[发明专利]一种基于卷积神经网络的零部件喷码检测方法

说明书

本发明公开了本发明提供了一种基于卷积神经网络的零部件喷码检测方法，包括以下步骤：S1：采集图像；S2：提取喷码区域二值图像；S3：分割喷码区域；S4：训练卷积神经网络；S5：喷码检测。本发明使用形态学方法对喷码区域进行提取，通过仿射变换完成喷码区域的倾斜矫正，能有效地提取喷码区域并完成正畸，排除喷码区域周围的噪音以及喷码倾斜造成的干扰，有较好的鲁棒性；且通过对投影算法进行改进，根据目标图像自有的信息完成单个字符分割，无需字符数量、字符宽度等先验信息，有效地解决了传统算法需要事先给定字符数量等先验知识的局限性。

技术领域

本发明涉及机器学习和计算机视觉技术领域，特别是涉及一种基于卷积神经网络的零部件喷码检测方法。

背景技术

计算机视觉和机器学习都是最近几年飞速发展的热门技术，给人们的生产生活带来了巨大的变化。在计算机视觉和机器学习逐渐融入人们的日常生活的过程中，人们也开始思考其在工业领域的应用。工业生产中零部件的喷码检测问题就是一个重要的应用方向。

喷码检测与识别是在生产过程中对产品进行分类、跟踪的重要手段，是生产线后续加工方案的确定依据。在过去几十年中，计算机视觉技术取得了很大的突破，但是在工厂特定的工况下取得工业级高质量的检测效果和准确度仍然存在很多问题，如：喷码图像背景嘈杂、字符粘连会导致喷码检测结果错误，由于零件不平整、喷码断断续续导致喷码无法检测等等问题，从而人工识别喷码效率低、错误率高、成本高，目前计算机视觉技术在处理字符粘连、喷码离散问题时效果不好且需要依赖先验知识才能完成检测识别。

因此本领域技术人员致力于开发一种能有效地解决目前计算机视觉技术在处理字符粘连、喷码离散问题时效果不好或需要依赖先验知识才能完成检测识别的问题，能有效地去除噪声干扰、完成文字正畸，达到高精度识别喷码字符的效果。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种能有效地解决目前计算机视觉技术在处理字符粘连、喷码离散问题时效果不好或需要依赖先验知识才能完成检测识别的问题，能有效地去除噪声干扰、完成文字正畸，达到高精度识别喷码字符的效果。

为实现上述目的，本发明提供了一种基于卷积神经网络的零部件喷码检测方法，包括以下步骤：

S1：采集图像；

S2：提取喷码区域二值图像；

S3：分割喷码区域；

S4：训练卷积神经网络；

S5：喷码检测；

其中，所述步骤S3分割喷码区域包括：

S301：行分割，将字符按行分开，先通过以下公式将每行的白色像素点个数进行统计：

其中，

其中，white[i]为第i行的白色像素点个数；

g(i,j)为i行j列的灰度值；

COL为图像的像素矩阵的列数；

再找出white[0.4ROW,0.6ROW]区域内的最小值，其对应的i值即是分割行，从i行将两行字符分隔开；

其中ROW为步骤S2所得图像的像素矩阵的行数；

S302：字符分割，图像进行行分割后，再对每行的每个字符进行分割，对于每行字符图像的像素矩阵，首先统计每列的白色像素点个数B[j]，其中，此处，row,col分别为该行字符图像的像素矩阵的行和列；

再设置阈值k＝0.1×maxB[j]，从而得到粗分割的分割列的集合C[i]，