分析喷码识别系统

1系统组成和工作原理。

　　1.1系统组成。

　　该系统由工控机，喷码机，光源，工业相机和随动系统组成。其中横切光标，纵切光标的图像的采集使用的是AVT公司的stingrayCCD高速相机F033，其在全分辨率的情况下可达到84fps.喷码字符的图像的采集使用的是AVT公司的stingrayCCD高分辨率相机。伺服电机是松下电机。

　　1.2系统的工作原理。

　　本系统在结构和功能上可以分为两大部分，一部分是完成喷码头随动的控制系统，其主要是通过对纵切光标图像的处理，识别及判断，获得纵切光标的相对位置，并将该值传送给随动控制器进行随动控制；另一部分是完成喷码及字符识别的喷码，识别系统，对产品上横切光标的检测，旋转编码器脉冲的计算，当产品到达系统预先要求位置时，喷码控制器触发喷码机进行喷码，计算机通过相机采集喷码图像，识别喷码数据并保存。

　　2横切光标，纵切光标检测算法。

　　横切光标和纵切光标是卷筒纸本身的特征，它们把卷筒纸分成大张。横切光标的检测是确定喷码位于哪一大张上。由于产品在运动过程中在横向方向上有位置漂移，为了保证喷码位置的准确性，本系统采用检测纵切光标的相对位置，通过随动系统让喷码头跟随产品的横向位移。

　　2.1横切光标的检测。

　　横切光标图像是通过相机以内部触发的工作模式连续采集（图2-2a所示），经过图像处理判断横切光标是否存在，若存在则计算横切光标中心的位置。

　　2.1.1阈值分割。

　　阈值分割是图像分割算法中最简单的分割算法，也被称为图像的二值化处理。阈值分割是基于自身灰度值的，其操作被定义为：。阈值分割将图像ROI内灰度值处于某一指定灰度值范围内的全部点选到到输出区域S中。如果光照能够保持恒定，阈值gmin和gmax能在系统设置时被选定且永远不用调整。取阈值是一种区域分割技术，它对物体与背景有较强对比的景物分割效果较好。然而在数字化的图像数据中，无用的背景数据常与目标对象的数据常常混在一起，还有各种噪声。所以必须根据图像的统计性质，即从概率的角度来选择合适的阈值。本系统采用的阈值就是根据实验得出的固定值。同时在分割出来的区域中会存在一些干扰像素，需要通过滤波（如基于面积或形态学的方法），来获得比较干净的目标对象。

　　2.1.2连通区域的提取。

　　通常情况下，分割后得到的区域中所包含的多个物体是彼此独立的，而我们是将横切光标作为一个独立的区域来提取的。

　　这就需要计算区域内包含的连通区域。

　　2.1.3特征提取。

　　横切光标主要是通过面积，长度和宽度来提取，即基于区域特征的提取。其中面积是最简单的区域特征。

　　区域的面积a就是区域内像素点的个数。如是区域是用行程编码表示，区域的面积用上式中的求和等式计算。则行程表示法可以高效地计算区域的矩。

　　a横切光标图像b二值化后的图像c滤波，提取后的光标图2-2横切光标检测图像

　　2.2纵切光标的检测。

　　纵切光标在卷筒纸的纵向上虽然是间断的，但由于相机是内部触发连续采集，钞纸的运动速度为60~100m/min，所以相机采到的每张图像上都有纵切光标。纵切光标图像预处理方法与横切光标图像处理方法相同。为了缩小目标的搜索范围，在此根据纵切光标的变动情况定义一个ROI.纵切光标的检测算法流程如图2-3所示。

　　图2-3纵切光标的检测流程上图中的指针安装在喷码头上，其位置代表喷码头的位置。

　　通过计算光标与指针之间的距离S，对随动跟踪就构成了闭环控制。纵切光标在横向摆动的时候会产生倾斜角α，为了更加准确的计算指针和纵切光标之间距离S，需采用在指针中心同一高度差值运算，即。纵切光标图像处理如图2-4所示。

　　a纵切光标图像b二值化后的图像c提取纵切光标d提取指针图2-4纵切光标检测图像

　　3点阵字符识别算法。

　　点阵字符识别算法主要包括ROI的提取，字符图像预处理，字符分割，SVM训练和识别等。

　　3.1图像预处理。

　　喷码字符是5×7点阵，喷码时，钞纸处于高速运行状态，喷印的字符很可能出现多点少点或者点的位置有所偏移的情况，噪声干扰严重，给点阵字符的识别带来困难。为了消除这些干扰，采取了图像增强，腐蚀等算法。

