CN115294121A - 一种基于物流标签的条形码缺陷检测方法 - Google Patents
一种基于物流标签的条形码缺陷检测方法 Download PDFInfo
- Publication number
- CN115294121A CN115294121A CN202211219563.0A CN202211219563A CN115294121A CN 115294121 A CN115294121 A CN 115294121A CN 202211219563 A CN202211219563 A CN 202211219563A CN 115294121 A CN115294121 A CN 115294121A
- Authority
- CN
- China
- Prior art keywords
- actual
- bar code
- edge value
- graph structure
- expanded
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 230000010339 dilation Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于物流标签的条形码缺陷检测方法,属于数据识别技术领域,该方法步骤包括:获取物流标签图像并区分出实际条形码区域,构建实际条形码区域的实际图结构;对实际图结构中全部边值进行分类,得到多个边值类别;根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图;根据每个实际子图的边值确定膨胀后图结构;根据实际子图、边值类别、膨胀后图结构构建出实际树结构;将实际树结构与预设标准树结构进行对比,确定出实际条形码区域中宽度异常区域;本发明能准确的检测出物流标签中条形码区域内黑线宽度异常区域,避免不合格的物流标签流出。
Description
技术领域
本发明属于数据识别技术领域,具体涉及一种基于物流标签的条形码缺陷检测方法。
背景技术
随着电子商务日益深入地渗透到每个人的日常生活,越来越多的人们倾向于通过网购的方式购买生活所需,随着网购的快速发展,物流行业也快速崛起,为了保证物流信息的准确性,需要使用物流标签来标识物流快递。
而在整个物流标签中最重要的信息是条形码区域,因此,对条形码的完整度的检测是重中之重。但是目前在对物流标签完整度检测时一般只能检测到打印存在各类瑕疵,条码破损、字符残缺,图案划伤污点等,但是很难检测出由于漏墨或打印机出现问题造成条形码区域内黑线宽度异常,而条形码区域内黑线宽度一旦出现异常则会造成在后续物流运输过程中不能扫描出物流信息,一旦有大量条形码区域不合格的物流标签流出会给后续物流运输造成巨大的隐患。因此,对于物流标签中条形码区域黑线宽度检测是至关重要的。
发明内容
本发明提供一种基于物流标签的条形码缺陷检测方法,旨在解决目前在对物流标签完整度检测时,很难检测出由于漏墨或打印机出现问题造成条形码区域内黑线宽度异常,造成大量条形码区域不合格的物流标签流出的问题。
本发明的一种基于物流标签的条形码缺陷检测方法采用如下技术方案:该方法包括:
获取物流标签图像,并将物流标签图像中实际条形码区域区分出来;
将实际条形码区域中黑线区域用节点表示,将相邻两个黑线区域之间的白色区域用节点之间的边表示,将白色区域的宽度用节点之间的边值表示构建出实际条形码区域的实际图结构;
对实际图结构中全部边值,利用多阈值分割方法对全部边值进行分类得到多个边值类别;
根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图;
以根据每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建每个膨胀后条形码区域的膨胀后图结构;
根据每个实际子图、每个边值类别、每个膨胀后图结构构建出实际条形码区域的实际树结构;
将获取物流标签的实际树结构与预设标准树结构逐层进行对比,确定出实际条形码区域中宽度异常区域。
进一步地,所述以根据每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建每个膨胀后条形码区域的膨胀后图结构,包括:
选取任一实际子图中任一边值并记作第一边值;
根据第一边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域;
构建第一膨胀后条形码区域的膨胀后图结构,并将膨胀后图结构记作第一边值对应的膨胀后图结构;
根据第一边值对应的膨胀后图结构的获取方法,获取每个实际子图中每个边值对应的膨胀后图结构。
进一步地,所述根据第一边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域,包括:
将第一边值的一半作为第一边值对应的膨胀距离;
利用第一边值对应的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域。
进一步地,所述根据每个实际子图、每个边值类别、每个膨胀后图结构构建出实际条形码区域的实际树结构,包括:
将全部实际子图中节点数量总和作为实际树结构的第一层、将每个边值类别中包含的边值数量作为实际树结构的第二层、将每个边值类别中具体的边值作为实际树结构的第三层、将每个边值对应的膨胀后图结构中节点数量总和作为实际树结构的第四层、将每个边值对应的膨胀后图结构作为实际树结构的第五层;
根据实际树结构的第一层、实际树结构的第二层、实际树结构的第三层、实际树结构的第四层、实际树结构的第五层构建出实际树结构。
进一步地,所述获取物流标签图像,并将物流标签图像中实际条形码区域区分出来,包括:
获取物流标签RGB图像;
对获取的物流标签RGB图像进行语义分割处理得到物流标签二值图;
对物流标签二值图进行霍夫直线检测得到多条检测直线;
将全部检测直线转换到霍夫参数空间中区分出全部条形码直线,由全部条形码直线组成实际条形码区域。
进一步地,所述将全部检测直线转换到霍夫参数空间中区分出全部条形码直线,包括:
将全部检测直线转换到霍夫参数空间中得到多个点,并将该点记作标记点;
对霍夫参数空间中全部标记点的投票值进行统计,得到投票值直方图;
根据投票值直方图选取投票值大于预设第一阈值的点称为高亮点;
对霍夫参数空间中每个横坐标对应的高亮点的数量进行统计;
根据每个横坐标对应的高亮点投票值的离散系数;
选择离散系数最小的横坐标对应的全部高亮点,将离散系数最小的横坐标对应的全部高亮点转换到图像空间中得到全部条形码直线。
进一步地,所述根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图,包括:
将属于同一边值类别并在实际图结构中处于相连位置的边值划分为同一相连区域;
按照同一相连区域的划分原则对实际图结构进行拆分,得到多个实际子图。
本发明的有益效果是:
本发明提供的一种基于物流标签的条形码缺陷检测方法,通过形态学运算对物流标签中实际条形码区域的特征进行提取,建立物流标签实际条形码区域的实际图结构,并根据实际图结构的建立物流标签的实际树结构。将物流标签的实际树结构与物流标签原始电子版图像中标准条形码区域所对应的标准树结构进行对比,结合对树结构的层次分析,实现对实际条形码区域异常区域的精确定位,避免造成大量条形码区域不合格的物流标签流出的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于物流标签的条形码缺陷检测方法的实施例总体步骤的流程示意图;
图2为本发明中实际条形码区域的示意图;
图3为本发明中单线宽条形码线段的示意图;
图4为本发明中实际条形码区域中包含六个黑线区域的示意图;
图5为本发明中实际图结构的示意图;
图6为本发明中将实际条形码区域的实际图结构拆分得到的实际子图结构示意图;
图7为本发明根据b1确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构;
图8为本发明根据b2确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构;
图9为本发明根据b3确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构;
图10为本发明根据b4确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构;
图11为本发明根据b5确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构;
图12为本发明构建出的实际树结构;
图13为本发明的预设标准树结构。
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、完整地描述,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。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
本发明的一种基于物流标签的条形码缺陷检测方法的实施例,如图1所示,该方法包括:
S1、获取物流标签图像,并将物流标签图像中实际条形码区域区分出来。
其中,获取物流标签图像,并将物流标签图像中实际条形码区域区分出来,包括:获取物流标签RGB图像;对获取的物流标签RGB图像进行语义分割处理得到物流标签二值图;对物流标签二值图进行霍夫直线检测得到多条检测直线;将全部检测直线转换到霍夫参数空间中区分出全部条形码直线,由全部条形码直线组成实际条形码区域。
