机加工件点阵字符识别研究

文章介绍了针对机加工件上点阵字符图像处理的关键技术,包括灰度值调整、分割图像、训练OCR和识别。对BP神经网络的结构及参数进行设计,采用逐像素特征提取法对字符进行识别,针对相似字符的识别本文采取了再次分类特征提取,最终对所提取字符的识别率有了很大提升,取得了满意的识别结果。

基于模板匹配和支持向量机的点阵字符识别研究

食品、药品包装上的点阵字符信息一般包含生产日期和其他重要信息。针对目前单一的点阵字符识别方法准确率不高,且对点阵字符在复杂环境下(既包含点阵字符又包含连续字符)字符定位准确性低的问题,提出了一种基于模板匹配和支持向量机(Support Vector Machine,SVM)的组合点阵字符识别方法。该方法利用点阵字符的离散性质来准确定位点阵字符,然后分别通过基于灰度的模板匹配和基于特征的模板匹配方法得到两个判定结果。若判定结果相同,则识别出字符;若判定结果相异,将这两个结果送给SVM进行识别,得出识别结果。实验结果表明,该方法在点阵字符的定位准确性和识别率方面都优于传统字符识别方法,且识别鲁棒性较好,字符识别率达到96.10%。

产品外包装点阵喷码字符识别研究

以饮料瓶盖顶面日期批号的点阵喷码字符识别为例,探讨点阵字符图像分析识别技术。针对点阵喷码字符的不连续特点,无法直接沿用连续笔画数字符号的识别算法,必须有针对性地研究离散点阵构成数码符号的图像识别技术。本文采用高斯核RBF神经网络类算法,优化图像处理判别参数的确定方式,实现样本分类模型的训练与分类器设计,显著改善了点阵字符识别的准确度。

基于CNNs识别反馈的点阵字符检测方法

针对点阵字符因错误分割导致识别准确率较低的问题,提出了一种基于卷积神经网络(CNNs)识别反馈的点阵字符检测方法。首先采用多尺度窗口获取多个候选区域并建立CNNs对其进行识别,利用投票机制对多个识别结果进行综合决策,然后根据决策结果反向定位点阵字符并完成字符分割,最后提出一种滑动翻转窗口对所有字符进行分割与识别。实验结果表明,该方法在点阵字符的定位准确率和识别率方面都优于传统字符识别方法,分别达到了97.53%和97.50%。

基于机器视觉的化妆品纸质标签缺陷检测方法

针对化妆品纸质标签生产中出现的不干胶标贴漏贴、偏移、倾斜、叠加,生产日期字符漏喷、偏移、倾斜、多喷,日期喷印错误等缺陷,提出一种化妆品纸质标签缺陷视觉检测方法。首先,利用数字形态学与连通域分析技术,从倾斜校正后的标签本体图像中分别提取不干胶标贴和日期字符区域;其次,分别提取区域重心坐标与方向角检测不干胶标贴和日期字符的位置缺陷;进而,在日期点阵字符垂直校正基础上分割字符,提取网格特征、垂直投影、投影宽度及字符占空比等字符特征,利用这些特征训练BP神经网络并实现对日期点阵字符的识别;最后,在样机上采集了大量正常及具有不同类型缺陷的化妆品标签图像,进行实验验证。实验结果表明:该算法准确率高、稳定性好,能够快速检测位置缺陷和准确识别日期字符,检测准确率可达94.4%。