一種應用于鋼板物料碼的識別方法技術

本發明專利技術公開了一種應用于鋼板物料碼的識別方法，包括步驟：采集鋼板物料碼原始圖像；進行圖像預處理：結合鋼板表面性質和光源性質，采用紋理濾波算法濾除紋理噪聲，采用指數變換和強化高頻分量的方法增強對比度；將預處理后的原始圖像通過檢測神經網絡，去除低置信度區域，得到物料碼字符區域；將物料碼字符區域單獨分割輸入至識別神經網絡，得到物料碼字符。本發明專利技術無需建立暗房，定制化光源等用來減少外界噪聲干擾的設備，能夠減少成本，提高識別效率，同時抗字符畸變、缺損能力強，識別率高，計算速度快，且不影響鋼廠生產效率。且不影響鋼廠生產效率。且不影響鋼廠生產效率。

【技術實現步驟摘要】
一種應用于鋼板物料碼的識別方法


[0001]本專利技術屬于機器視覺OCR識別技術，特別是一種應用于鋼板物料碼的識別方法。

技術介紹

[0002]高效準確的物料碼識別技術是建立鋼廠自動化產線的關鍵技術之一。從國內外鋼廠應用的物料碼識別技術來看，大致可分為兩種：1)人工查看并記錄物料碼；2)使用機器視覺對拍攝到的物料碼圖像進行識別。方式2的物料碼識別技術由于自動化程度高、穩定性高，得到了廣泛應用。然而上述兩種方法針對鋼板物料碼識別時需要建立暗房，成本高，且識別精度有待提高。

技術實現思路

[0003]本專利技術的目的在于提供一種應用于鋼板物料碼的識別方法，無需建立暗房，定制化光源等用來減少外界噪聲干擾的設備，能夠減少成本，提高識別效率。
[0004]實現本專利技術目的的技術方案為：一種應用于鋼板物料碼的識別方法，包括以下步驟：
[0005]采集鋼板物料碼原始圖像；
[0006]進行圖像預處理：結合鋼板表面性質和光源性質，采用紋理濾波算法濾除紋理噪聲，采用指數變換和強化高頻分量的方法增強對比度；
[0007]將預處理后的原始圖像通過檢測神經網絡，去除低置信度區域，得到物料碼字符區域；
[0008]將物料碼字符區域單獨分割輸入至識別神經網絡，得到物料碼字符。
[0009]進一步的，采用CMOS/CCD視覺傳感器采集鋼板物料碼原始圖像，所述CMOS/CCD視覺傳感器鏡頭軸心線與鋼板夾角范圍區間為[45
°
,90
°
]。
[0010]進一步的，所述紋理濾波算法具體包括：
[0011]獲取紋理尺度圖像；
[0012]建立最大
?
最小圖像棧計算自適應濾波半徑；
[0013]基于自適應濾波半徑的中值濾波對生成基于原始圖像的引導圖像；
[0014]基于引導圖像進行聯合雙邊濾波，得到濾除紋理噪聲后的圖像。
[0015]進一步的，所述建立最大
?
最小圖像棧計算自適應濾波半徑具體為：圖像棧將log2(max(N,M))張N
×
M個像素點大小的圖片入棧，每一張圖像稱為圖像棧的一層；在第0層中圖像包含了E
P
的原始向量元素，第1層中任意坐標值記為(m,n)的向量元素包含了第0層中像素坐標值為:(m
±
[0,2
°
],n
±
[0,2
°
])的3
×
3鄰域內的最大值和最小值，以此類推，建立最大
?
最小圖像棧，遍歷最大
?
最小圖像棧得到任意像素點p周圍像素點的最大值和最小值在[E
P
?
R,E
P
+R]范圍內對應的最高圖像層編號，并記為f
P
，則像素p的濾波半徑就為
[0016]進一步的，所述獲取紋理尺度圖像包括獲取紋理特征尺度和歸一化；
[0017]所述紋理特征尺度為：
[0018][0019][0020]式中，I
q
表示圖像I中像素點q的像素值，N
p
表示以像素點p為中心點的方形圖像塊，表示圖像塊的旋轉角度，x,y表示像素點p坐標，參數ε＝10
?3，表示以像素點p為中心的圖像塊N
p
順時針旋轉角度后的紋理特征尺度；
[0021]紋理特征尺度歸一化為：
[0022][0023]式中，σ
e
取0.1；
[0024]所述中值濾波為
[0025]所述引導圖像為：
[0026][0027]式中，式中，G
p
、G
q
為像素點p、q中值濾波后的值，I
q
為紋理尺度圖像，式中,與分別為聯合雙邊紋理濾波器的空間權重和值域權重函數。
[0028]進一步的，所述指數變換為：S＝CR
γ
，S為變換像素值，C為系數，R為輸入像素值，γ為指數，γ<1。
[0029]進一步的，所述強化高頻分量為通過濾波器獲取不同頻段的處理函數，所述濾波器為：
[0030][0031]式中，H(u,v)為輸出頻域值，D0和D1為濾波閾值，D(u,v)為圖像任意點經傅里葉變換后的頻域值，f、g、h分別為不同頻段的處理函數。
[0032]進一步的，所述檢測神經網絡和識別神經網絡為訓練優化的檢測神經網絡，采用的訓練數據不少于2000組，檢測神經網絡和識別神經網的卷積神經網絡層采用ResNet
?
34。
[0033]進一步的，所述將預處理后的原始圖像通過檢測神經網絡，去除低置信度區域，得到物料碼字符區域具體報包括：
[0034]步驟8
?
1：圖像經過特征金字塔backbone，進行不同尺度上的卷積特征提取，然后統一尺度并疊加特征，得到特征圖F；
[0035]步驟8
?
2：將特征圖F預測概率圖P和閾值圖T，由特征圖F和閾值圖T計算后近似得到近似二值圖
[0036][0037]式中，T為從網絡中學習得到的自適應閾值，k為放大因子；
[0038]步驟8
?
3：在近似二值圖中得到物料碼最小包圍框，在輸入圖片中映射出物料碼區域，根據最小包圍框坐標對物料碼進行仿射變換矯正，輸出檢測結果圖像。
[0039]進一步的，所述將物料碼字符區域單獨分割輸入至識別神經網絡，得到物料碼字符具體包括：
[0040]步驟9
?
1：將待識別分割分割圖像輸入至神經網絡的卷積層，在卷積層中降采樣得到卷積特征圖C；
[0041]步驟9
?
2：將特征圖C轉換為一維向量形式的卷積特征序列送入長短期記憶網絡，計算得到序列特征S，然后進行一次字符映射得到預測字符串P；
[0042]步驟9
?
3：將預測字符串P送入轉錄層，去除冗余字符并重新組合得到識別結果R，得到物料碼字符。
[0043]本專利技術與現有技術相比，其有益效果為：本專利技術使用自適應中值濾波算法對采集到的鋼板圖片進行處理，無需建立暗房，定制化光源等用來減少外界噪聲干擾的設備，能夠減少成本，提高識別效率；本專利技術使用檢測和識別分離的定制卷積神經網絡對鋼板表面物料碼進行識別，識別場景自由，沒有嚴苛的設備位置要求，方便使用者使用；本專利技術識別方法抗字符畸變、缺損能力強，識別率高，計算速度快，且不影響鋼廠生產效率。
附圖說明
[0044]圖1為本專利技術的字符識別原理圖。
[0045]圖2為本專利技術一種具體實施方法的系統硬件布局圖。
[0046]圖3為本專利技術一種具體實施方法的流程圖。
具體實施方式
[0047]下面參照附圖對本專利技術的示例性實施方式進行詳細描述。對示例性實施方式的描述僅僅是出于示范目的，而絕不是對本專利技術及其應用或者用法的限制。...

