基于Mask-RCNN的纸质医药包装钢印字符识别

为实现纸质医药包装钢印字符的实时检测,设计一种基于图像处理和深度学习的钢印字符识别系统。系统首先采用多种图像处理的方法对原始打光下的图像进行预处理,从而自动提取图片中的感兴趣区域,并将其输入训练好的Mask-RCNN网络进行实例分割,得到每张图片中的不同字符的像素位置与其字符数值。实验结果表明,对比传统的字符识别方法,该方法可以很好地解决纸质医药包装钢印字符图片中灰度跳变不明显的问题,准确分割出纸质包装盒图片中的钢印字符并进行标记,其字符的识别准确率达到99%,为生产线上钢印字符的识别和记录提供了新的解决思路,具有较高的实用价值。

一种抗噪的钢印打码字符识别方法

针对总间隔支持向量机对噪声敏感的问题,引入pinball损失函数,提出基于pinball损失函数的总间隔支持向量机。同时提出噪声环境下的钢印打码字符识别方法,首先对钢印图像的字体进行预处理,然后使用基于pinball损失函数的总间隔支持向量机对图像特征进行分类。实验结果分析表明本文提出的基于pinball损失函数的总间隔支持向量机可以较好地应用于噪声环境下的钢印打码字符识别,在分类效果和ROC曲线指标上具有令人满意的效果。