基于角點檢測的鋼板號點陣噴印字符定位算法研究

王文 袁君奇 王成林

摘 要：實現(xiàn)鋼板號點陣噴印字符的自動識別是鋼廠生產(chǎn)線實現(xiàn)自動化生產(chǎn)物料跟蹤的關(guān)鍵環(huán)節(jié)，對字符的準(zhǔn)確定位又是字符能夠準(zhǔn)確識別的重要步驟。針對某鋼廠寬厚板1號生產(chǎn)線鋼板檢測所涉及到的點陣噴印字符定位問題，提出了一種基于角點檢測的鋼板號點陣噴印字符定位算法。運用改進的meanshift聚類算法找出角點的中心，并以該中心為字符區(qū)域的中心，進而完成鋼板點陣噴印字符的定位。結(jié)果表明，該定位算法能快速、準(zhǔn)確地完成鋼板號點陣噴印字符的定位，具有更好的準(zhǔn)確性和快速性，能滿足實際生產(chǎn)的需求。

關(guān)鍵詞：自動化生產(chǎn)、字符定位、角點檢測、meanshift

引言：

OCR （Optical Character Recognition，光學(xué)字符識別）是指電子設(shè)備檢查打印在各種物品上的字符（如產(chǎn)品LOGO、生產(chǎn)日期、編碼等），通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程。1929年，德國人Tausheck提出了光學(xué)字符識別的定義[1]。近年來，國內(nèi)外掀起了新一波圖像字符識別的熱潮，國內(nèi)外許多機構(gòu)致力于OCR的研究。光學(xué)字符識別技術(shù)大致包括四個步驟，它們分別是圖像預(yù)處理，字符定位，字符分割，字符識別[2]。

目前，大多鋼廠檢測鋼板表面的點陣噴碼字符都是通過人工檢測的方式，此種方式存在一定缺陷，不足之處表現(xiàn)為：（1）鋼廠生產(chǎn)線環(huán)境較為惡劣，產(chǎn)品往往附帶高溫燙傷、運動造成的機械傷害、粉塵污染等對工人身體造成身體損傷的危險因素，安全性較差;（2）工人工作效率低，檢測的鋼板需要肉眼判定，人工錄入，且長時間工作易產(chǎn)生視覺疲勞，出現(xiàn)誤檢漏檢現(xiàn)象，從而影響鋼板的處理，導(dǎo)致鋼板質(zhì)量受到不可逆的影響。伴隨著鋼鐵產(chǎn)業(yè)在國內(nèi)的持續(xù)發(fā)展，鐵水產(chǎn)量和鋼水產(chǎn)量不斷創(chuàng)出新高，鋼鐵廠生產(chǎn)線生產(chǎn)速度加快，產(chǎn)品質(zhì)量要求提高，人工檢測鋼板號的傳統(tǒng)方法已不能滿足現(xiàn)代鋼鐵工業(yè)生產(chǎn)的需求，迫切需要研究鋼板號點陣噴碼識別技術(shù)替換人工檢測的方法，提高鋼鐵生產(chǎn)的智能化水平，實現(xiàn)鋼鐵廠生產(chǎn)過程中的智能檢測和識別。通過對現(xiàn)有字符區(qū)域定位算法的研究，分析了現(xiàn)有字符區(qū)域定位算法的優(yōu)缺點，以鋼廠實際生產(chǎn)線上點陣噴印字符區(qū)域定位為目標(biāo)，借鑒了多種算法的思想，提出了應(yīng)用于實際生產(chǎn)中的鋼板點陣噴印字符區(qū)域的定位算法，并與以往傳統(tǒng)算法在準(zhǔn)確率和時間上做了對比，通過實地測試，驗證了該算法能精確定位出鋼板點陣字符區(qū)域，能較好地應(yīng)用于復(fù)雜多變的鋼廠生產(chǎn)環(huán)境，具有較高的可靠性和有效性。

