火車輪字符動(dòng)態(tài)識(shí)別仿真系統(tǒng)設(shè)計(jì)分析

馬曉歡 郭陽寬 張曉青

摘??要：本文提出了利用機(jī)器視覺方法代替人工實(shí)現(xiàn)對(duì)車輪加工過程中字符的識(shí)別。使用自研激光輪廓傳感器，基于OpenCV對(duì)圖像進(jìn)行預(yù)處理，對(duì)字符進(jìn)行分割、歸一化等操作，實(shí)現(xiàn)對(duì)字符字型的多次識(shí)別。實(shí)驗(yàn)表明：識(shí)別準(zhǔn)確率達(dá)98.8%，具有識(shí)別準(zhǔn)確率高、效率高等優(yōu)點(diǎn)。

關(guān)鍵詞：機(jī)器視覺;動(dòng)態(tài)識(shí)別;字符分割;模板匹配

中圖分類號(hào)：TP39 ???文獻(xiàn)標(biāo)識(shí)碼：A ???文章編號(hào)：2096-6903（2019）03-0000-00

0 引言

字符識(shí)別技術(shù)是機(jī)器視覺分支中一個(gè)重要的研究方向且在多種工業(yè)場(chǎng)合代替人工，其應(yīng)用有效的降低識(shí)別的錯(cuò)誤率，同時(shí)提高生產(chǎn)效率。工業(yè)中常見的字符主要有壓印字符、噴碼字符、浮雕字符、手寫字符等字符。火車輪字符屬于浮雕字符的一種，是存在于物體表面凹凸的一種立體字符，且字符與母體顏色相同。在字符識(shí)別過程中，其容易受到火車輪旋轉(zhuǎn)速度的影響，因此會(huì)產(chǎn)生失真或者噪聲等問題。針對(duì)火車輪檢測(cè)現(xiàn)場(chǎng)需求及問題，提出利用機(jī)器視覺的方法，基于C++與OpenCV開發(fā)，對(duì)圖像進(jìn)行處理識(shí)別。

1 系統(tǒng)設(shè)計(jì)

按火車輪尺寸1：1設(shè)計(jì)火車輪餅?zāi)Ｐ图白址?，如圖1所示，在電機(jī)驅(qū)動(dòng)下火車輪模型速度2圈每秒。采用自研激光輪廓傳感器，傳感器投射出一條激光，從待檢測(cè)物體表面返回的激光條在CCD上呈二維圖像，將激光條拼接可實(shí)現(xiàn)立體成像。

字符識(shí)別系統(tǒng)設(shè)計(jì)流程如圖2：

1.1 預(yù)處理

實(shí)現(xiàn)彩色圖像到灰度圖的轉(zhuǎn)化和二值化處理，將整個(gè)圖像呈現(xiàn)出黑色背景，字符為白色。利用先腐蝕后膨脹的方法消除圖像噪聲。對(duì)于膨脹：

對(duì)于腐蝕：

1.2?字符分割及排序

對(duì)掃描字符進(jìn)行分割，首先從預(yù)處理后的圖像中尋找字符輪廓，再實(shí)現(xiàn)單個(gè)字符的分割。同時(shí)將通過分割后字符輪廓外部矩形左上角橫坐標(biāo)采用冒泡排序的方法對(duì)字符進(jìn)行順序排列，恢復(fù)火車輪字符的原本排序。

1.3?歸一化

匹配識(shí)別需要被識(shí)別的圖像和模板圖像大小一致，分割后的圖像并不一致，需要對(duì)分割后的字符進(jìn)行歸一化處理。

比較兩張圖片的大小，相似性函數(shù)為：

將這個(gè)相似性函數(shù)展開得：

從上式可以看出，展開式的第一項(xiàng)和第三項(xiàng)的值是選定模板后的固定值，對(duì)于相似形函數(shù)，值越大越不相似，也就是說第二項(xiàng)的值越小越不相似，所以我們需要將分割后的字符進(jìn)行歸一化，

1.4?基于平方差的模板匹配

將經(jīng)過預(yù)處理后的字符與制作好模板庫進(jìn)行匹配，模板庫中包含所有可能出現(xiàn)的“0～9” “A～Z” “—”共37個(gè)歸一化后的字符圖像。

在設(shè)計(jì)圖像識(shí)別系統(tǒng)中，采用平方差匹配法（TM_SQDIFF）進(jìn)行識(shí)別。其計(jì)算方法為：

T為模板圖像，i為帶匹配圖像，為模板圖像的能量，為圖像I局部的能量。平方差匹配法是利用平方差來進(jìn)行匹配，最好匹配為0，匹配差越小，則匹配值越小，匹配效果越好。

2?實(shí)驗(yàn)結(jié)果與分析

在火車輪動(dòng)態(tài)運(yùn)轉(zhuǎn)情況下使用激光輪廓傳感器采集圖像，如圖3所示。

識(shí)別結(jié)果如圖4顯示。

多次試驗(yàn)表明，準(zhǔn)確率達(dá)98.8%，為火車輪字符動(dòng)態(tài)識(shí)別現(xiàn)場(chǎng)檢測(cè)提供可靠依據(jù)。

3?結(jié)語

該系統(tǒng)字符識(shí)別準(zhǔn)確率高、模板匹配型好，能較好的適應(yīng)工業(yè)現(xiàn)場(chǎng)的需求，因此具有很好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]?Mei L， Guo J， Liu Q， et al. A Novel Frame work for Container Code-Character Recognition Based on Deep Learning and Template Matching[C].2016 International Conference on Industrial Informatics-Computing Technology， Intelligent Technology， Industrial Information Integration（ICIICII）.Wuhan，China，IEEE，2016：78-82.

[2]?段西利.工業(yè)工件復(fù)雜表面的字符識(shí)別方法研究[D].西安：西安理工大學(xué)，2019.

[3]?蔡玉婷，王外忠，杜孟杰，楊鑫，周鐵軍.數(shù)字字符識(shí)別技術(shù)及應(yīng)用[J].電子技術(shù)與軟件工程，2019（21）：66-68.

[4]?李安翼.高速鋼軌焊前軌腰字符動(dòng)態(tài)識(shí)別系統(tǒng)的開發(fā)[D].武漢：武漢工程大學(xué)，2018.

[5]?竺博，吳嘉嘉，何春江，胡金水.人工智能在手寫文檔識(shí)別分析中的技術(shù)演進(jìn)[J].電子測(cè)試，2019（13）：5-8+48.

收稿日期：2019-06-10

作者簡(jiǎn)介：馬曉歡（1995—），女，河南安陽人，碩士，研究方向：機(jī)器視覺。

Design of Fire Wheel Character Dynamic Recognition Simulation System

MA xiaohuan?， GUO Yangkuan?， ZHANG Xiaoqing

（Beijing Information Science and Technology University， School of Instrument Science and opto Electronics Engineering， Beijing??100192）

Abstract：?A method of using machine vision to replace the manual recognition of characters during wheel processing is proposed. A self-developed laser contour sensor is used to pre-process the image based on OpenCV， to segment and normalize characters， and to recognize the character font multiple times. Experiments show that the recognition accuracy is 98.8%， and the recognition accuracy is high and the efficiency is high.

Keywords：?Machine vision; Dynamic Recognition; Character segmentation; Template matching