CN112434544A - 一种条烟编码检测识别方法及装置 - Google Patents
一种条烟编码检测识别方法及装置 Download PDFInfo
- Publication number
- CN112434544A CN112434544A CN202011431557.2A CN202011431557A CN112434544A CN 112434544 A CN112434544 A CN 112434544A CN 202011431557 A CN202011431557 A CN 202011431557A CN 112434544 A CN112434544 A CN 112434544A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- cigarette
- light source
- code
- 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.)
- Pending
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
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- 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
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及条烟编码识别读录技术领域,更具体地,涉及一种条烟编码检测识别方法及装置。具体包括处理器模块以及与处理器模块连接的输送模块、光源模块、采图模块、字符识别模块、二维码识别模块,条烟随输送模块运动进入检测识别区域,光源模块在处理器模块的控制下显示不同颜色,同时工业采图模块高速拍摄,拍摄不同光源颜色下的条烟激光码。其中,RGB三色光源组合成多种颜色的光,解决不同颜色背景下的激光码字符成像对比度问题,在识别过程中变换光源颜色,工业相机多次拍照,进行比对,从而达到最佳识别效果,根据显示程度最清楚的激光码进行OCR录入,简单快捷,准确率高。
Description
技术领域
本发明涉及条烟编码识别读录技术领域,更具体地,涉及一种条烟编码检测识别方法及装置。
背景技术
根据国家烟草专卖局有关规定,各级烟草公司销售的卷烟在出库时必须打码到条。目前,条烟打码的方式是采用激光打标机在每条卷烟上标记32位数字码,用于防伪、防窜货及信息查询。随着现代物流的不断发展,烟草物流各个环节工作也都在朝自动化、智能化的方向不断突破和创新,而大部分条烟32位物流码抄录工作仍停留在采用人工手抄的阶段。条烟表面材质多样化,花色复杂,人工抄录难度很大,需在各种颜色中抄录32位识别码,长久抄录,工作强度大,易对眼睛损伤,而且手动抄录的方法效率低,出错率高,操作工序复杂。
公开号为CN106650537A的中国专利公开了一种条烟32位激光码识别读录仪,将人工抄录转换为仪器识别读录,提高条烟32位激光码的抄录效率。但是,该读录仪依然需要依靠人工逐条分拣放置在台面上进行读录,自动化程度十分有限,而且,该方案的部件结构复杂,操作繁琐,还有较大的改善空间。
发明内容
本发明为克服上述现有技术所述的缺陷,提供一种条烟编码检测识别方法,能清楚识别条烟面上的激光码、二维码和条形码,并进行录入。同时,结合传动带进行产线化检测,有效提高自动化生产。
本发明还提供了一种条烟编码检测识别装置,用于实现该检测识别方法。
为解决上述技术问题,本发明采用的技术方案是:
一种条烟编码检测识别方法,包括处理器模块以及与处理器模块连接的输送模块、光源模块、采图模块、字符识别模块、二维码识别模块,所述光源模块与采图模块相连接,所述采图模块连接字符识别模块、二维码识别模块;所述光源模块、采图模块位于检测区域;其中处理器模块集中处理,并可与其他移动终端进行数据传输。
该方法包括以下步骤:
S1所述输送模块将条烟输送到检测区域,条烟带编码的一面朝向识别方向;
S2所述光源模块变换不同照射颜色,同时所述采图模块对运动中的条烟进行动态拍摄;