其中,将全部检测直线转换到霍夫参数空间中区分出全部条形码直线,包括:将全部检测直线转换到霍夫参数空间中得到多个点,并将该点记作标记点;对霍夫参数空间中全部标记点的投票值进行统计,得到投票值直方图;根据投票值直方图选取投票值大于预设第一阈值的点称为高亮点;对霍夫参数空间中每个横坐标对应的高亮点的数量进行统计;根据每个横坐标对应的高亮点投票值的离散系数;选择离散系数最小的横坐标对应的全部高亮点,将离散系数最小的横坐标对应的全部高亮点转换到图像空间中得到全部条形码直线。
本发明中先利用霍夫直线对物流标签二值图进行检测得到多条检测直线,之后将全部检测直线转换到霍夫参数空间中区分出全部条形码直线。霍夫参数空间中的横坐标是角度值,纵坐标是垂距。因此图像空间中平行线在霍夫参数空间中表现为:同一个横坐标值对应的多个高亮点。同时由于图像空间中条形码直线的长度相同,因此,将检测出的条形码直线转换到霍夫参数空间内表现为同一个横坐标值对应多个投票值相同的高亮点,但是由于计算过程中可能存在误差,因此,将检测出的条形码直线转换到霍夫参数空间内实际表现为同一个横坐标值对应的多个投票值相近的高亮点。
在已知条形码直线转换到霍夫参数空间内表现后,需要在霍夫参数空间中找到条形码直线对应高亮点,过程如下:
首先对全部检测直线转换到霍夫参数空间中得到多个点,并将该点记作标记点;对霍夫参数空间中全部标记点的投票值进行统计,得到投票值直方图。根据otsu大津法对投票值直方图进行分割,选取投票值大于预设第一阈值的点称为高亮点。
然后对霍夫参数空间中每个横坐标对应的高亮点的数量进行统计,选取数量排名前10的横坐标作为候选横坐标。计算候选横坐标对应的高亮点投票值的离散系数,选择离散系数最小的横坐标对应的全部高亮点,将离散系数最小的横坐标对应的全部高亮点转换到图像空间中得到全部条形码直线,由全部条形码直线组成实际条形码区域。
S2、将实际条形码区域中黑线区域用节点表示,将相邻两个黑线区域之间的白色区域用节点之间的边表示,将白色区域的宽度用节点之间的边值表示构建出实际条形码区域的实际图结构。
本发明中在识别出实际条形码区域后将实际条形码区域用图结构表示,用图结构表示的过程如下:用每个节点表示实际条形码区域中一个黑线区域,用节点之间的边表示相邻两个黑线区域之间的白色区域,用节点之间的边值表示实际条形码区域中白色区域的宽度。
在识别出实际条形码区域后,通过霍夫直线检测得到单线宽条形码线段,其中,实际条形码区域如图2所示,单线宽条形码线段如图3所示,每个有宽度的条形区域通过霍夫直线检测均变成了一个单线宽的线段。在得到单线宽条形码线段后,以一个单线宽线段作为一个黑线区域,以每个单线宽线段作为节点,以相邻两个线段之间白色区域的宽度作为节点之间的边,得到实际图结构。
本发明以实际条形码区域中包含六个黑线区域为例,如图4所示,实际条形码区域中包含六个黑线区域,将图4中的节点用a1、a2、a3、a4、a5、a6表示,将图4中的边用b1、b2、b3、b4、b5表示,得到图5所示的实际图结构。
S3、对实际图结构中全部边值,利用多阈值分割方法对全部边值进行分类得到多个边值类别。
其中,对实际图结构中全部边值进行分类时,采用的是多阈值分割方法对全部边值进行分类,得到多个边值类别。
本发明中多阈值分割方法是根据费歇尔准则,利用类间方差最大,类内方差最小的原则进行多阈值分割对全部边值进行分类,得到多个边值类别,同一类别中边值相近。
如图5所示,本发明中通过多阈值分割方法对全部边值进行分类得到两个类别,分别为类别[b2,b3]和类别[b1,b4,b5],其中,类别[b2,b3]中b2边值和b3边值数值相近,类别[b1,b4,b5]中b1边值、b4边值、b5边值数值均相近。
S4、根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图。
其中,根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图,包括:将属于同一边值类别并在实际图结构中处于相连位置的边值划分为同一相连区域;按照同一相连区域的划分原则对实际图结构进行拆分,得到多个实际子图。
在步骤S3中实现了对边值的分类得到两个类别,分别为类别[b2,b3]和类别[b1,b4,b5]。然后根据边值在实际图结构是否处于相连位置对图结构进行拆分,得到多个实际子图。
如图5所示,b2、b3属于同一边值类别并且在实际图结构中处于相连位置,因此将b2、b3所连接的节点作为同一相连区域。在图5中,b4、b5属于同一边值类别并且在实际图结构中处于相连位置,因此将b4、b5所连接的节点作为同一相连区域。而b1虽然和b4、b5属于同一边值类别,但是b1在实际图结构中与b4、b5处于不相连位置,因此将b1所连接的节点单独作为同一相连区域。如图6所示,为将图5中实际图结构通过拆分得到的三个实际子图,三个实际子图分别为实际子图1,实际子图2和实际子图3。
