計算機(jī)視覺在條形碼缺陷檢測中的應(yīng)用

嚴(yán)小紅

(1. 新疆交通職業(yè)技術(shù)學(xué)院 運(yùn)輸管理學(xué)院， 新疆 烏魯木齊 831401;2. 南京航空航天大學(xué) 航空宇航學(xué)院, 江蘇 南京 210016)

計算機(jī)視覺在條形碼缺陷檢測中的應(yīng)用

嚴(yán)小紅1,2

(1. 新疆交通職業(yè)技術(shù)學(xué)院 運(yùn)輸管理學(xué)院， 新疆 烏魯木齊 831401;2. 南京航空航天大學(xué) 航空宇航學(xué)院, 江蘇 南京 210016)

提出一種新的基于計算機(jī)視覺技術(shù)的識別方法.通過各種計算機(jī)視覺算法的合理配置，達(dá)成對缺陷條形碼的修正和識別.在預(yù)處理階段，采取線性灰度化方法和Ostu閾值分割方法，增強(qiáng)黑色條紋和白色背景之間的對比度；在條紋定位階段，采取Canny邊緣檢測和Hough變換，有效定位黑色條紋對應(yīng)的直線特征.實驗結(jié)果表明：該方法對缺陷條形碼的識別是有效的. 關(guān)鍵詞： 缺陷條形碼; 機(jī)器視覺; Ostu分割; Hough變換

快速有效地識別商品的相關(guān)信息，對于自動分揀、智能銷售等工作都具有非常重要的意義[1].如同人的身份證一樣，商品也有自己的身份識別標(biāo)志，那就是條形碼.Toshihiko等[2]提出一種迭代識別方法，并將該方法從一維條形碼識別的應(yīng)用擴(kuò)展到二維條形碼識別.姚俊等[3]研究了復(fù)雜背景對條形碼識別的影響，并提出一種基于模板匹配技術(shù)的條碼圖像分割方法.黃小英[4]構(gòu)建一種基于網(wǎng)格劃分的條形碼檢測方法.Tekin等[5]構(gòu)建了條形碼圖像信號的一階差分方程，通過一階差分處理對噪聲的抑制，實現(xiàn)條形碼圖像的準(zhǔn)確識別.陳萍蕓等[6]則選擇傅里葉變換方法，將圖像信號變換到頻率域，在頻率域上消除噪聲后，再將圖像信息映射回灰度空間域，最終完成了條形碼圖像的識別.馬超[7]提出條形碼圖像中存在缺陷時，模板匹配對解決此類問題是有效的.王霞玲等[8]構(gòu)建了一種基于稀疏表達(dá)和模糊處理的模糊條形碼識別方法.基于此，本文針對有缺陷的條形碼識別問題，提出一種基于計算機(jī)視覺的識別方法.

圖1 缺陷條形碼圖像的識別流程Fig.1 Recognition process of defect barcode image

1 缺陷條形碼的識別流程

條形碼缺陷出現(xiàn)的原因有多個方面，如包裝經(jīng)常受到磨損、拍攝過程中出現(xiàn)的閃光燈等，都有可能造成條形碼圖像中條碼特征部分的缺失[9-10].這時，用一般的條形碼圖像的機(jī)器視覺識別方法往往因檢測不到完整的條紋而無法實現(xiàn)準(zhǔn)確的讀數(shù).為了解決不完整條形碼的機(jī)器視覺識別問題，文中結(jié)合一些典型的圖像處理技術(shù)，構(gòu)建的識別方案，如圖1所示.

2 關(guān)鍵步驟的算法

文中算法包含以下7個步驟：1) 對彩色條形碼圖像進(jìn)行灰度化處理；2) 對已經(jīng)變成灰度的條形碼圖像執(zhí)行閾值分割，以增強(qiáng)黑色條紋和背景之間的對比度；3) 執(zhí)行Hough變換，以檢測條形碼圖像中的矩形輪廓；4) 確定條碼的上方邊界；5) 確定條碼的下方邊界；6) 將殘缺的條形碼執(zhí)行延伸處理，形成完整的條形碼；7) 完成條形碼的編碼識別.其中，條形碼圖像的灰度化處理、條形碼圖像的閾值分割、條形碼圖像的Hough變換直線特征檢測是最關(guān)鍵的環(huán)節(jié).

2.1 灰度化處理

彩色圖像中，每個像素的顏色信息包含R，G，B三個分量，對其進(jìn)行線性化灰度處理的方法是將3個顏色分量按照一定的權(quán)重系數(shù)加權(quán)求和，并最終設(shè)置為R=G=B，加權(quán)求和的數(shù)學(xué)模型為

(1)

式(1)中：f表示彩色圖像灰度化處理之后的灰度值；R,G,B分別表示彩色圖像原始信息中，紅色、綠色、藍(lán)色3種顏色信息的分量；ω1,ω2,ω3分別表示3種顏色信息的權(quán)重系數(shù)，即合成最后灰度時，每個顏色分量信息在像素灰度中所占的比例.