S3所述采图模块将拍摄到的条烟图像传送至字符识别模块,所述字符识别模块采用卷积神经网络Faster-RCNN进行特征提取,生成卷积特征图,完成候选区域生成网络的设计并由其完成目标区域的选取,对目标区域进行二分类,将字符前景类与背景类分开;并将得到的编码信息通过OCR系统录入至处理器模块;
S4所述采图模块将拍摄到的条烟图像传送至二维码识别模块,二维码识别模块依次对图像进行图像预处理、定位位置探测图形、定位校正图形、透视变换、译码和纠错,最后得到二维码包含的信息并将信息录入至处理器模块。
优选地,所述卷积神经网络Faster-RCNN主要由以下四步构成:
一提议区域:对输入图像使用选择性搜索来选取多个高质量的提议区域,各提议区域在不同尺度下选取的,并具有不同的形状和大小,每个提议区域将被标注类别和真实边界框;
二提取特征:选取一个预训练的CNN,并将其在输出层之前截断,将每个提议区域变形为网络需要的输入尺寸,并通过前向计算给提议区域抽取特征;
三目标分类:将每个提议区域的特征连同其标注的类别作为一个样本,训练多个支持向量机对目标分类,其中每个支持向量机用来判断样本是否属于某一个类别;
四回归边框:将每个提议区域的特征连同其标注的边界框作为一个样本,训练线性回归模型来预测真实边界框。
优选地,所述图像预处理包括灰度化处理、去噪处理、畸变矫正处理以及二值化处理,
所述灰度化处理将图像转化成灰度图;所述去噪处理采用高斯滤波、中值滤波或均值滤波来改善图像质量;所述畸变矫正处理将图像通过畸变模型矫正,矫正成无畸变的图像;所述二值化处理采用固定阈值法、Otsu法、直方图双峰阈值化方法或局部阈值化方法。
优选地,所述透视变换根据图形3个定位中心点、校正符中心点和理想4个点的坐标,获取单应性矩阵,再通过透视变换获取标准正方形图像。
优选地,所述译码和纠错为对二维码版本信息、格式信息、数据和纠错码进行解码和对比,将数据区转为0和1的比特流,并用Reed-Solomon纠错算法对比特流校验和纠错,判断QR码编码格式后译码得到二维码包含的信息。
优选地,还包括与处理器模块连接的条形码识别模块,所述采图模块连接条形码识别模块,所述条形码识别模块与二维码识别模块的处理工序相近。
优选地,还包括显示模块,显示模块与处理器模块连接,用于显示检测进程和数据结构。显示模块为液晶显示器。
一种条烟编码检测识别装置,用于实现上述检测识别方法,所述输送模块为传送带,所述光源模块为RGB三色条形光源,所述采图模块包括工业相机和读码器。
其中,所述工业相机、RGB三色条形光源均设置于传送带正上方,RGB三色条形光源位于工业相机两侧,且以工业相机为中心对称布置;所述RGB三色条形光源所在直线与传送方向垂直,RGB三色条形光源的照射面与传送带的传送面之间夹角为锐角。RGB三色光源组合成多种颜色的光,解决不同颜色背景下的激光码字符成像对比度问题,在识别过程中变换光源颜色,工业相机多次拍照,进行比对,从而达到最佳识别效果。工业相机为CCD芯片相机,具有高的图像稳定性、高传输能力和高抗干扰能力等。
进一步地,读码器设置于传送带的水平一侧,扫码方向与传送方向垂直。鉴于目前的条烟包装样式,条烟的条形码通常位于侧面,因此读码器针对条形码的位置进行扫码。
进一步地,所述传送带的宽度适配条烟的宽度。为了更好地限制识别区域,优选地,将传送带的宽度与条烟的宽度适配,使条烟的排列形状有序规范成为一条直线。
与现有技术相比,本发明的有益效果是:本发明公开了一种条烟编码检测识别方法及装置,综合了条烟32位激光码、二维码、条形码的识别技术,多码同时识别,其中工业相机配合RGB三色光源使用,识别效率、准确率高,而且,采用传送带规范传送,有效提高案件处理效率,减少工作的出错率,使工作更加智能化。
附图说明
图1是本发明方法流程图。
图2是Faster RCNN网络结构示意图。
图3是基于MNIST数据集识别网络拓扑图。
图4是32位码识别流程网络结构示意图。
图5是二维码结构示意图。
图6是二维码特征区域划分图。
图7是二维码透视变换前后对比图。
图8是本发明装置传送状态图。
图9是本发明装置传送状态图(不同角度)。
图10是本发明装置整体主视图。