　　3.1.1点阵字符的增强。

　　图像增强是增强图像中的有用信息，它可以是一个失真的过程，其目的是要增强视觉效果。将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量，丰富信息量，加强图像判读和识别效果的图像处理方法。

　　图像增强主要是通过改变图像的灰度值来实现的。变换后的灰度值tr，c仅依赖于输入图像上同一位置的原始灰度值gr，c.灰度值线性比例缩放是灰度值重要的变换。即f（g）=ag b.当|a|>1时，对比度增加，当|a|<1时，对比度则降低。当a<0时，灰度值反转，b>0时，亮度值增加，b<0时，亮度值降低。点阵字符增强后的图像如图3c所示。

　　3.1.2图像腐蚀。

　　在图像进行阈值分割后，会产生干扰点，可以用腐蚀算法来过滤掉一部分干扰信号。腐蚀和膨胀是形态学两个最基本的算法。图像形态学处理中我们感兴趣的主要是二值图像。

　　在二值图像中，所有黑色像素的集合是图像完整的形态学描述，二值图像的各个分量是Z2的元素。假定二值图像A和形态学处理的结构元素B是定义在笛卡儿网格上的集合，网格中值为1的点是集合的元素，当结构元素的原点移到点（x，y）时，记为Sxy，为简单起见，结构元素为3x3，且全都为1，在这种限制下，决定输出结果的是逻辑运算。腐蚀对Z中的集合A和B，B对A进行腐蚀的整个过程如下：⑴用结构元素B，扫描图像A的每一个像素⑵用结构元素与其覆盖的二值图像做"与"操作⑶如果都为1，结果图像的该像素为1.否则为0腐蚀处理的结果是使原来的二值图像减小一圈。

　　3.2点阵字符的提取，分割。

　　3.2.1字符填充。

　　由于点阵字符的点是间断不连续的，直接提取字符特征困难，因此需要将相邻的点连接起来。本文采用形态学中的膨胀算法来填充字符。在膨胀的过程中，用到的结构元素有圆，矩形（水平，垂直，45°和135°）。填充字符时，但可能使某些笔画产生粘连，引起字符变形和噪声。因此，我们对填充后的字符图像再次运用腐蚀算法，对图像进行滤波去噪。如图3e所示。

　　3.2.2特征提取，分割这里是采用2.13中的特征提取方法，根据字符的高度，宽度和面积来提取连通字符。再将每个字符按照外边缘转换成矩形，然后与阈值分割后字符图像进行求交运算，如图3f所示。这样就将点阵字符分割出来了。

　　3.3点阵字符的训练。

　　将上面分割出来的点阵字符用SVM分类器进行训练。我们通常希望分类的过程是一个机器学习的过程。这些数据点是n维实空间中的点。我们希望能够把这些点通过一个n-1维的超平面分开。通常这个被称为线性分类器。有很多分类器都符合这个要求。但是我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个面，该面亦称为最大间隔超平面。如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。

　　支持向量机（Supportvectormachines，SVM）将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。

　　支持向量机由Vapnik领导的ATTBell实验室研究小组在1963年提出的一种新的非常有潜力的分类技术，SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。

　　支持向量机与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术，其优点是由于采用了结构风险最小化原则尽量提高学习机的泛化能力，较好的解决了小样本学习的问题：将低维的原始空间映射到高维的特征空间，把非线性问题转化为了线性问题，同时又采用了核函数的方法，巧妙的避开了高维空间的复杂运算，使算法的实现成为可能。

　　3.4点阵字符的识别。

　　该系统采用svm方法识别喷码字符，SVM可以自动寻找对分类有较好区分能力的支持向量，由此构成的分类器可以最大化类间间隔，达到正确区分类别的目的；在解决有限样本，非线性及高维模式识别问题中表现出了许多特有的优越性能，且具有适应性强和效率高的特点。

　　a字符原始图像b自动提取ROIc点阵增强d二值化的图像e填充后的字符f分割后的字符图3点阵字符处理图像

　　4结束语。

　　实验表明该系统纵切光标的检测精度达到±0.2mm，横切光标的漏检率为0，字符识别识别具有较高准确率。同时该系统在光源变化的时候检测存在一定的误差，因此，今后将进一步做系统对光源适应性研究。

　　本文作者创新点是采用机器视觉代替传统的光电传感器检测横切光标，纵切光标，并且能够准确计算其位置。字符识别采用svm方法既保证了识别的准确率和速度，同时也能识别缺少点的字符且不需要机器对字符进行大量样本训练。本系统使钞票的生产工艺发生重大变革。