按照線性化的處理，并不是所有的ω1,ω2,ω3組合都能達(dá)到理想的灰度效果.一般認(rèn)為，要保持灰度化結(jié)果和原有圖像信息的不失真表達(dá)，ω1,ω2,ω3的配置比例應(yīng)該為(0.299，0.587，0.114).根據(jù)大量的實驗結(jié)果證實，這組ω1,ω2,ω3配置形成的灰度化處理效果幾乎毫無失真地表達(dá)了原始圖像信息，因此，被認(rèn)定為灰度化處理的最佳線性組合.

2.2 Ostu閾值分割

首先，采用f表示原始的圖像信息，并根據(jù)先驗知識將其灰度等級設(shè)置為L(0,1,…,L-1).如果這幅圖像的像素總數(shù)為N，那么,存在如下關(guān)系,即

(2)

式(2)中：Ni表示f中第i個等級的全部像素數(shù)量.

其次，對求取出的全部Ni執(zhí)行歸一化處理，實際的操作為

(3)

再次，根據(jù)設(shè)定的初始閾值,將原始圖像的像素集合進(jìn)行劃分，形成兩個子集并分別用C0和C1表示，最終獲得的概率和均值分別為

(4)

式(4)中：w0+w1=1.

最后，執(zhí)行兩個子集C0和C1的類間方差計算，此時，能滿足最大類間方差的閾值就是最佳閾值.

2.3Canny邊緣檢測

采取邊緣檢測，確定各個黑色條紋的邊界，以便于后續(xù)的Hough變換檢測直線特征.常見的邊緣檢測方法有Roberts邊緣檢測、Sobel邊緣檢測、Prewitt邊緣檢測、Log邊緣檢測、Canny邊緣檢測等.其中，Roberts邊緣檢測、Sobel邊緣檢測、Prewitt邊緣檢測等方法獲得的邊緣檢測結(jié)果往往都不是單像素邊界，這樣的結(jié)果對于Hough變換檢測直線特征無疑會造成障礙.因此，文中選擇Canny邊緣檢測算法定位黑色條紋的邊界.

圖2 Hough變換的對應(yīng)關(guān)系Fig.2 Corresponding relation of Hough transform

2.4 Hough變換檢測直線

Hough變換的核心表達(dá)式為

(5)

經(jīng)過Hough變換，XOY下的直線特征和極坐標(biāo)系下的正弦曲線對應(yīng)關(guān)系，如圖2所示.

用數(shù)學(xué)模型描述Hough變換前后的對應(yīng)關(guān)系，即

(6)

3 結(jié)果與分析

實驗以一臺主流配置的Dell筆記本電腦為核心設(shè)備，以Matlbab為編譯平臺.有缺陷條形碼的識別實驗，如圖3所示.

(a) 閾值分割后的條形碼圖像 (b) Hough變換處理后的條形碼圖像

(c) 頂部和底部連接后的條形碼圖像 (d) 缺陷補(bǔ)足處理后的條形碼圖像圖3 有缺陷條形碼的識別實驗Fig.3 Identification experiment of defective bar code

針對破損條形碼圖像(圖3(a))，首先執(zhí)行閾值分割,以增強(qiáng)圖像特征.因為圖像是黑白圖像，因此,省去灰度化環(huán)節(jié).執(zhí)行閾值分割后的效果,如圖3(b)所示.由圖3(b)可知：Hough變換將不完整條形碼圖像中的所有直線特征全部檢測出來，包括完整的直線特征和不完整的直線特征，程序會自動將檢測到的直線特征并標(biāo)記.然后，繼續(xù)執(zhí)行不完整條形碼識別中的第3步和第4步，搜索并繪制條形碼水平邊界的直線特征，如圖3(c)所示.圖3(c)中，這兩條直線被標(biāo)記出來.所有垂直方向上的直線特征將分別向兩側(cè)延伸，直至到達(dá)這兩條水平直線.所有直線特征全部延伸到兩條水平直線特征處的效果，如圖3(d)所示.原本不完整的直線特征被標(biāo)記出來.至此，本不完整的矩形條形碼特征又重新生成，可以用于條紋寬度比對，進(jìn)而根據(jù)條形碼編碼規(guī)則獲得商品信息.

圖4 識別準(zhǔn)確率的對比實驗Fig.4 Comparison experiment of recognition accuracy

為了驗證文中方法對破損變形條形碼識別處理的有效性，對50幅破損條形碼圖像進(jìn)行實驗.分別考察其處理前后的識別準(zhǔn)確率，對比結(jié)果如圖4所示.圖4中：n為識別條形碼圖像的總數(shù)；η為識別準(zhǔn)確率.