其中,1传送带,2工业相机,3光源,4感应探头,5固定架,51横杆,52竖杆,53滑块,6读码器,7条烟。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
实施例
如图1所示,本实施一种条烟编码检测识别方法,包括处理器模块以及与处理器模块连接的输送模块、光源模块、采图模块、字符识别模块、二维码识别模块、条形码识别模块,光源模块与采图模块相连接,采图模块连接字符识别模块、二维码识别模块、条形码识别模块,处理器模块集中处理,在实际生产中可与其他移动终端进行数据传输。
该方法包括以下步骤:
S1输送模块将条烟输送到检测区域,其中光源模块、采图模块位于检测区域,条烟带编码的一面朝向识别方向。
S2光源模块变换不同照射颜色,同时采图模块对运动中的条烟进行动态拍摄。
S3采图模块将拍摄到的条烟图像传送至字符识别模块,所述字符识别模块采用卷积神经网络Faster-RCNN进行特征提取,生成卷积特征图,完成候选区域生成网络的设计并由其完成目标区域的选取,对目标区域进行二分类,将字符前景类与背景类分开;并将得到的编码信息通过OCR系统录入至处理器模块。
S4采图模块将拍摄到的条烟图像传送至二维码识别模块、条形码识别模块,二维码识别模块、条形码识别模块依次对图像进行图像预处理、定位位置探测图形、定位校正图形、透视变换、译码和纠错,最后得到二维码包含的信息,通过OCR系统软件将二维码信息和条形码信息录入至处理器模块。
光源模块为RGB三色条形光源,主要用于配合采图模块,增强识别稳定性。目前生产的条烟表面编码一般为32位激光码,保证条烟复杂背景下32位激光码的成像的稳定性,需对不同背景下32位激光码运用不同的打光效果。条烟包装表面有不同的颜色图案,激光码的位置在条烟表面是随机的,应用同一种光照不能满足所有的背景成像要求,需要对不同背景下的激光码字符用不同颜色的光照射,使其成像效果最佳。光源模块采用RGB三色光源可以根据每个发光颜色通道的值来改变其发光的颜色,每个通道的值是0-255,可以随机组合成任意颜色的光,解决不同颜色背景下的字符成像对比度问题,技术实现中需要根据条烟表面颜色进行不同背景下字符成像效果的测试与分析,激光码有深浅特征,其字符在图像中的表现并不是完全一样,故需要根据不同的光强及颜色变化,多次拍照,再对图像进行差分放大得出对比度最佳效果图像。
采图模块包括工业相机和读码器。在实际检测中,各品规条烟32位激光码图案非常复杂,且背景图案中又存在着很多与条烟码相近的文字或者字母区域,干扰因素很大。而且条烟码自身存在旋转、扭曲、缺位、中断、拥挤等的各种复杂变化,所以采图模块的控制算法采取自顶向下的体系结构,首先排除掉背景干扰,粗略检测双排字符的大致区域,再精确定位单排的位置,提取单排字符。调整控制光源与工业相机成像镜头的升降,并可调整光源强弱得到最佳适配32位激光码图像,识别算法子系统获取图像,即自动识别32位激光码并显示结果。
工业相机为多频谱相机,多频谱相机曝光是需要相机根据三色条形光源变换多次采集图片,需要工业相机根据光源颜色切换的频率进行曝光,由于是动态拍摄,其曝光时间需要尽可能短,在曝光的短时间内三色条形光亮度切换速度是需要非常快,在曝光的0.5秒内三色条形光源颜色亮度变换10次以上,这需要对光源的调制解调器进行针对性的优化设计和改良,来满足成像要求。一般首先扫描条烟条形码,系统获取到条烟品规,调整控制光源与成像镜头的升降,并可调整光源强弱得到最佳适配32位激光码图像,识别算法子系统获取图像,即自动识别32位激光码并显示结果。如果在短时间光源控制器无法使光源的亮度达到正常值,拍出来的图像就会忽明忽暗,无法达到正常图像要求。
运用双条形三色光源,针对输送线相机动态拍摄要求,条形光源安装方便,能最好的覆盖输送模块检测区域,保证条烟运行拍摄无死角。将条形光源安装与条烟形成一定角度,能更好的增加32位激光码与背景的对比度,提高成像效果。多频谱图像融合是将采集到的多幅多频谱图像融合为一幅图像,与单幅图像相比,融合后的图像能够综合反映多幅原始图像的信息,从而获得对清晰、正确的描述,图像融合是识别的基础。在图像融合处理之前,需要对原始多频谱图像进行图像预处理操作,图像预处理操作能够提高图像质量,过滤无效信息,降低后续图像融合处理难度。
采图模块采集原图,对图像中的条烟图像进行分割提取,得到只有条烟的图像,如图3-4所示。在进行了条烟图像的分割提取后,下一步就是定位条烟图片上的32位激光码码。识别的前提是将32位激光码分别进行分割,分割之前是进行检测和定位即确定每个字符的位置、角度、方向才能对一个字符进行完整的分割,这是由于因为激光打码,0-9每个字符的大小、格式、间距基本上不变,即字符的角度及形状不会变化,所以确定一个字符的角度后就可以根据单个字符的角度定位出每个字符的角度。利用深度学习技术,字符识别模块的字符定位选取表征能力强的卷积神经网络Faster-RCNN进行特征提取,生成卷积特征图,完成候选区域生成网络的设计并由其完成目标区域的选取,对目标区域进行二分类,将字符前景类与背景类分开,然后将得到的编码信息通过OCR系统录入至处理器模块。
具体地,卷积神经网络Faster-RCNN主要由以下四步构成:
一、提议区域:对输入图像使用选择性搜索(selective search)来选取多个高质量的提议区域,各提议区域在不同尺度下选取的,并具有不同的形状和大小,每个提议区域将被标注类别和真实边界框;
二、提取特征:选取一个预训练的CNN,并将其在输出层之前截断,将每个提议区域变形为网络需要的输入尺寸,并通过前向计算给提议区域抽取特征;
三、目标分类:将每个提议区域的特征连同其标注的类别作为一个样本,训练多个支持向量机对目标分类,其中每个支持向量机用来判断样本是否属于某一个类别;
四、回归边框:将每个提议区域的特征连同其标注的边界框作为一个样本,训练线性回归模型来预测真实边界框。
如图2所示,Faster-CNN通过预训练的卷积神经网络能有效抽取了图像特征,FastR-CNN在训练时卷积部分最为耗时,而测试时则是全连接层部分耗时。而因为我们说模型快不快通常说的都是测试(前向)速度。因此,Fast R-CNN采用了截断SVD压缩全连接层。
数学定义上,W≈U∑tVT,其中Σ是一个对角矩阵,也就是说只有对角线有值,U是W的前t个左奇异向量,Σt是W奇异值组成的对角矩阵,,V是W的前t个右奇异向量,truncatedSVD将参数的个数由uv降到t(u+v)。对应W的全连接层被分解成两个,第一个使用权值矩阵ΣtVT,当t比原矩阵尺寸小很多则压缩效果越明显。
识别部分,需要基于MNIST数据集的LeNet-5网络进行优化,完成定位网络中前景类的识别工作,如图3所示。最后基于SVHN数据集作为基础数据集,根据定位与识别网络的具体要求构建相应的数据集,完成两部分网络的训练,将训练好的模型在SVHN数据集上进行验证,从而获得更好的识别结果及准确,如图4所示。
目前生产的条烟表面通常还会印有二维码,为了同时对二维码进行识别,采用二维码识别模块,二维码识别模块同样需要通过采图模块采集的图像。
通常,二维码符合由编码区域和包括寻像图形、分隔符、定位图形和校正图形在内的功能图形组成,二维码结构图如图5所示:
二维码识别常见的方法过程主要有图像预处理、定位位置探测图形、定位校正图形、透视变换、译码和纠错。
具体地,图像预处理包括灰度化处理、去噪处理、畸变矫正处理以及二值化处理等。
灰度化处理将图像转化成灰度图,工业相机的摄像头输出的数据格式很多,黑白摄像头直接输出灰度图,而彩色摄像头输出格式有YUV422、YUV410、RGB565、RGB888等,而二维码识别只需要单通道的灰度图,因此需要转化,以RGB888为例,转换公式如下:
Gray=0.2989R+0.5870G+0.1140B
其中Gray为图像灰色。R为色彩三原色红色,G为色彩三原色的绿色,B为色彩三原色蓝色,各颜色前的数值为调成灰色后各颜色混合的比重。
去噪处理采用高斯滤波、中值滤波或均值滤波来改善图像质量。噪声的影响会使图6中表示的1:1:3:1:1的特征定位不准,以及数据阶段译码错误,常见的噪声主要是高斯噪声和椒盐噪声。
畸变矫正处理将图像通过畸变模型矫正,矫正成无畸变的图像。工业相机的广角摄像头或鱼眼摄像头带有较大的畸变,越靠近视角边缘图像形变越大,对于畸变较大的图像而言,不仅1:1:3:1:1的特征的比例关系失调,数据区的数据没有标准的模块大小,会造成无法准确译码。对于这种情况,需通过畸变模型矫正,矫正成无畸变的图像。
二值化处理可以采用固定阈值法、Otsu法、直方图双峰阈值化方法或局部阈值化方法。正常情况下背景和二维码目标区分明显,光照均匀,只需要简单使用全局二值化方法即可,常见的方法有固定阈值法、Otsu法,直方图双峰阈值化方法等。但对于光照不均匀的情况,则不适用,会造成全局亮度失衡而无法正常识码,因此需要自适应局部阈值化方法处理,可以采用分块求阈值再均衡化的方法实现。利用特定的几何图形按一定规律在平面(二维方向上)分布的黑白相间的矩形方阵记录数据符号信息的新一代条码技术,由一个二维码矩阵图形和一个二维码号,以及下方的说明文字组成,具有信息量大、纠错能力强、识读速度快、全方位识读等特点。
具体地,定位位置探测图形通过位置探测图形1:1:3:1:1的特征查找,允许容差0.5,水平和垂直方向扫描该特征,多次穿透即为候选位置探测图像,通过一些筛选策略,例如定位矫正、透视变换、译码纠错、QR码图像处理、等策略,剔除假位置探测图形确定真图形,再根据3个该图形之间的距离和旋转角度,确定它们的方位,分别为左上角,右上角和左下角,。
具体地,定位校正图形根据3个位置探测图像估计右下角校正符,类似定位位置探测图形定位该图形。
具体地,透视变换根据图形3个定位中心点、校正符中心点和理想4个点的坐标,获取单应性矩阵,再通过透视变换获取标准正方形图像,如图7所示,透视变换公式如下:
x=a11u+a12v+a13
y=a21u+a22v+a23
z=a31u+a32v+a33
其中X.Y,Z代表三个中心点,a开头的字母表示为点位坐标信息,K为系统常数
具体地,译码和纠错为对二维码版本信息、格式信息、数据和纠错码进行解码和对比,将数据区转为0和1的比特流,并用Reed-Solomon纠错算法对比特流校验和纠错,判断QR码编码格式后译码得到二维码包含的信息,将信息录入至处理器模块。
条形码识别模块与二维码识别模块的处理工序相近,不同之处在于条形码识别模块针对条形码进行识别,为了方便使用,条形码识别模块与二维码识别模块可以采用同样的基础设备。
而且,本实施例还包括显示模块,显示模块与处理器模块连接,用于显示检测进程和数据结构。
同时,为了实施该识别方法,本实施例还提供了一种条烟编码检测识别装置,其中输送模块为传送带,如图8-10所示,具体结构如下:
本装置包括传送带1、工业相机2、光源3、读码器6、感应探头4和处理器,工业相机2、光源3、读码器6、感应探头4均与处理器电连接,受处理器集中控制。
其中,工业相机2、光源3均设置于传送带1正上方,光源3位于工业相机2两侧,且以工业相机2为中心对称布置。
如图10所示,为了实施这一设置,本实施例还包括固定架5,固定架5竖直连接在传送带1侧面,具体地,固定架5为十字型结构,包括横杆51和竖杆52,横杆51与竖杆52之间通过滑块53滑动连接,按需调整横杆51高度。其中滑块53与横杆51固定连接,同时滑块53与竖杆52滑动配合连接并可进行固定,通常采用螺栓或丝杠固定滑块53位置,该结构为领域内较为常用的结构,因此不具体描述。
具体地,工业相机2、感应探头4设于竖杆52,光源3设于横杆51两端部,其中工业相机2、感应探头4的设置高度高于光源3的设置高度。
感应探头4相邻于工业相机2设置,靠近传送带1起始一端,先于工业相机2感应到条烟7位置。本实施例感应探头4采用红外感应传感器,工业相机2为CCD芯片相机。
本实施例中,光源3为RGB三色光条形光源,光源3自身轴线与传送方向垂直,而且,光源3与横杆51转动连接,光源3绕自身轴线转动,改变照射面角度。一般地,光源3的照射面与传送带1的传送面之间夹角为锐角,照射面覆盖较大,而且两侧光源3朝向工业相机2正下方照射,当条烟7运动至工业相机2下进行拍摄时,确保亮度充足。
另外,传送带1由电机进行驱动,传送带1的宽度适配条烟7的宽度,在传送时,条烟7的排列形状有序规范成为一条直线,如图8-9所示。
鉴于目前的条烟7包装样式,条烟7的条形码通常位于侧面,读码器6用于读取条烟7侧面编码,因此,读码器6设置于传送带1的水平一侧,扫码方向与传送方向垂直,当条烟7侧面的条形码进入至读码器6的扫码视野时,读码器6及时扫码并反馈至处理器。
