN109344820A (zh) 基于计算机视觉和深度学习的数字式电表读数识别方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN112434543B (zh) 一种针对畸变彩色直接部件标记的图像重构方法及系统
CN110287865A (zh) 基于视觉伺服的医学载玻片码放校正方法、控制器及系统
CN112508836A (zh) 一种基于标注框拼接的深度学习图像增强方法
WO2022021687A1 (zh) 快速响应码区域定位方法、电子设备及存储介质
CN113420580A (zh) 用于对二维码进行辅助定位符定位的方法及装置、二维码扫描设备、存储介质
CN111144160B (zh) 全自动化裁切材料方法、装置及计算机可读存储介质
CN110046618B (zh) 基于机器学习和最大极值稳定区域的车牌识别方法
CN112084804A (zh) 针对信息缺失条形码智能获取补足像素的工作方法
CN113850100B (zh) 一种校正二维码的方法和电子设备
CN115239595A (zh) 一种包装印刷品二维码合格性检测方法
CN109934036B (zh) 一种通过单一位置探测图形识读qr码的方法和系统
CN109871910B (zh) 一种手写字符识别方法及装置
CN113743360A (zh) 智能化印章解析的方法和装置
CN112991284A (zh) 一种温控器导向架缺陷检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant