CN115082923B - 一种基于机器视觉的牛奶包装盒生产日期识别方法 - Google Patents

一种基于机器视觉的牛奶包装盒生产日期识别方法 Download PDF

Info

Publication number
CN115082923B
CN115082923B CN202211015752.6A CN202211015752A CN115082923B CN 115082923 B CN115082923 B CN 115082923B CN 202211015752 A CN202211015752 A CN 202211015752A CN 115082923 B CN115082923 B CN 115082923B
Authority
CN
China
Prior art keywords
image
pixel point
gradient
production date
template
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
CN202211015752.6A
Other languages
English (en)
Other versions
CN115082923A (zh
Inventor
王强
丁超
田亚铃
彭悦蓉
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.)
Chengdu Technological University CDTU
Original Assignee
Chengdu Technological University CDTU
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 Chengdu Technological University CDTU filed Critical Chengdu Technological University CDTU
Priority to CN202211015752.6A priority Critical patent/CN115082923B/zh
Publication of CN115082923A publication Critical patent/CN115082923A/zh
Application granted granted Critical
Publication of CN115082923B publication Critical patent/CN115082923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/18086—Extraction of features or characteristics of the image by performing operations within image blocks or by using histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种基于机器视觉的牛奶包装盒生产日期识别方法，包括以下步骤：S1、采集牛奶包装盒生产日期图像，并对牛奶包装盒生产日期图像提取模板图像；S2、根据模板图像，采用多张牛奶包装盒生产日期图像的所有字符的分割区域，构建训练数据集；S3、对训练数据集中每个分割区域调整大小，并计算调整大小后的分割区域的梯度方向直方图特征；S4、采用梯度方向直方图特征对SVM分类器进行训练，得到训练完成的SVM分类器；S5、采用训练完成的SVM分类器对待识别的牛奶包装盒生产日期图像的梯度方向直方图特征进行处理，得到牛奶包装盒生产日期；本发明解决了现有字符识别方法准确率低的问题。

Description

一种基于机器视觉的牛奶包装盒生产日期识别方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于机器视觉的牛奶包装盒生产日期识别方法。
背景技术
我国《食品安全国家标准，预包装食品标签通则》和《食品标识管理规定》等对食品包装生产日期有明确的规定，要求日期打印要完整清晰、无打印不全、漏打、污染等情况出现。牛奶作为人们日常生活中的常用食品，其需求量巨大而且还在不断增长。我国的牛奶生产水平在不断提高。但是，在牛奶的外包装检测方面，还比较落后，尤其是牛奶生产日期检测方面，主要还依靠人工进行检测。远远落后于发达国家的自动化检测手段。
目前我国牛奶包装盒上的生产日期主要采用点阵字符喷印而成，其原因是因为早期的字符喷印主要是点阵喷码机，而重新更换激光喷码机需要巨大的成本，对于我国大多数牛奶生产企业而言，是沉重的负担。
通常，在牛奶包装产线中，每秒的运动速度在6到10个产品之间，其运动速度较快。由于被检测产品处于运动中，导致采集的图像质量容易受到外界因素的影响而变得不可预知，从而增加了图像处理的难度。
相对于连续笔画的字符检测而言，点阵字符由于笔画不连续，要实现自动化检测这种字符是否存在缺陷比较困难。目前，虽然国内已有一些基于视觉的点阵字符识别与缺陷检测设备，但这些设备基本无法完全满足企业检测的需求。其检测精度按照99％计算。一家牛奶生产企业一条生产线一天的牛奶包装量是十万盒左右，以小规模生产企业十条生产线来计算，每天误判的包装量就在一万盒，需要人工对其进行复检，而大量的企业远不止十条生产线。因此，现有的检测方法仍然需要大量的人工进行复检，难以满足企业生产的要求。通过调研，企业对检测误判率的要求一般是万分之三，而现有的检测方法还远不能达到。
在已知的点阵字符识别研究中，主要采用神经网络的方式进行识别。基于CNNs识别反馈的点阵字符检测方法首先采用多尺度窗口获取多个候选区域并建立CNNs对其进行识别，利用投票机制对多个识别结果进行综合决策，然后根据决策结果反向定位点阵字符并完成字符分割，最后采用一种滑动翻转窗口对所有字符进行分割与识别。该方法点阵字符识别率97.50％。影响该识别结果主要有两个方面，首先是字符分割是否准确，其次是识别结果主要依据神经网络，其原理还是一种概率预测，因此无法达到工业检测要求。
现有基于PNN的点阵喷码字符识别方法首先采用FAST角点检测算法定位喷码字符；然后对字符进行倾斜校正，采用的是Hough变换法计算倾斜角度，根据计算的角度将喷码点阵字符旋转到水平位置；再采用水平投影法和垂直投影法将字符分割为单个字符；最后提取点阵喷码字符的HOG特征和网格特征,利用概率神经网络进行识别，识别精度为97.1％。该方法最后也是采用神经网络的方式进行识别。影响识别准确率的因素包括字符定位和准确定和字符分割的准确性。因此，虽然最终的识别结果都在97％左右，但是离工业检测要求的万分之三的误判率，还是有很大的差距。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于机器视觉的牛奶包装盒生产日期识别方法解决了现有字符识别方法准确率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于机器视觉的牛奶包装盒生产日期识别方法，包括以下步骤：
S1、采集牛奶包装盒生产日期图像，并对牛奶包装盒生产日期图像提取模板图像；
S2、根据模板图像，采用多张牛奶包装盒生产日期图像的所有字符的分割区域，构建训练数据集；
S3、对训练数据集中每个分割区域调整大小，并计算调整大小后的分割区域的梯度方向直方图特征；
S4、采用梯度方向直方图特征对SVM分类器进行训练，得到训练完成的SVM分类器；
S5、采用训练完成的SVM分类器对待识别的牛奶包装盒生产日期图像的梯度方向直方图特征进行处理，得到牛奶包装盒生产日期。
进一步地，所述步骤S1包括以下分步骤：
S11、采集牛奶包装盒生产日期图像；
S12、以生产日期处于水平位置为条件，将牛奶包装盒生产日期图像进行放置；
S13、对放置后的牛奶包装盒生产日期图像框选出生产日期区域，得到标准字符区域图像；
S14、对标准字符区域图像进行高斯金字塔降采样，得到模板图像。
进一步地，所述步骤S2包括以下分步骤：
S21、根据模板图像，将待检测图像的生产日期区域变换至水平位置；
S22、采用阈值分割模型对变换至水平位置的待检测图像的生产日期区域进行处理，得到点阵字符的区域；
S23、对点阵字符的区域进行数学形态学运算，得到点阵字符的显著区域，并将点阵字符的显著区域中存在的“1”字符提取出来；
S24、判断提取后的点阵字符的显著区域中是否存在多行点阵字符，若是，则采用水平投影，将多行点阵字符拆解成多个单行点阵字符，并跳转至步骤S25，若否，则直接跳转至步骤S25；
S25、提取每行点阵字符的外形轮廓，得到轮廓最小包围矩形；
S26、判断设定的喷码点阵字符的高度与轮廓最小包围矩形的高度的比值是否大于第一阈值，若是，则排除该轮廓最小包围矩形，并跳转至步骤S28，若否，则跳转至步骤S27；
S27、判断轮廓最小包围矩形的宽度与设定的喷码点阵字符的宽度的比值是否大于第二阈值，若是，则跳转至步骤S28，若否，则排除该轮廓最小包围矩形，并跳转至步骤S28；
S28、对经过步骤S26和S27剩余的轮廓最小包围矩形进行分割，得到所有字符的分割区域；
S29、将多张牛奶包装盒生产日期图像的所有字符的分割区域，构建为训练数据集。
上述进一步方案的有益效果为：步骤S21能够将待检测区域旋转到水平位置，步骤S22将字符分割出来，步骤S23将字符较窄的字符提取出来，通过步骤S24到S28能够将所有字符单独分割出来，步骤S21到S28能够准确分割出每个字符，从而为训练和识别做好准备，准确分割是训练和识别的基础。
进一步地，所述步骤S21包括以下分步骤：
S211、根据模板图像生成不同旋转角度的模板子图像；
S212、计算每张模板子图像中每个像素点的梯度，得到所有模板子图像的像素点梯度向量；
S213、计算待检测图像的像素点梯度向量与每张模板子图像的像素点梯度向量内积，得到多个匹配值；
S214、根据最大匹配值对应的模板子图像，得到待检测图像的生产日期区域和旋转角度；
S215、根据旋转角度，将待检测图像的生产日期区域变换至水平位置。
进一步地，所述步骤S212中每张模板子图像的像素点梯度向量为：
Figure GDA0003886110950000051
Figure GDA0003886110950000052
Figure GDA0003886110950000053
Figure GDA0003886110950000054
其中，Vg为每张模板子图像的像素点梯度向量，
Figure GDA0003886110950000055
为每张模板子图像中第n个像素点的梯度向量，
Figure GDA0003886110950000056
为每张模板子图像中第1个像素点的梯度向量，
Figure GDA0003886110950000057
为每张模板子图像中第N个像素点的梯度向量，N为每张模板子图像中像素点的数量，
Figure GDA0003886110950000058
为每张模板子图像中第n个像素点在x方向上的梯度，
Figure GDA0003886110950000059
为每张模板子图像中第n个像素点在y方向上的梯度，fn(x+1，y)为每张模板子图像中第n个像素点在(x+1，y)位置的像素值，fn(x，y)为每张模板子图像中第n个像素点(x，y)的像素值，fn(x，y+1)为每张模板子图像中第n个像素点在(x，y+1)位置的像素值。
进一步地，所述步骤S22中阈值分割模型为：
Figure GDA00038861109500000510
Figure GDA0003886110950000061
其中，t(x，y)为分割阈值，r为像素点的邻域半径，x为像素点的横坐标，y为像素点的纵坐标，i为像素点(x，y)的邻域像素点横坐标索引，J为像素点(x，y)的邻域像素点纵坐标索引，k为修正系数，R为标准偏差的动态范围，f(i，j)为像素点(i，j)的像素值。
进一步地，所述步骤S3包括以下分步骤：
S31、将训练数据集中每个分割区域的大小调整为32×32；
S32、对每个32×32分割区域计算梯度方向直方图特征。
进一步地，所述步骤S32中计算梯度方向直方图特征的窗口大小为32×32，块大小为16×16，单元格大小为8×8，梯度方向角度在180°范围内分为9个区间，窗口步长为8，计算出的梯度方向直方图特征数量为324维；
所述梯度方向直方图特征包括：梯度、梯度幅值和梯度方向；
所述梯度公式为：
Figure GDA0003886110950000062
Figure GDA0003886110950000063
所述梯度幅值公式为：
Figure GDA0003886110950000064
所述梯度方向公式为：
Figure GDA0003886110950000065
其中，
Figure GDA0003886110950000066
为分割区域的像素点(x，y)在x方向的梯度，
Figure GDA0003886110950000067
为分割区域的像素点(x，y)在y方向的梯度，f(x+1，y)为分割区域的像素点在(x+1，y)位置的像素值，f(x，y)为分割区域的像素点(x，y)的像素值，f(x，y+1)为分割区域的像素点在(x，y+1)位置的像素值，
Figure GDA0003886110950000071
为梯度幅值，σ为梯度方向角度。
综上，本发明的有益效果为：
1、采用高斯金字塔降采样，有效降低了数据量，每降采样一次，数据量减少75％，提高了检测速度，满足了本发明方法在生产线上的检测速度要求。
2、采用梯度方向向量之间的点积进行匹配定位，梯度不受光照变化的影响，对于匹配区域，向量的大小接近，对于不匹配区域，向量的大小区别较大，该方法提高了定位精度，保证了检测区域定位准确可靠。而且，该方法不受光照变化的影响，对于部分遮挡的情况，也可以准确找到字符区域。
3、采用设定字符间距、投影分割及轮廓特征结合的方式进行字符区域分割，保证了字符分割的准确性，
4、采用梯度方向直方图特征作为训练和识别特征，作为一种梯度特征，该特征不受光照变化的影响，判别性高，采用SVM作为分类器，SVM方法有完整的数学理论证明，对于小样本训练，也可以实现准确分类，有效提高了字符识别的准确率。该方法能够满足牛奶包装企业对其生产日期的检测精度要求。
附图说明
图1为一种基于机器视觉的牛奶包装盒生产日期识别方法的流程图；
图2为每行点阵字符的外形轮廓示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
在提高生产日期点阵字符识别准确率中，最关键的因素在于生产日期字符区域的定位准确性和字符分割的准确性。已有方法中，无论是基于投票机制的概率统计方法，还是采用角点校测方法，都不能够在生产日期字符区域定位上达到企业检测要求，对于字符分割问题，现有的方法同样不能保证准确分割。从而导致最终的识别结果达不到企业的检测精度要求。此外，基于CNNs识别反馈的点阵字符检测方法采用卷积神经网络的方式进行识别，需要大量的正负样本进行训练，而实际生产中，负样本是比较少的，从而也限制了识别准确率。
本发明提出了一种新的基于机器视觉的牛奶包装盒生产日期在线检测方法。首先，采用基于梯度方向的方式进行模板匹配，实现字符区域定位，并根据定位结果将字符区域旋转到水平位置；其次，分离出所有点阵字符区域；然后，由于数字的特点，除了数字“1”之外，其他的数字宽度几乎都是一致的，因此，结合投影算法，轮廓提取算法和点阵字符宽度一致的特点，采用数学形态学方法保证点阵字符连通，提取字符区域的轮廓，结合字符间距特点，保证分割的准确性。最后，提取每个字符区域的梯度方向直方图特征，采用SVM(支持向量机)进行训练和识别。为了保证检测速度要求，对图像进行了高斯金字塔降采样，大大降低了图像数据量，从而提高图像处理速度，达到了企业检测的速度要求。
该发明能够准确定位字符区域，能够准确分割出每个字符，采用SVM方式进行训练，需要的样本量小，采用梯度方向直方图作为特征，能够唯一的表达每一张字符图像，因此识别准确率高，识别速度快，能够满足企业实际检测要求。
如图1所示，一种基于机器视觉的牛奶包装盒生产日期识别方法，包括以下步骤：
S1、采集牛奶包装盒生产日期图像，并对牛奶包装盒生产日期图像提取模板图像；
所述步骤S1包括以下分步骤：
S11、采集牛奶包装盒生产日期图像；
在本实施例中，步骤S11中牛奶包装盒生产日期图像优先选取实际生产中在产线的完整清晰的牛奶包装盒生产日期图像。
S12、以生产日期处于水平位置为条件，将牛奶包装盒生产日期图像进行放置；
S13、对放置后的牛奶包装盒生产日期图像框选出生产日期区域，得到标准字符区域图像；
S14、对标准字符区域图像进行高斯金字塔降采样，得到模板图像。
在本实施例中，采样的层数根据实际要求确定，通常设置为4层降采样，得到模板图像，设置高斯降采样的目的是降低数据量，提高计算速度。
S2、根据模板图像，采用多张牛奶包装盒生产日期图像的所有字符的分割区域，构建训练数据集；
所述步骤S2包括以下分步骤：
S21、根据模板图像，将待检测图像的生产日期区域变换至水平位置；
所述步骤S21包括以下分步骤：
S211、根据模板图像生成不同旋转角度的模板子图像；
在本实施例中，步骤S211中根据实际生产中牛奶盒在产线上可能偏移的最大角度，设置模板图像旋转增量角和最大旋转角度，在每个设定的角度内生成一张模板子图像。
S212、计算每张模板子图像中每个像素点的梯度，得到所有模板子图像的像素点梯度向量；
所述步骤S212中每张模板子图像的像素点梯度向量为：
Figure GDA0003886110950000101
Figure GDA0003886110950000102
Figure GDA0003886110950000103
Figure GDA0003886110950000104
其中，Vg为每张模板子图像的像素点梯度向量，
Figure GDA0003886110950000105
为每张模板子图像中第n个像素点的梯度向量，
Figure GDA0003886110950000106
为每张模板子图像中第1个像素点的梯度向量，
Figure GDA0003886110950000107
为每张模板子图像中第N个像素点的梯度向量，N为每张模板子图像中像素点的数量，
Figure GDA0003886110950000108
为每张模板子图像中第n个像素点在x方向上的梯度，
Figure GDA0003886110950000109
为每张模板子图像中第n个像素点在y方向上的梯度，fn(x+1，y)为每张模板子图像中第n个像素点在(x+1，y)位置的像素值，fn(x，y)为每张模板子图像中第n个像素点(x，y)的像素值，fn(x，y+1)为每张模板子图像中第n个像素点在(x，y+1)位置的像素值。
S213、计算待检测图像的像素点梯度向量与每张模板子图像的像素点梯度向量内积，得到多个匹配值；
在步骤S213中，在计算一张模板子图像的像素点梯度向量与待检测图像的像素点梯度向量的内积时，采用该张模板子图像在待检测图像中移动的方式，每移动一次，计算一次匹配值，即对于一张模板子图像就存在多个匹配值。
在本实施例中，得到待检测图像的像素点梯度向量的方法为：待检测图像为生产线上采集的牛奶包装盒生产日期图像，通过步骤S12～S14和S211～S212方法得到对应的像素点梯度向量。
所述步骤S213中匹配值的公式为：
Figure GDA0003886110950000111
其中，sl，τ为第l张模板子图像第τ次移动时的像素点梯度向量与待检测图像的像素点梯度向量的匹配值，
Figure GDA0003886110950000112
为第l张模板子图像中第τ次移动时的第n个像素点梯度向量，
Figure GDA0003886110950000113
为第l张模板子图像在待检测图像中第τ次移动时，所覆盖待检测图像区域中第n个像素点的梯度向量，||·||为模运算，M为移动次数，L为模板子图像数量，N为像素点的数量。
S214、根据最大匹配值对应的模板子图像，得到待检测图像的生产日期区域和旋转角度；
S215、根据旋转角度，将待检测图像的生产日期区域变换至水平位置。
在本实施例中，因为每一幅模板子图像对应了一个角度，从而得到待检测图像的字符区域位置和对应的旋转角度。对原始采集的待检测图像进行旋转，将生产日期区域变换到水平位置。
S22、采用阈值分割模型对变换至水平位置的待检测图像的生产日期区域进行处理，得到点阵字符的区域；
所述步骤S22中阈值分割模型为：
Figure GDA0003886110950000114
Figure GDA0003886110950000121
其中，t(x，y)为分割阈值，r为像素点的邻域半径，x为像素点的横坐标，y为像素点的纵坐标，i为像素点(x，y)的邻域像素点横坐标索引，j为像素点(x，y)的邻域像素点纵坐标索引，k为修正系数，0＜k＜1R为标准偏差的动态范围，R取128，f(i，j)为像素点(i，j)的像素值。
S23、对点阵字符的区域进行数学形态学运算，得到点阵字符的显著区域，并将点阵字符的显著区域中存在的“1”字符提取出来；
S24、判断提取后的点阵字符的显著区域中是否存在多行点阵字符，若是，则采用水平投影，将多行点阵字符拆解成多个单行点阵字符，并跳转至步骤S25，若否，则直接跳转至步骤S25；
S25、提取每行点阵字符的外形轮廓，得到轮廓最小包围矩形，如图2所示；
S26、判断设定的喷码点阵字符的高度与轮廓最小包围矩形的高度的比值是否大于第一阈值，若是，则排除该轮廓最小包围矩形，并跳转至步骤S28，若否，则跳转至步骤S27；
其中，第一阈值大于1，即轮廓最小包围矩形的高度小于设定的喷码点阵字符的高度一定比例。
S27、判断轮廓最小包围矩形的宽度与设定的喷码点阵字符的宽度的比值是否大于第二阈值，若是，则跳转至步骤S28，若否，则排除该轮廓最小包围矩形，并跳转至步骤S28；
其中，第二阈值大于1，即轮廓最小包围矩形的宽度超过设定的喷码点阵字符的宽度一定比例。
S28、对经过步骤S26和S27剩余的轮廓最小包围矩形进行分割，得到所有字符的分割区域；
在本实施例中，对于步骤S28，按照等距方式对轮廓最小包围矩形进行分割。
S29、将多张牛奶包装盒生产日期图像的所有字符的分割区域，构建为训练数据集。
S3、对训练数据集中每个分割区域调整大小，并计算调整大小后的分割区域的梯度方向直方图特征；
所述步骤S3包括以下分步骤：
S31、将训练数据集中每个分割区域的大小调整为32×32；
S32、对每个32×32分割区域计算梯度方向直方图特征。
所述步骤S32中计算梯度方向直方图特征的窗口大小为32×32，块大小为16×16，单元格大小为8×8，梯度方向角度在180°范围内分为9个区间，计算出的梯度方向直方图特征数量为324维；
所述梯度方向直方图特征包括：梯度、梯度幅值和梯度方向；
所述梯度公式为：
Figure GDA0003886110950000131
Figure GDA0003886110950000132
所述梯度幅值公式为：
Figure GDA0003886110950000133
所述梯度方向公式为：
Figure GDA0003886110950000134
其中，
Figure GDA0003886110950000135
为分割区域的像素点(x，y)在x方向的梯度，
Figure GDA0003886110950000136
为分割区域的像素点(x，y)在y方向的梯度，f(x+1，y)为分割区域的像素点在(x+1，y)位置的像素值，f(x，y)为分割区域的像素点(x，y)的像素值，f(x，y+1)为分割区域的像素点在(x，y+1)位置的像素值，
Figure GDA0003886110950000141
为梯度幅值，σ为梯度方向角度。
S4、采用梯度方向直方图特征对SVM分类器进行训练，得到训练完成的SVM分类器；
S5、采用训练完成的SVM分类器对待识别的牛奶包装盒生产日期图像的梯度方向直方图特征进行处理，得到牛奶包装盒生产日期。
在本实施例中，步骤S5中待识别的牛奶包装盒生产日期图像的梯度方向直方图特征为：待识别的牛奶包装盒生产日期图像通过步骤S1、S2和S3中的方法，得到的梯度方向直方图特征。

Claims (5)

1.一种基于机器视觉的牛奶包装盒生产日期识别方法，其特征在于，包括以下步骤：
S1、采集牛奶包装盒生产日期图像，并对牛奶包装盒生产日期图像提取模板图像；
S2、根据模板图像，采用多张牛奶包装盒生产日期图像的所有字符的分割区域，构建训练数据集；
所述步骤S2包括以下分步骤：
S21、根据模板图像，将待检测图像的生产日期区域变换至水平位置；
所述步骤S21包括以下分步骤：
S211、根据模板图像生成不同旋转角度的模板子图像；
S212、计算每张模板子图像中每个像素点的梯度，得到所有模板子图像的像素点梯度向量；
所述步骤S212中每张模板子图像的像素点梯度向量为：
Figure FDA0003873773280000011
Figure FDA0003873773280000012
Figure FDA0003873773280000013
Figure FDA0003873773280000014
其中，Vg为每张模板子图像的像素点梯度向量，
Figure FDA0003873773280000015
为每张模板子图像中第n个像素点的梯度向量，
Figure FDA0003873773280000016
为每张模板子图像中第1个像素点的梯度向量，
Figure FDA0003873773280000017
为每张模板子图像中第N个像素点的梯度向量，N为每张模板子图像中像素点的数量，
Figure FDA0003873773280000018
为每张模板子图像中第n个像素点在x方向上的梯度，
Figure FDA0003873773280000019
为每张模板子图像中第n个像素点在y方向上的梯度，fn(x+1，y)为每张模板子图像中第n个像素点在(x+1，y)位置的像素值，fn(x，y)为每张模板子图像中第n个像素点(x，y)的像素值，fn(x，y+1)为每张模板子图像中第n个像素点在(x，y+1)位置的像素值；
S213、计算待检测图像的像素点梯度向量与每张模板子图像的像素点梯度向量内积，得到多个匹配值；
S214、根据最大匹配值对应的模板子图像，得到待检测图像的生产日期区域和旋转角度；
S215、根据旋转角度，将待检测图像的生产日期区域变换至水平位置；
S22、采用阈值分割模型对变换至水平位置的待检测图像的生产日期区域进行处理，得到点阵字符的区域；
所述步骤S22中阈值分割模型为：
Figure FDA0003873773280000021
Figure FDA0003873773280000022
其中，t(x，y)为分割阈值，r为像素点的邻域半径，x为像素点的横坐标，y为像素点的纵坐标，i为像素点(x，y)的邻域像素点横坐标索引，j为像素点(x，y)的邻域像素点纵坐标索引，k为修正系数，R为标准偏差的动态范围，f(i，j)为像素点(i，j)的像素值；
S23、对点阵字符的区域进行数学形态学运算，得到点阵字符的显著区域，并将点阵字符的显著区域中存在的“1”字符提取出来；
S24、判断提取后的点阵字符的显著区域中是否存在多行点阵字符，若是，则采用水平投影，将多行点阵字符拆解成多个单行点阵字符，并跳转至步骤S25，若否，则直接跳转至步骤S25；
S25、提取每行点阵字符的外形轮廓，得到轮廓最小包围矩形；
S26、判断设定的喷码点阵字符的高度与轮廓最小包围矩形的高度的比值是否大于第一阈值，若是，则排除该轮廓最小包围矩形，并跳转至步骤S28，若否，则跳转至步骤S27；
S27、判断轮廓最小包围矩形的宽度与设定的喷码点阵字符的宽度的比值是否大于第二阈值，若是，则跳转至步骤S28，若否，则排除该轮廓最小包围矩形，并跳转至步骤S28；
S28、对经过步骤S26和S27剩余的轮廓最小包围矩形进行分割，得到所有字符的分割区域；
S29、将多张牛奶包装盒生产日期图像的所有字符的分割区域，构建为训练数据集；
S3、对训练数据集中每个分割区域调整大小，并计算调整大小后的分割区域的梯度方向直方图特征；
S4、采用梯度方向直方图特征对SVM分类器进行训练，得到训练完成的SVM分类器；
S5、采用训练完成的SVM分类器对待识别的牛奶包装盒生产日期图像的梯度方向直方图特征进行处理，得到牛奶包装盒生产日期。
2.根据权利要求1所述的基于机器视觉的牛奶包装盒生产日期识别方法，其特征在于，所述步骤S1包括以下分步骤：
S11、采集牛奶包装盒生产日期图像；
S12、以生产日期处于水平位置为条件，将牛奶包装盒生产日期图像进行放置；
S13、对放置后的牛奶包装盒生产日期图像框选出生产日期区域，得到标准字符区域图像；
S14、对标准字符区域图像进行高斯金字塔降采样，得到模板图像。
3.根据权利要求1所述的基于机器视觉的牛奶包装盒生产日期识别方法，其特征在于，所述步骤S3包括以下分步骤：
S31、将训练数据集中每个分割区域的大小调整为32×32；
S32、对每个32×32分割区域计算梯度方向直方图特征。
4.根据权利要求3所述的基于机器视觉的牛奶包装盒生产日期识别方法，其特征在于，所述步骤S32中计算梯度方向直方图特征的窗口大小为32×32，块大小为16×16，单元格大小为8×8，梯度方向角度在180°范围内分为9个区间，窗口步长为8，计算出的梯度方向直方图特征数量为324维。
5.根据权利要求3所述的基于机器视觉的牛奶包装盒生产日期识别方法，其特征在于，所述梯度方向直方图特征包括：梯度、梯度幅值和梯度方向；
所述梯度公式为：
Figure FDA0003873773280000041
Figure FDA0003873773280000042
所述梯度幅值公式为：
Figure FDA0003873773280000043
所述梯度方向公式为：
Figure FDA0003873773280000051
其中，
Figure FDA0003873773280000052
为分割区域的像素点(x，y)在x方向的梯度，
Figure FDA0003873773280000053
为分割区域的像素点(x，y)在y方向的梯度，f(x+1，y)为分割区域的像素点在(x+1，y)位置的像素值，f(x，y)为分割区域的像素点(x，y)的像素值，f(x，y+1)为分割区域的像素点在(x，y+1)位置的像素值，
Figure FDA0003873773280000054
为梯度幅值，σ为梯度方向角度。
CN202211015752.6A 2022-08-24 2022-08-24 一种基于机器视觉的牛奶包装盒生产日期识别方法 Active CN115082923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015752.6A CN115082923B (zh) 2022-08-24 2022-08-24 一种基于机器视觉的牛奶包装盒生产日期识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015752.6A CN115082923B (zh) 2022-08-24 2022-08-24 一种基于机器视觉的牛奶包装盒生产日期识别方法