条烟7在自动输送时,带有激光码、二维码的一面朝上,以便相机拍摄。条烟7随传送带1运动进入检测识别区域,光源3在处理器的控制下显示不同颜色,同时工业相机2高速拍摄,拍摄不同光源3颜色下的条烟7激光码。其中,RGB三色光源3组合成多种颜色的光,解决不同颜色背景下的激光码字符成像对比度问题,在识别过程中变换光源3颜色,工业相机2多次拍照,进行比对,从而达到最佳识别效果,根据显示程度最清楚的激光码进行录入,简单快捷,准确率高。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种条烟编码检测识别方法,其特征在于:包括处理器模块以及与处理器模块连接的输送模块、光源模块、采图模块、字符识别模块、二维码识别模块,所述光源模块与采图模块相连接,所述采图模块连接字符识别模块、二维码识别模块;所述光源模块、采图模块位于检测区域;
包括以下步骤:
S1所述输送模块将条烟输送到检测区域,条烟带编码的一面朝向识别方向;
S2所述光源模块变换不同照射颜色,同时所述采图模块对运动中的条烟进行动态拍摄;
S3所述采图模块将拍摄到的条烟图像传送至字符识别模块,所述字符识别模块采用卷积神经网络Faster-RCNN进行特征提取,生成卷积特征图,完成候选区域生成网络的设计并由其完成目标区域的选取,对目标区域进行二分类,将字符前景类与背景类分开;并将得到的编码信息通过OCR系统录入至处理器模块;
S4所述采图模块将拍摄到的条烟图像传送至二维码识别模块,二维码识别模块依次对图像进行图像预处理、定位位置探测图形、定位校正图形、透视变换、译码和纠错,最后得到二维码包含的信息并将信息录入至处理器模块。
2.根据权利要求1所述条烟编码检测识别方法,其特征在于:所述卷积神经网络Faster-RCNN主要由以下四步构成:
一提议区域:对输入图像使用选择性搜索来选取多个高质量的提议区域,各提议区域在不同尺度下选取的,并具有不同的形状和大小,每个提议区域将被标注类别和真实边界框;
二提取特征:选取一个预训练的CNN,并将其在输出层之前截断,将每个提议区域变形为网络需要的输入尺寸,并通过前向计算给提议区域抽取特征;
三目标分类:将每个提议区域的特征连同其标注的类别作为一个样本,训练多个支持向量机对目标分类,其中每个支持向量机用来判断样本是否属于某一个类别;
四回归边框:将每个提议区域的特征连同其标注的边界框作为一个样本,训练线性回归模型来预测真实边界框。
3.根据权利要求2所述条烟编码检测识别方法,其特征在于:所述图像预处理包括灰度化处理、去噪处理、畸变矫正处理以及二值化处理,
所述灰度化处理将图像转化成灰度图;所述去噪处理采用高斯滤波、中值滤波或均值滤波来改善图像质量;所述畸变矫正处理将图像通过畸变模型矫正,矫正成无畸变的图像;所述二值化处理采用固定阈值法、Otsu法、直方图双峰阈值化方法或局部阈值化方法。
4.根据权利要求3所述条烟编码检测识别方法,其特征在于:所述透视变换根据图形3个定位中心点、校正符中心点和理想4个点的坐标,获取单应性矩阵,再通过透视变换获取标准正方形图像。
5.根据权利要求4所述条烟编码检测识别方法,其特征在于:所述译码和纠错为对二维码版本信息、格式信息、数据和纠错码进行解码和对比,将数据区转为0和1的比特流,并用Reed-Solomon纠错算法对比特流校验和纠错,判断QR码编码格式后译码得到二维码包含的信息。
6.根据权利要求5所述条烟编码检测识别方法,其特征在于:还包括与处理器模块连接的条形码识别模块,所述采图模块连接条形码识别模块,所述条形码识别模块与二维码识别模块的处理工序相近。
7.根据权利要求6所述条烟编码检测识别方法,其特征在于:还包括显示模块,显示模块与处理器模块连接,用于显示检测进程和数据结构。
8.一种条烟编码检测识别装置,用于实现权利要求7所述检测识别方法,其特征在于:所述输送模块为传送带,所述光源模块为RGB三色条形光源,所述采图模块包括工业相机和读码器;
所述工业相机、RGB三色条形光源均设置于传送带正上方,RGB三色条形光源位于工业相机两侧,且以工业相机为中心对称布置;
所述RGB三色条形光源所在直线与传送方向垂直,RGB三色条形光源的照射面与传送带的传送面之间夹角为锐角。
