[发明专利]一种基于BP神经网络的钢印字符识别方法

权利要求书

1.一种基于BP神经网络的钢印字符识别方法，其特征在于，包括以下步骤：

S1.通过CCD相机采集钢印表面图片，并将其放入训练集中；

S2.对训练集中的图片，通过灰度转换将RGB图像转换为灰度图；

S3.对灰度变化后图像，进行图像预处理；

S4.对预处理后的图像进行图像阈值分割，将字符区域与背景区域分离；具体实施时，通过机器学习聚类算法，将背景与钢印字符的灰度值分为两类，并分别将两个族内的灰度值分别重置为0与255，从而实现图像的阈值分割，其流程具体如下：

步骤1：首先随机选取两个像素点的像数值作为初始均值向量{u₁，u₂，u₃}，然后计算各像素点到各均值量的曼哈顿距离

其中x_i为初始均值，而x_j则为图像中各像素点的像素值；

步骤2：遍历图像像素点，比较像素点与初始均值的曼哈顿距离，若与初始均值u₁接近，即曼哈顿距离值小，则划入C₁族内，反之则划入C₂族内；

步骤3：计算两个族内的灰度值均值，并与初始向量{u₁，u₂，u₃}相比，若其向量之差小于允许的误差值，则停止划分，等待下一步处理；反之则重复上述步骤，直至向量之差小于允许误差值；

步骤4：分别计算u₁，u₂，u₃点在整个图像内的占比，假设u₁＜u₂＜u₃，根据图像预设背景区域大于70％，若u₃占比大于70％，则认为u₃为背景区域，将其族内点集灰度值置为0，其他两族置为1，反之，则认为u₁，u₃为背景区域，将其族内点集灰度值置为0，u₂族点集置为1，完成图像阈值分割；

S5.对阈值分割后的图像进行连通域标记，通过判定连通域的大小来删除图像中存在的噪点；

S6.对删除噪声后的图像进行图像字符分割操作，将图像中的字符区域分割成单个字符图像；

S7.对图像字符分割后的图像进行归一化处理，并将分割处理后的字符图像分别放入相应的0～9的字符文件夹中，将训练集中的图片重复上述步骤，并判断是否全部执行，若未执行完，则继续上述步骤；

S8.若执行完毕，则将步骤S7中得到字符归一化处理后的字符图像以文件夹的名称作为训练标签放入BP神经网络中训练，得到BP神经网络训练的模型；

S9.对实际测试图片，重复图片测试集中图片处理流程S1～S8，实现字符图片的分割与归一化处理，将处理后的图片放入BP神经网络训练的模型中进行钢印字符识别，得到相应的结果。

2.根据权利要求1所述的基于BP神经网络的钢印字符识别方法，其特征在于，所述步骤S2中灰度转换的具体操作为：

通过读取图片像素点的R、G、B值，则其灰度值通过上述操作，将彩色图像转换为灰度图像。

3.根据权利要求1所述的基于BP神经网络的钢印字符识别方法，其特征在于，所述步骤S3中图像预处理的具体操作为：

利用高斯滤波对图像进行平滑去噪，平滑的程度取决于标准差；其输出是领域像素的加权平均，离中心越近的像素权重越高。

4.根据权利要求1所述的基于BP神经网络的钢印字符识别方法，其特征在于，所述步骤S5中删除图像中存在的噪点，具体操作为：

噪点是表面坑洼造成的，通过连通域标记，确定阈值分割后的连通域个数，通过判定连通域面积大小从而可以判定哪些连通域是属于字符，哪些属于背景中，进而将属于背景的连通域删除，从而实现图像噪点的去除。