Publications (2)

Publication Number Publication Date
CN115082923A CN115082923A (zh) 2022-09-20
CN115082923B true CN115082923B (zh) 2022-11-08

Family

ID=83244844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015752.6A Active CN115082923B (zh) 2022-08-24 2022-08-24 一种基于机器视觉的牛奶包装盒生产日期识别方法

Country Status (1)

Country Link
CN (1) CN115082923B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309597B (zh) * 2023-05-23 2023-08-01 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1085456A2 (en) * 1999-09-15 2001-03-21 Siemens Corporate Research, Inc. Character segmentation method for vehicle license plate recognition
CN104463124A (zh) * 2014-12-11 2015-03-25 天津普达软件技术有限公司 一种奶盒喷打字符识别的方法
CN106156768A (zh) * 2016-07-01 2016-11-23 屈桢深 基于视觉的机动车行驶证检测方法
CN106960196A (zh) * 2017-03-29 2017-07-18 西安电子科技大学 基于模板匹配和svm的工业视频小数字识别方法
WO2017148377A1 (zh) * 2016-03-02 2017-09-08 平安科技（深圳）有限公司 行驶证有效期自动提取方法、设备、系统及存储介质
CN108734170A (zh) * 2018-05-25 2018-11-02 电子科技大学 基于机器学习和模板的车牌字符分割方法
CN110503054A (zh) * 2019-08-27 2019-11-26 广东工业大学 文本图像的处理方法及装置
CN113421256A (zh) * 2021-07-22 2021-09-21 凌云光技术股份有限公司 一种点阵文本行字符投影分割方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103320B (zh) * 2017-04-28 2020-05-15 常熟理工学院 嵌入式医疗数据图像识别及集成方法
CN107749058B (zh) * 2017-10-23 2021-05-04 中南大学 一种锅炉管道表面缺陷的机器视觉检测方法及系统
CN110006907A (zh) * 2019-04-10 2019-07-12 清华大学深圳研究生院 一种基于机器视觉的压铸件表面缺陷检测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1085456A2 (en) * 1999-09-15 2001-03-21 Siemens Corporate Research, Inc. Character segmentation method for vehicle license plate recognition
CN104463124A (zh) * 2014-12-11 2015-03-25 天津普达软件技术有限公司 一种奶盒喷打字符识别的方法
WO2017148377A1 (zh) * 2016-03-02 2017-09-08 平安科技（深圳）有限公司 行驶证有效期自动提取方法、设备、系统及存储介质
CN106156768A (zh) * 2016-07-01 2016-11-23 屈桢深 基于视觉的机动车行驶证检测方法
CN106960196A (zh) * 2017-03-29 2017-07-18 西安电子科技大学 基于模板匹配和svm的工业视频小数字识别方法
CN108734170A (zh) * 2018-05-25 2018-11-02 电子科技大学 基于机器学习和模板的车牌字符分割方法
CN110503054A (zh) * 2019-08-27 2019-11-26 广东工业大学 文本图像的处理方法及装置
CN113421256A (zh) * 2021-07-22 2021-09-21 凌云光技术股份有限公司 一种点阵文本行字符投影分割方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Contour-based character segmentation for printed Arabic text with diacritics;Khader Mohammad 等;《Journal of Electronic Imaging》;20190831;1-17 *
视频目标定位的减法聚类改进算法;孙志海;《浙江大学学报(工学版)》;20100315;第44卷(第3期);458-462 *

Also Published As

Publication number Publication date
CN115082923A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN111461134B (zh) 一种基于生成对抗网络的低分辨率车牌识别方法
CN109241985B (zh) 一种图像识别方法及装置
CN101807257A (zh) 图像标签信息识别方法
CN113160192A (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN106683073B (zh) 一种车牌的检测方法及摄像机和服务器
CN111709417B (zh) 一种矿车车牌识别方法
CN113324864B (zh) 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN112446370B (zh) 一种电力设备铭牌文本信息识别的方法
CN111091124B (zh) 一种书脊文字识别方法
CN111709935A (zh) 一种用于地面运动皮带上实时煤矸石定位识别方法
CN112085024A (zh) 一种罐表面字符识别方法
CN105303153A (zh) 一种车辆车牌识别方法及装置
CN112001878A (zh) 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统
CN110598566A (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN115082923B (zh) 一种基于机器视觉的牛奶包装盒生产日期识别方法
CN114155527A (zh) 一种场景文本识别方法和装置
CN111652117B (zh) 一种对多文档图像分割的方法及介质
CN108427954B (zh) 一种标牌信息采集与识别系统
CN111967457A (zh) 一种基于深度学习的ocr检测方法
CN111914706A (zh) 一种文字检测输出结果质量检测和控制的方法与装置
CN116758545A (zh) 一种基于深度学习的纸质医药包装钢印字符识别方法
CN116363655A (zh) 一种财务票据识别方法及系统
CN115909312A (zh) 一种基于深度学习的板坯号实时检测与识别方法
CN108734158B (zh) 一种实时列车车号识别方法及装置
CN113822869B (zh) 一种基于机器视觉的透明软性包装袋静态检测方法及系统

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