由圖4可知：對于破損的條形碼圖像，如果不經(jīng)過任何處理就執(zhí)行識別，隨著要識別條形碼圖像數(shù)量的增長，其識別準(zhǔn)確率基本在30%上下波動，這個識別準(zhǔn)確率是非常低的.而經(jīng)過了文中方法的修復(fù)處理，隨著要識別條形碼圖像數(shù)量的增長，其識別準(zhǔn)確率基本穩(wěn)定在90%左右.

4 結(jié)論

針對有缺陷的條形碼識別問題，提出一種基于計算機(jī)視覺的識別方案，分為7個步驟完成條形碼的識別.分別采取基于線性處理的灰度化方案，以獲得灰度條形碼圖像，采取Ostu閾值分割方法增強(qiáng)黑色條紋和白色背景之間的對比度，采取Canny邊緣檢測定位黑色條紋，采取Hough變換檢測黑色條紋的直線特征，進(jìn)而將殘缺條紋補(bǔ)全以完成最終的條形碼識別.

實驗結(jié)果表明：各種計算機(jī)視覺的處理方法合理地配置在一起，能有效地完成缺陷條形碼的識別.相對于一般的條形碼識別方法，文中方法對缺陷條形碼的識別準(zhǔn)確率有大幅度的提高.針對已經(jīng)出現(xiàn)破損的條形碼圖像，對其先修復(fù)再識別的處理可以大大提升條形碼識別的準(zhǔn)確率.所以，在商品分類與銷售的過程中，文中方法具有可觀的理論意義和實用價值.

[1] 賴麗旻,洪青陽.聲紋識別在開放儀器管理中的應(yīng)用[J].華僑大學(xué)學(xué)報(自然科學(xué)版),2015,36(5):517-521.

[2] WAKHARA T,YAMAMOTO N.Image processing of 2-dimensional barcode[J].Network-Based Information Systems,2011,22(4):56-65.

[3] 姚俊,范永法,潘樹國.基于模板匹配的有復(fù)雜背景的條碼圖像區(qū)域分割[J].河海大學(xué)常州分校學(xué)報,2013,17(4):24-27,67.

[4] 黃小英.基于圖像的條形碼識別的算法研究及設(shè)計[J].電子技術(shù),2011,38(5):21-22.

[5] TEKIN E,COUGHLAN J.A Bayesian algorithm for reading 1D barcodes[C]∥Canadian Conference on Computer and Robot Vision.Washington D C：IEEE Computer Society,2009:61-67.

[6] 陳萍蕓,林春深.一種改進(jìn)的動脈CT圖像去噪方法[J].華僑大學(xué)學(xué)報(自然科學(xué)版),2015,36(4):443-448.

[7] 馬超.面對條形碼圖像缺陷的表面檢測系統(tǒng)的研究與實現(xiàn)[D].北京：北京郵電大學(xué),2013:10-21.

[8] 王霞玲,呂岳,文穎.復(fù)雜背景和非均勻光照環(huán)境下的條碼自動定位和識別[J].智能系統(tǒng)學(xué)報,2010,5(1):35-40.

[9] SPAGNOLOA G S,COZZELLAA L,De SANTIS M.New 2D barcode solution on computer generated holograms: Holographic barcode[C]∥International Symposium on Communications, Control and Signal Processing.Rome:IEEE Press,2012:1-5.

[10] YAHYANEJAD S,STR?M J.Removing motion blur from barcode images[C]∥IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops.New York:IEEE Press,2010:41-46.

(責(zé)任編輯： 黃曉楠 英文審校： 吳逢鐵)

Application of Computer Vision in Defect Bar Code Detection

YAN Xiaohong1,2

(1. School of Transportation Management,Xinjiang Vocational and Technical College of Communications， Urumqi 831401, China；2. College of Aerospace Engineering， Nanjing University of Aeronautics and Astronautics， Nanjing 210016， China)

A new recognition method based on computer vision technology is put forward. Through the reasonable configuration of various computer vision algorithms, the correction and identification of defective bar code is achieved. In the preprocessing stage, the linear gray level method and the Ostu threshold segmentation method are adopted to enhance the contrast between the black stripes and white background. In the phase of fringe orientation, Canny edge detection and Hough transform are adopted to effectively locate the linear features of black stripes. The experimental results show that this method is effective for the identification of defective bar code. Keywords： defect bar code; machine vision; Ostu segmentation; Hough transform

10.11830/ISSN.1000-5013.201701021

2016-11-25

嚴(yán)小紅(1987-)，女，講師，博士研究生，主要從事軟件工程、測試計量技術(shù)及儀器的研究.E-mail:312090008@qq.com.

國家自然科學(xué)基金資助項目(12WK02)

TP 242.63

A

1000-5013(2017)01-0109-04