【技術保護點】

【技術特征摘要】
1.一種應用于鋼板物料碼的識別方法，其特征在于：包括以下步驟：采集鋼板物料碼原始圖像；進行圖像預處理：結合鋼板表面性質和光源性質，采用紋理濾波算法濾除紋理噪聲，采用指數變換和強化高頻分量的方法增強對比度；將預處理后的原始圖像通過檢測神經網絡，去除低置信度區域，得到物料碼字符區域；將物料碼字符區域單獨分割輸入至識別神經網絡，得到物料碼字符。2.如權利要求1所述的應用于鋼板物料碼的識別方法，其特征在于：采用CMOS/CCD視覺傳感器采集鋼板物料碼原始圖像，所述CMOS/CCD視覺傳感器鏡頭軸心線與鋼板夾角范圍區間為[45
°
，90
°
]。3.如權利要求1所述的應用于鋼板物料碼的識別方法，其特征在于：所述紋理濾波算法具體包括：獲取紋理尺度圖像；建立最大
?
最小圖像棧計算自適應濾波半徑；基于自適應濾波半徑的中值濾波對生成基于原始圖像的引導圖像；基于引導圖像進行聯合雙邊濾波，得到濾除紋理噪聲后的圖像。4.如權利要求3所述的應用于鋼板物料碼的識別方法，其特征在于：所述建立最大
?
最小圖像棧計算自適應濾波半徑具體為：圖像棧將log2(max(N，M))張N
×
M個像素點大小的圖片入棧，每一張圖像稱為圖像棧的一層；在第0層中圖像包含了E
P
的原始向量元素，第1層中任意坐標值記為(m，n)的向量元素包含了第0層中像素坐標值為：(m
±
[0，2
°
]，n
±
[0，2
°
])的3
×
3鄰域內的最大值和最小值，以此類推，建立最大
?
最小圖像棧，遍歷最大
?
最小圖像棧得到任意像素點p周圍像素點的最大值和最小值在[E
P
?
R，E
P
+R]范圍內對應的最高圖像層編號，并記為f
P
，則像素p的濾波半徑就為5.如權利要求4所述的應用于鋼板物料碼的識別方法，其特征在于：所述獲取紋理尺度圖像包括獲取紋理特征尺度和歸一化；所述紋理特征尺度為：所述紋理特征尺度為：式中，I
q
表示圖像I中像素點q的像素值，N
p
表示以像素點p為中心點的方形圖像塊，表示圖像塊的旋轉角度，x，y表示像素點p坐標，參數ε＝10
?3，表示以像素點p為中心的圖像塊N
p

【專利技術屬性】
技術研發人員：房咨辰，閆文奇，孫宏偉，張樂樂，王興華，陳衛彬，馬韜，李凡，
申請(專利權)人：江蘇杰瑞科技集團有限責任公司，
類型：發明
國別省市：