S5、以根据每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建每个膨胀后条形码区域的膨胀后图结构。
以根据每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建每个膨胀后条形码区域的膨胀后图结构,包括:选取任一实际子图中任一边值并记作第一边值;根据第一边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域;构建第一膨胀后条形码区域的膨胀后图结构,并将膨胀后图结构记作第一边值对应的膨胀后图结构;根据第一边值对应的膨胀后图结构的获取方法,获取每个实际子图中每个边值对应的膨胀后图结构。
根据第一边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域,包括:将第一边值的一半作为第一边值对应的膨胀距离;利用第一边值对应的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域。
当一旦出现由于漏墨或打印机出现问题造成条形码区域内黑线宽度异常时,也会引起相邻的白色区域宽度发生变化。当实际条形码区域中存在多个宽度相近的白色区域,通过计算距离异常进而得到异常区域就显得较为困难,同时实际图像与标准图像的像素大小不同,距离单位不同等问题也为直接计算距离异常进而得到异常区域带来了困难。
为了解决直接计算距离异常进而得到异常区域的问题,本发明根据由每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建出每个膨胀后条形码区域的膨胀后图结构。
实际子图1中只有一个边值,因此只需将设置为膨胀距离,即可将膨胀后条形码区域中两个所述黑线区域之间小于b1的白色区域变成黑色区域,将该膨胀后条形码区域对应的膨胀后图结构中的边值小于b1的相邻节点对应的黑线变成一条黑线。
本发明中设定不同边值的大小关系为:b2<b3<b1<b4<b5。
如图7所示,为本发明根据b1确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构。在通过b1对实际图结构进行膨胀操作时,b1、b2、b3由于膨胀操作导致边值为0,使得节点a1、a2、a3 、a4对应的膨胀后区域邻接,邻接指黑色区域邻接,即中间没有白色区域,邻接后变成一个区域,在图7中用灰色的b1表示。如图8所示,为本发明根据b2确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构,根据b2确定的膨胀距离为。如图9所示,为本发明根据b3确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构,根据b3确定的膨胀距离为 。如图10所示,为本发明根据b4确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构,根据b4确定的膨胀距离为。如图11所示,为本发明根据b5确定的膨胀距离进行形态学膨胀操作后得到膨胀后图结构,根据b5确定的膨胀距离为。
S6、根据每个实际子图、每个边值类别、每个膨胀后图结构构建出实际条形码区域的实际树结构。
根据每个实际子图、每个边值类别、每个膨胀后图结构构建出实际条形码区域的实际树结构,包括:将全部实际子图中节点数量总和作为实际树结构的第一层、将每个边值类别中包含的边值数量作为实际树结构的第二层、将每个边值类别中具体的边值作为实际树结构的第三层、将每个边值对应的膨胀后图结构中节点数量总和作为实际树结构的第四层、将每个边值对应的膨胀后图结构作为实际树结构的第五层;根据实际树结构的第一层、实际树结构的第二层、实际树结构的第三层、实际树结构的第四层、实际树结构的第五层构建出实际树结构。
如图12所示,为本发明构建出的实际树结构。实际子图1中节点数量为2,实际子图2的节点数量为3,实际子图3的节点数量也为3,因此实际树结构的第一层为全部实际子图中节点数量总和值为8。第二层表示每个所述边值类别中包含的边值数量,如类别[b2,b3]中包含的边值数量为2,类别[b1,b4,b5]中包含的边值数量为3,那么第二层的数值就为2和3。第三层表示每个边值类别中具体的边值。第四层表示每个边值对应的膨胀后图结构中节点数量总和,如根据边值b2确定的膨胀距离时得到的膨胀后图结构中含有5个节点,那么第四层中与第三层中b2对应的位置数值就为5。根据边值b4确定的膨胀距离时得到的膨胀后图结构中含有2个节点,那么第四层中与第三层中b4对应的位置数值就为2。
S7、将获取物流标签的实际树结构与预设标准树结构逐层进行对比,确定出实际条形码区域中宽度异常区域。
物流标签原始电子版图像中都会有一标准条形码区域。将该标准条形码区域用图结构表示,同时按照构建实际树结构的方法提前构建出标准树结构,提前构建出的标准树结构预存在系统内。
本发明将物流标签的实际树结构与物流标签原始电子版图像中标准条形码区域所对应的标准树结构进行对比,结合对树结构的层次分析,实现对实际条形码区域异常区域的精确定位。
如图13所示,为本发明的预设标准树结构。将图12与图13逐层进行对比。首先对两个树结构的第一层的节点进行比较,如果第一层的节点相同,则对第二层的节点进行比较,如果第二层的节点相同,则对第三层和第四层表示的对应匹配关系进行比较,如果对应的匹配关系相同,不需对第五层的图结构进行一一比较,直接确定实际树结构与标准树结构相同。
如果第一层的节点相同,则对第二层的节点进行比较,如果第二层的节点不同,则选择异常的节点分支进行下一层的对应关系(第三层和第四层)的比较(此时对应关系定然不同),如果只是两个边的对应关系的交换,则直接可以确定缺陷节点;如果是3个边的对应关系异常,则存在两个宽度异常区域,将3条边的中间两个节点作为异常节点;如果是4个边的对应关系异常,首先计算边的邻接关系,如果4条边都邻接,则存在3个宽度异常区域,将4条边的中间3个节点作为异常节点;如果其中两个邻接,另外两个邻接,则分别选择中间的节点作为异常节点。
如果第一层的节点不同,则可以确定必然存在宽度异常,则对第二层的节点进行比较(此时第二层必然存在异常节点),选择异常节点对应的分支进行下一层的对应关系(第三层和第四层)的比较,如果只是两个边的对应关系的交换,则直接可以确定缺陷节点;如果是超过两个边的对应关系异常,则对第三层和第五层的对应关系进行一一比较,后续情况与第二段相同。
综上所述,本发明提供一种基于物流标签的条形码缺陷检测方法,通过形态学运算对物流标签中实际条形码区域的特征进行提取,建立物流标签实际条形码区域的实际图结构,并根据实际图结构的建立物流标签的实际树结构。将物流标签的实际树结构与物流标签原始电子版图像中标准条形码区域所对应的标准树结构进行对比,结合对树结构的层次分析,实现对实际条形码区域异常区域的精确定位。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于物流标签的条形码缺陷检测方法,其特征在于,该方法包括:
获取物流标签图像,并将物流标签图像中实际条形码区域区分出来;
将实际条形码区域中黑线区域用节点表示,将相邻两个黑线区域之间的白色区域用节点之间的边表示,将白色区域的宽度用节点之间的边值表示构建出实际条形码区域的实际图结构;
对实际图结构中全部边值,利用多阈值分割方法对全部边值进行分类得到多个边值类别;
根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图;
以根据每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建每个膨胀后条形码区域的膨胀后图结构;
根据每个实际子图、每个边值类别、每个膨胀后图结构构建出实际条形码区域的实际树结构;
将获取物流标签的实际树结构与预设标准树结构逐层进行对比,确定出实际条形码区域中宽度异常区域。
2.根据权利要求1所述的一种基于物流标签的条形码缺陷检测方法,其特征在于,所述以根据每个实际子图中每个边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行膨胀操作得到多个膨胀后条形码区域,同时构建每个膨胀后条形码区域的膨胀后图结构,包括:
选取任一实际子图中任一边值并记作第一边值;
根据第一边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域;
构建第一膨胀后条形码区域的膨胀后图结构,并将膨胀后图结构记作第一边值对应的膨胀后图结构;
根据第一边值对应的膨胀后图结构的获取方法,获取每个实际子图中每个边值对应的膨胀后图结构。
3.根据权利要求2所述的一种基于物流标签的条形码缺陷检测方法,其特征在于,所述根据第一边值确定的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域,包括:
将第一边值的一半作为第一边值对应的膨胀距离;
利用第一边值对应的膨胀距离,对实际条形码区域中全部黑线区域进行一次形态学膨胀操作得到第一膨胀后条形码区域。
4.根据权利要求2所述的一种基于物流标签的条形码缺陷检测方法,其特征在于,所述根据每个实际子图、每个边值类别、每个膨胀后图结构构建出实际条形码区域的实际树结构,包括:
将全部实际子图中节点数量总和作为实际树结构的第一层、将每个边值类别中包含的边值数量作为实际树结构的第二层、将每个边值类别中具体的边值作为实际树结构的第三层、将每个边值对应的膨胀后图结构中节点数量总和作为实际树结构的第四层、将每个边值对应的膨胀后图结构作为实际树结构的第五层;
根据实际树结构的第一层、实际树结构的第二层、实际树结构的第三层、实际树结构的第四层、实际树结构的第五层构建出实际树结构。
5.根据权利要求1所述的一种基于物流标签的条形码缺陷检测方法,其特征在于,所述获取物流标签图像,并将物流标签图像中实际条形码区域区分出来,包括:
获取物流标签RGB图像;
对获取的物流标签RGB图像进行语义分割处理得到物流标签二值图;
对物流标签二值图进行霍夫直线检测得到多条检测直线;
将全部检测直线转换到霍夫参数空间中区分出全部条形码直线,由全部条形码直线组成实际条形码区域。
6.根据权利要求5所述的一种基于物流标签的条形码缺陷检测方法,其特征在于,所述将全部检测直线转换到霍夫参数空间中区分出全部条形码直线,包括:
将全部检测直线转换到霍夫参数空间中得到多个点,并将该点记作标记点;
对霍夫参数空间中全部标记点的投票值进行统计,得到投票值直方图;
根据投票值直方图选取投票值大于预设第一阈值的点称为高亮点;
对霍夫参数空间中每个横坐标对应的高亮点的数量进行统计;
根据每个横坐标对应的高亮点投票值的离散系数;
选择离散系数最小的横坐标对应的全部高亮点,将离散系数最小的横坐标对应的全部高亮点转换到图像空间中得到全部条形码直线。
7.根据权利要求1所述的一种基于物流标签的条形码缺陷检测方法,其特征在于,所述根据边值类别在实际图结构中的连续性对实际图结构进行拆分,得到多个实际子图,包括:
将属于同一边值类别并在实际图结构中处于相连位置的边值划分为同一相连区域;
按照同一相连区域的划分原则对实际图结构进行拆分,得到多个实际子图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219563.0A CN115294121A (zh) | 2022-10-08 | 2022-10-08 | 一种基于物流标签的条形码缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219563.0A CN115294121A (zh) | 2022-10-08 | 2022-10-08 | 一种基于物流标签的条形码缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294121A true CN115294121A (zh) | 2022-11-04 |
Family
ID=83834884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219563.0A Pending CN115294121A (zh) | 2022-10-08 | 2022-10-08 | 一种基于物流标签的条形码缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294121A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778717A (zh) * | 2016-11-11 | 2017-05-31 | 河海大学 | 一种基于图像识别和k近邻的测评表识别方法 |
US20180122083A1 (en) * | 2014-10-09 | 2018-05-03 | Shenzhen A&E Intelligent Technology Institute Co., Ltd. | Method and device for straight line detection and image processing |
CN109101854A (zh) * | 2018-06-25 | 2018-12-28 | 华南理工大学 | 一种多条形码定位方法 |
CN110597735A (zh) * | 2019-09-25 | 2019-12-20 | 北京航空航天大学 | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 |
-
2022
- 2022-10-08 CN CN202211219563.0A patent/CN115294121A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180122083A1 (en) * | 2014-10-09 | 2018-05-03 | Shenzhen A&E Intelligent Technology Institute Co., Ltd. | Method and device for straight line detection and image processing |