9.根据权利要求8所述条烟编码检测识别装置,其特征在于:读码器设置于传送带的水平一侧,扫码方向与传送方向垂直。
10.根据权利要求9所述条烟编码检测识别装置,其特征在于:所述传送带的宽度适配条烟的宽度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431557.2A CN112434544A (zh) | 2020-12-09 | 2020-12-09 | 一种条烟编码检测识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431557.2A CN112434544A (zh) | 2020-12-09 | 2020-12-09 | 一种条烟编码检测识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434544A true CN112434544A (zh) | 2021-03-02 |
Family
ID=74692104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431557.2A Pending CN112434544A (zh) | 2020-12-09 | 2020-12-09 | 一种条烟编码检测识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434544A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177425A (zh) * | 2021-04-27 | 2021-07-27 | 苏州华兴源创科技股份有限公司 | 产品编码的解码装置及方法 |
CN113486687A (zh) * | 2021-07-14 | 2021-10-08 | 福建迦百农信息技术有限公司 | 一种卷烟包装盒喷码信息识别方法及其存储介质 |
CN113537191A (zh) * | 2021-06-30 | 2021-10-22 | 福建迦百农信息技术有限公司 | 一种烟盒喷码提取及识别方法 |
CN113673405A (zh) * | 2021-08-14 | 2021-11-19 | 深圳市快易典教育科技有限公司 | 基于题目识别的习题批改方法、系统及智能家教学习机 |
CN114359260A (zh) * | 2022-01-18 | 2022-04-15 | 成都理工大学 | 一种烟条表面的缺陷检测方法及装置 |
WO2023117688A1 (de) | 2021-12-22 | 2023-06-29 | Bayer Aktiengesellschaft | Auslesen von optisch lesbaren codes |
CN116866721A (zh) * | 2023-09-04 | 2023-10-10 | 深圳前海量子云码科技有限公司 | 一种微观编码码图的图像采集装置 |
-
2020
- 2020-12-09 CN CN202011431557.2A patent/CN112434544A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177425A (zh) * | 2021-04-27 | 2021-07-27 | 苏州华兴源创科技股份有限公司 | 产品编码的解码装置及方法 |
CN113537191A (zh) * | 2021-06-30 | 2021-10-22 | 福建迦百农信息技术有限公司 | 一种烟盒喷码提取及识别方法 |
CN113537191B (zh) * | 2021-06-30 | 2023-12-29 | 福建迦百农信息技术有限公司 | 一种烟盒喷码提取及识别方法 |
CN113486687A (zh) * | 2021-07-14 | 2021-10-08 | 福建迦百农信息技术有限公司 | 一种卷烟包装盒喷码信息识别方法及其存储介质 |
CN113486687B (zh) * | 2021-07-14 | 2024-02-20 | 福建迦百农信息技术有限公司 | 一种卷烟包装盒喷码信息识别方法及其存储介质 |