當(dāng)前金屬生產(chǎn)標(biāo)記方法介紹

冶金產(chǎn)品的標(biāo)識方式有：金屬標(biāo)簽打印，墨水噴印，涂料噴印，金屬粉末單槍噴印，壓印，熱態(tài)針打印或者刀片壓印等，也有采用電化學(xué)方法對金屬表面進行蝕刻來標(biāo)記[3]。

另外，也有輥壓式，沖打式的標(biāo)記方法[4]。寬厚板廠1號生產(chǎn)線采用點陣熱噴碼技術(shù)噴印在鋼板上的。

難點

（1）寬厚板生產(chǎn)線現(xiàn)場環(huán)境復(fù)雜，鋼板在生產(chǎn)線上動作速度不均勻，持續(xù)的高溫和為了降溫采取的噴水霧造成字符模糊情況，諸多不穩(wěn)定的現(xiàn)場圖像采集條件等都不利于相機的拍攝，直接導(dǎo)致相機采集到的圖片質(zhì)量不高，從而間接影響了鋼板點陣噴印字符定位的準(zhǔn)確度。

（2）現(xiàn)場的線陣相機實際采集到的圖片大小為2048*10000，而字符區(qū)域從180*450到220*650不等，且由于客戶需求不同，生產(chǎn)的鋼板大小不一從而導(dǎo)致字符區(qū)域在整個鋼板的位置變化不定，這加大了字符定位的難度。圖1.1為線陣相機采集到的鋼板圖像。

（3）鋼板表面粗糙、易生銹，且處理環(huán)節(jié)較多，一些使用噴水霧對鋼板降溫的過程導(dǎo)致拍攝到的圖片中字符背景顏色復(fù)雜且噪聲多。

（4）鋼板在輥道上運動時噴印點陣字符，采集鋼板圖像時鋼板也處于運動狀態(tài)。而點陣噴印設(shè)備的機械故障以及噴嘴口堵塞會造成字符區(qū)域傾斜、變形等，增大了鋼板號點陣噴印字符的定位難度。

大多數(shù)字符區(qū)域定位方法都是基于特定的場合或者特定字符，例如：Shekar采用梯度作為紋理特征并結(jié)合啟發(fā)式規(guī)則對字符區(qū)域進行定位[5]。Tian YingLi和Li ChunCai等人利用字符區(qū)域的梯度特征和顏色均勻性來形成候選字符區(qū)域，并利用結(jié)構(gòu)分析形成文本行[6]。胡正平采用筆畫作為紋理特征并利用支持向量機來區(qū)分字符和非字符區(qū)域[7]。Mariano等人對圖像進行顏色聚類操作，并分析聚類結(jié)果獲得候選字符區(qū)域[8]。本文研究的內(nèi)容是從線陣相機采集到的鋼板圖片中，圖像采集質(zhì)量不穩(wěn)定。因此，一般的字符區(qū)域定位方法不能適用于復(fù)雜生產(chǎn)線上鋼板號點陣噴印字符，無法準(zhǔn)確定位出鋼板點陣噴印字符的具體位置，并提取出鋼板號點陣字符。

4.1 meanshift聚類算法

meanshift算法是一種基于密度的非參數(shù)聚類算法，它是通過迭代尋優(yōu)找到概率分布的極值。meanshift最初的含義是偏移的均值向量。現(xiàn)在，meanshift算法通常指一種迭代的步驟，具體步驟為：算出當(dāng)前中心點的偏移均值，將當(dāng)前中心點移動到偏移均值點上，然后以此為新的起點計算出該點的偏移均值后繼續(xù)移動，不斷重復(fù)上述步驟，直至滿足一定要求后結(jié)束。

基本的Meanshift推導(dǎo)過程如下：

Meanshift算法是將中心點持續(xù)不斷的沿著概率密度增大的方向上移動，直至中心點移動到密度最大處。中心點移動步長和概率密度、梯度有關(guān)，越靠近概率密度峰值的概率密度大的地方移動的步長就會越小一些，而在概率密度小的地方，中心點移動的步長比較大。但是基本的meanshift聚類算法缺點較為明顯，易受到初值影響，初值設(shè)定不恰當(dāng)可能會陷入局部最優(yōu)。

