一种基于卷积神经网络的喷码字符在线视觉检测方法
【专利摘要】本发明提供了一种基于卷积神经网络的易拉罐罐底喷码字符在线视觉检测方法，包括离线状态下对图像中字符进行分割，并归类构建字符库，采用改进后的卷积神经网络学习法进行训练，形成稳定的分类器；在线检测中实时拍摄图片，分割字符，并用分类器进行分类，对存在瑕疵不合格的产品进行剔除；在保证实时性的同时极大的提高了检测精度，完全可以满足易拉罐罐底喷码字符在线检测过程高实时性、高准确性的要求。
【专利说明】一种基于卷积神经网络的喷码字符在线视觉检测方法
【技术领域】
[0001]本发明涉及利用机器视觉对易拉罐罐底喷码字符在线检测领域，具体是指一种应用于工业现场的、高实时性要求的易拉罐罐底字符识别的图像处理方法。
【背景技术】
[0002]随着我国食品饮料行业的快速增长，以易拉罐为容器的需求也不断增加，易拉罐产品质量的监测往往需要对产品信息进行检测、追踪。目前来说，各大厂商多用易拉罐罐底喷码字符来追踪产品信息，但在喷码过程中难免会出现诸如字符漏喷或者部分不完整、字符混乱等缺陷，因此，如何实时地对喷码字符识别检测，以便及时剔除不合格产品是亟需解决的问题。
[0003]当前喷码字符在线检测技术研究主要集中于两个方面，一是预处理方法的研究，为了满足识别的高实时性要求，预处理的过程尽可能的简单而高效；二是对于特征提取方法的研究，目前来说，特征提取的方法多为传统的结构特征、统计特征，这些特征对于传统的印刷字符识别效果较好，但是对于易断裂、易扭曲的喷码字符，识别效果不佳。
[0004]近几年，随着机器学习的发展，利用机器学习图像深度特征的方法开始越来越受到关注，卷积神经网络(Convolutional Neural Network,简称CNN)为其深度学习方式的一种，它的权值共享网络结构能够降低网络模型的复杂度，减少权值的数量，使图像直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，并且具有良好的容错能力，并行处理能力，对字符识别过程中字符的几何变换、形变、光照不均匀都有良好的自适应性能。
【发明内容】
[0005]本发明目的在于提供一种针对易拉罐罐底喷码字符在线检测方法，可以满足工业现场高实时性、高识别率的要求。
[0006]为达到此目的，本发明的技术方案如下:识别过程分为离线训练过程和在线检测过程，离线训练过程主要包括对喷码字符构建分类器，以及对字符参数的设置；在线检测过程主要包括易拉罐罐底字符的分割，并用离线状态构建好的分类器进行识别。具体包括以下步骤:
[0007]离线训练过程:
[0008](I)获取易拉罐罐底字符图像，调整好相机镜头光圈、焦距等机械参数，在易拉罐罐底上方安装球积分光源，拍摄图片，获取待检测易拉罐罐底图像。
[0009](2)对获取的图像进行滤波、分割等预处理操作，将图像中的字符分割成单个的字符，并统一进行归类，建立喷码字符库，字符库类别一般包括“O?9”、“A?Z”以及部分特殊字符。
[0010](3)建立字符分类器，对已建立好的字符库，采用卷积神经网络学习法进行训练，卷积神经网络本质上是学习一种输入到输出的映射关系，训练的过程主要分为三个阶段:[0011]Step 1、构建网络结构
[0012]本发明构建的卷积神经网络采用7层结构，包括输入层、两个卷积层、两个下采样层、全连接层以及输出层，训练的初期先构建网络结构，同时对网络的权值采用不同的小随机数进行初始化，一般介于[-1~I]范围内，偏置初始化置为O。
[0013]St印2、前向传播阶段
[0014]将输入样本Y与理想输出d送入已构建好的神经网络，通过卷积和下采样逐级的变换操作，传送到输出层:
[0015]Ok = fn(...(f2(f! (Yw(1))w(2)))w(n))
[0016]卷积操作构造卷积模板，将各核函数分别与输入图像依次卷积，得到不同的卷积图:
【权利要求】
1.一种基于卷积神经网络的易拉罐罐底喷码字符在线检测方法，其特征是，离线状态下对图像中字符进行分割，并归类构建字符库，采用改进后的卷积神经网络学习法进行训练，形成稳定的分类器；在线识别中实时拍摄图片，分割字符，并用分类器进行分类；具体包括以下几个步骤: (1)对易拉罐罐底图像进行特定预处理操作，分割出单个的字符图像，并统一进行归类，建立字符库； (2)利用卷积神经网络学习方法训练字符，形成字符分类器； (3)在线检测中实时拍摄图像，采用预处理操作分割字符，并用分类器进行识别。
2.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于:所述步骤(1)具体包括以下步骤: 第一步、对获取的图像通过直方图均衡化拉伸图像，再通过Otsu法对图像进行二值化，增强对比度； 第二步、选择3*3矩形结构元素对二值图像执行形态学腐蚀操作，将字符区域连接起来，设置字符区域属性，长度在(Ipl2)之间，宽度在(Wl，W2)之间，即为字符区域，具体数值根据不同型号易拉罐进行调整； 第三步、根据字符区域的最小外接矩形计算出的旋转角度，采用仿射变换和线性插值将待检测字符区域校正为水平方向，并通过投影法和指定比例法分割成单个字符。
3.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于:所述步骤(2)具体包括以下步骤: 卷积神经网络训练算法主要分为三个阶段:构建网络结构、前向传播阶段和反向传播阶段； 第一步、构建网络结构: 本发明构建的卷积神经网络采用7层结构，训练的初期对网络结构进行构建，对网络的权值采用不同的小随机数进行初始化，一般介于[-1~I]范围内，偏置初始化置为O ; 第二步、前向传播阶段: (1)输入层输入目标图像Y，以及对应的目标矢量d，卷积层由卷积核对输入图像依次进行卷积，并加上偏置，再通过非线性激励函数得到:
4.根据权利要求1所述一种基于卷积神经网络的易拉罐罐底喷码字符检测方法，其特征在于:所述步骤(3)具体包括以下步骤: 第一步、根据字符识别实时在线检测精度要求，调整好相机镜头光圈、焦距等机械参数，实时获取易拉罐罐底字符图像，采用步骤(1)中的方法分割出单个的字符； 第二步、将分割好的单个字符归一化到28*28大小，并直接送入训练好的分类器中，经过卷积、下采样等前馈学习，输出字符信息； 第三步、将输出的字符信息与生产线管理系统进行数据传输，实现对于易拉罐的生产日期及批号的管理，由电气控制系统执行检测结果，对于与管理系统中不相符的、或者缺印、漏印无法识别的不合格易拉罐进行剔除。
【文档编号】G06K9/62GK103927534SQ201410173859
【公开日】2014年7月16日 申请日期:2014年4月26日 优先权日:2014年4月26日
【发明者】白瑞林, 南阳, 吉峰, 李新 申请人:无锡信捷电气股份有限公司, 江南大学