CN113673405A (zh) * | 2021-08-14 | 2021-11-19 | 深圳市快易典教育科技有限公司 | 基于题目识别的习题批改方法、系统及智能家教学习机 |
CN113673405B (zh) * | 2021-08-14 | 2024-03-29 | 深圳市快易典教育科技有限公司 | 基于题目识别的习题批改方法、系统及智能家教学习机 |
WO2023117688A1 (de) | 2021-12-22 | 2023-06-29 | Bayer Aktiengesellschaft | Auslesen von optisch lesbaren codes |
CN114359260A (zh) * | 2022-01-18 | 2022-04-15 | 成都理工大学 | 一种烟条表面的缺陷检测方法及装置 |
CN114359260B (zh) * | 2022-01-18 | 2023-11-03 | 成都理工大学 | 一种烟条表面的缺陷检测方法及装置 |
CN116866721A (zh) * | 2023-09-04 | 2023-10-10 | 深圳前海量子云码科技有限公司 | 一种微观编码码图的图像采集装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434544A (zh) | 一种条烟编码检测识别方法及装置 | |
CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
CN100393106C (zh) | 检测和/或追踪图像或图像序列中颜色区域的方法和装置 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN107491730A (zh) | 一种基于图像处理的化验单识别方法 | |
US20080112613A1 (en) | Detecting And Correcting Redeye In An Image | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CA2379952A1 (en) | Apparatus and method for verifying a scanned image | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
US9286501B2 (en) | Method and device for identifying a two-dimensional barcode | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN108197521A (zh) | 一种多相位二维码获取识别装置及方法 | |
CN111626941A (zh) | 一种基于深度学习语义分割的文档矫正方法 | |
US9652652B2 (en) | Method and device for identifying a two-dimensional barcode | |
CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
CN110619336B (zh) | 基于图像处理的货品识别算法 | |
CN108171098A (zh) | 一种条码检测方法及设备 | |
CN115880566A (zh) | 一种基于视觉分析的智能阅卷系统 | |
CN113361657A (zh) | 用于识别烟箱箱号的装置、方法、烟丝装箱设备和工控机 | |
CN117214178A (zh) | 一种用于包装生产线上包装件外观缺陷智能识别方法 | |
CN112101058A (zh) | 一种试卷条码自动识别方法及装置 | |
CN110766001A (zh) | 基于cnn和rnn的银行卡卡号定位与端到端识别方法 |
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 |