4.2 改進的meanshift聚類算法

基本的meanshift算法能很好找出角點集的中心，但它受設(shè)定初值的影響較多，可能陷入局部最優(yōu)，無法解決偏離設(shè)定初值較多時出現(xiàn)異常情況的問題。本文針對此問題，根據(jù)寬厚板廠1號生產(chǎn)線鋼板號點陣噴印字符區(qū)域的特點，提出了改進的meanshift聚類算法，并將其運用在鋼板號點陣字符區(qū)域定位上。

生產(chǎn)線上采集到的鋼板圖片是二維圖像，且鋼板點陣噴印字符區(qū)域為矩形而非圓形，因此，meanshift算法中指定區(qū)域采用圓形區(qū)域并不能很好地涵蓋字符角點區(qū)域。經(jīng)過現(xiàn)場大量測試，本文針對鋼板號點陣字符矩形區(qū)域的特點，將圓形區(qū)域改為矩形區(qū)域，大小為字符區(qū)域的最大值即220*650，當(dāng)Meanshift算法移到密度中心的時候，檢測區(qū)域與字符區(qū)域可保證基本重合。

由于采集圖像的異常情況較多，用改進的FAST角點檢測算法檢測出的角點中，仍有部分角點為噪聲角點，這些角點大多是零散的分布在圖像的各個地方，使用傳統(tǒng)的meanshift算法進行聚類，若初始中心點為一個孤立的噪聲角點則會出現(xiàn)局部最優(yōu)的問題，針對此問題，本文在傳統(tǒng)的meanshift算法中加了一個判定從而避免了噪聲角點造成定位錯誤的情況出現(xiàn)。改進的meanshift算法具體步驟如下：

（1）程序?qū)z測區(qū)域設(shè)置為220*650的矩形區(qū)域，從點集中隨機選取一點為中心點。

（2）程序計算該矩形檢測區(qū)域內(nèi)的偏移均值，計算公式為式1.1。

（3）程序?qū)⒅行狞c的位置加上M_h （x）得到新的偏移均值點。

（4）程序?qū)⒅行狞c移到新的偏移均值點處。

（5）程序重復(fù)步驟（2）-（4），直至滿足設(shè)定要求后進行下一步操作。

（6）程序統(tǒng)計檢測區(qū)域內(nèi)角點的數(shù)量，若小于設(shè)定閾值為陷入局部最優(yōu)，則從步驟（1）中重新開始;若大于設(shè)定閾值則聚類完成。

在改進的meanshift算法中，實際字符區(qū)域大小與檢測區(qū)域的大小基本相同，字符區(qū)域中心點與聚類的中心點基本重合。

4.3準(zhǔn)確定位鋼板點陣噴印字符區(qū)域

通過對改進檢測算法檢測到的候選角點進行分析，發(fā)現(xiàn)采集到的不噴印點陣鋼號字符的鋼板圖片即空圖中只有少數(shù)的幾個噪聲角點，而有噴印字符的圖片中，角點數(shù)量基本穩(wěn)定在算法設(shè)定的范圍區(qū)間之內(nèi)，根據(jù)這一特征，算法先根據(jù)檢測到的角點數(shù)量區(qū)分空圖和有字符圖。如果總角點數(shù)量大于設(shè)定值，判定為有效字符圖，程序進行處理分析;但如果總角點數(shù)量小于設(shè)定值則為判定為空圖，程序直接越過meanshift算法，進行下一張圖像的檢測。

通過分析對比發(fā)現(xiàn)，有效圖中字符角點分布密集且有規(guī)律性，角點集的中心一般為字符區(qū)域的中心，因此考慮用聚類算法找出角點集的中心并進行定位。

經(jīng)過大量的實驗證明，改進的meanshift聚類算法能通過檢測角點集的中心的方法確定字符區(qū)域的中心，從而準(zhǔn)確定位出鋼板號點陣噴印字符區(qū)域，且不易出現(xiàn)噪聲角點造成定位錯誤的情況。