CN106778717A (zh) * | 2016-11-11 | 2017-05-31 | 河海大学 | 一种基于图像识别和k近邻的测评表识别方法 |
CN109101854A (zh) * | 2018-06-25 | 2018-12-28 | 华南理工大学 | 一种多条形码定位方法 |
CN110597735A (zh) * | 2019-09-25 | 2019-12-20 | 北京航空航天大学 | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 |
Non-Patent Citations (1)
Title |
---|
埃里克等: "《网络数据的统计分析 R语言实践》" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276754B (zh) | 一种表面缺陷检测方法、终端设备及存储介质 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
US6996295B2 (en) | Automatic document reading system for technical drawings | |
US8965127B2 (en) | Method for segmenting text words in document images | |
CN101615252B (zh) | 一种自适应图像文本信息提取方法 | |
CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
JP5492205B2 (ja) | 印刷媒体ページの記事へのセグメント化 | |
CN110490190B (zh) | 一种结构化图像文字识别方法及系统 | |
Leyk et al. | Saliency and semantic processing: Extracting forest cover from historical topographic maps | |
CN109389115B (zh) | 文本识别方法、装置、存储介质和计算机设备 | |
CN114037672A (zh) | 一种图像缺陷的检测方法、装置及计算机可读介质 | |
CN115049638A (zh) | 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置 | |
CN113313149B (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
CN112364834A (zh) | 一种基于深度学习和图像处理的表格识别的还原方法 | |
CN111965197A (zh) | 一种基于多特征融合的缺陷分类方法 | |
CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
Choi et al. | Localizing slab identification numbers in factory scene images | |
CN115294121A (zh) | 一种基于物流标签的条形码缺陷检测方法 | |
KR101849933B1 (ko) | 공분산 기술자와 퍼지 모델을 이용한 심볼 인식장치 | |
Mishchenko et al. | Model-Based Recognition and Extraction of Information from Chart Images. | |
Tehsin et al. | Fuzzy‐Based Segmentation for Variable Font‐Sized Text Extraction from Images/Videos | |
JP2004094427A (ja) | 帳票画像処理装置及び該装置を実現するためのプログラム | |
CN115272320B (zh) | 一种电子产品表面印刷质量检测方法 | |
JP2004046723A (ja) | 文字認識方法、該方法の実行に用いるプログラム及び文字認識装置 | |
Tao et al. | A hybrid approach to detection and recognition of dashboard information in real-time |
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 |