4.4 實驗結(jié)果分析

圖4.2展示了對比度較大、噴印清晰的正常的圖像。由圖4.2可以看出，對于對比度大、噴印清晰的正常圖片，該算法能準(zhǔn)確的定位出點陣字符的位置。在生產(chǎn)線采集的圖像中上，大部分圖片是類似于圖4.2的噴印清晰、字符對比度和背景對比度較大的圖片，而字符區(qū)域相對整張圖片來說十分小。與普通字符的定位不同，該鋼板圖片是灰度圖，字符與背景的灰度都是無法采用固定參數(shù)設(shè)定，加之該鋼板點陣字符是由一個個油漆點噴印組成，具有離散性，無法形成大片的連通區(qū)域，對字符的定位增加了不小的難度。而本文的定位算法能快速、準(zhǔn)確的定位出點陣噴印字符區(qū)域。

從實驗結(jié)果看，本文的算法能很好的滿足寬厚板廠1號生產(chǎn)線生產(chǎn)需求，可以準(zhǔn)確、快速的定位出鋼板號點陣噴印字符區(qū)域，對于背景與字符對比度比較小、字符區(qū)域較小或者噴印效果差的圖像也能較高的定位準(zhǔn)確率。

對測試集中的圖像進行測試，總的實驗結(jié)果如下：

總結(jié)

本文在來源于某鋼廠寬厚板1號線物料跟蹤項目的背景下，通過對現(xiàn)有OCR定位算法的研究，分析現(xiàn)有OCR定位算法的優(yōu)缺點，并以實際生產(chǎn)線上點陣噴印字符區(qū)域定位為目標(biāo)，借鑒多種算法的思想，提出了應(yīng)用于實際生產(chǎn)中的鋼板號點陣噴印字符區(qū)域的改進定位算法，并與傳統(tǒng)算法在準(zhǔn)確率和時間上做了對比，通過大量實驗驗證了該算法能精確定位出鋼板點陣字符區(qū)域，能較好地適合生產(chǎn)環(huán)境復(fù)雜多變的鋼廠生產(chǎn)線物料跟蹤項目，解決物料跟蹤項目中的實際問題，因此該算法具有較高的可靠性和有效性。

參考文獻

[1]Mori S. Historical Review of OCR Research and Development[J]. Proceedings of IEEE， 1992， 80（7）： 1029-1058

[2]Liu C， Wang C， Dai R. Text detection in images based on unsupervised classification of edge-based features[C]//Document Analysis and Recognition， 2005. Proceedings. Eighth International Conference on. IEEE， 2005： 610-614.

[3]王燕.金屬工業(yè)中的標(biāo)記[J].鍛壓技術(shù)，1982（05）：64+63.

[4]呂福在. 鋼鐵產(chǎn)品標(biāo)識技術(shù)的現(xiàn)狀及其發(fā)展[A]. 中國金屬學(xué)會青年委員會、北京機械工程學(xué)會.第三屆先進軋鋼精整、包裝及鋼材加工配送技術(shù)學(xué)術(shù)研討會論文集[C].中國金屬學(xué)會青年委員會、北京機械工程學(xué)會：，2010：9.

[5] Shekar， ?B.H.; ?Smitha， ?M.L.， ?"Text ?localization ?in ?video/scene ?images ?using ?Kirsch Directional Masks，" in Advances in Computing， Communications and Informatics （ICACCI）， 2015 International Conference on ， Aug. 2015， pp.1436-1440.

[6] Yi ?C， ?Tian ?Y ?L. ?Text ?string ?detection ?from ?natural ?scenes ?by ?structure-based ?partition ?and grouping[J]. Image Processing， IEEE Transactions on， 2011， 20（9）： 2594-2605.

[7] 胡正平，王瑾.多尺度-方向筆畫結(jié)合 SVM 驗證的文字區(qū)域定位[J]. ?儀器儀表學(xué)報，2010，04：916-922.

[8] Mariano V Y， Kasturi R. Locating uniform-colored text in video frames[C]//Pattern Recognition， 2000. Proceedings. 15th International Conference on. IEEE， 2000， 4： 539-542.