條碼圖像模式識(shí)別的追溯系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

涂海寧，魏俊文，劉建勝，顧 嘉

（南昌大學(xué)機(jī)電工程學(xué)院，江西 南昌 330031）

1 引言

隨著計(jì)算機(jī)技術(shù)與工業(yè)智能化技術(shù)的快速發(fā)展，運(yùn)用圖像處理識(shí)別算法結(jié)合計(jì)算機(jī)系統(tǒng)軟件進(jìn)行圖像信息采集與物品分類方式逐步應(yīng)用于企業(yè)生產(chǎn)。學(xué)者王雪在整車供應(yīng)鏈的發(fā)動(dòng)機(jī)追溯系統(tǒng)中利用電子標(biāo)簽，RFID 無(wú)線射頻技術(shù)，物聯(lián)網(wǎng)技術(shù)[1]解決了在零件物流、倉(cāng)庫(kù)貨物存儲(chǔ)、整車加工組裝、汽車發(fā)運(yùn)，汽車產(chǎn)品維護(hù)等流程中相關(guān)零部件信息的收集、處理、追溯和交互[2]問(wèn)題。國(guó)外對(duì)質(zhì)量追溯系統(tǒng)的研究重點(diǎn)集中在條形碼圖片的圖像處理與識(shí)別算法等方面的研究。國(guó)外的教授采用了濾波算法、分?jǐn)?shù)階導(dǎo)數(shù)等圖像處理技術(shù)，進(jìn)行了指紋圖像增強(qiáng)與信息過(guò)濾[9]來(lái)去除圖像污漬噪聲，加強(qiáng)對(duì)圖像的關(guān)鍵信息（特征值）提取，快速識(shí)別圖像[10]。質(zhì)量追溯系統(tǒng)中的條碼圖像識(shí)別技術(shù)的研究是以車輛生產(chǎn)裝配為背景。以整車與關(guān)鍵零件的信息數(shù)據(jù)綁定方式為研究重點(diǎn)。結(jié)合計(jì)算機(jī)編程技術(shù)，圖像模式識(shí)別算法實(shí)現(xiàn)條碼信息的快速識(shí)別。其技術(shù)優(yōu)勢(shì)在于：用客戶端對(duì)零部件信息進(jìn)行集中處理，減少生產(chǎn)操作步驟。裝配過(guò)程零部件信息采集與條形碼圖像識(shí)別快捷性、可靠性滿足企業(yè)對(duì)產(chǎn)品質(zhì)量管控要求。

2 模式識(shí)別理論基礎(chǔ)

2.1 識(shí)別流程圖解

條形碼圖像模式識(shí)別由數(shù)據(jù)獲取，預(yù)處理，特征提取，分類器設(shè)計(jì)與數(shù)據(jù)特征訓(xùn)練與學(xué)習(xí)等組成。掃描儀得到原始圖像信息，進(jìn)行預(yù)處理將儀器造成的圖像退化復(fù)原，采用圖像灰度直方均衡法使圖像像素分布均勻，從而顯示的圖像更為清晰。特征提取是根據(jù)特征值（圖像形狀特征，模板區(qū)間內(nèi)像素?cái)?shù)量，圖形紋理特征，圖像像素差值等）的計(jì)算結(jié)果對(duì)原始圖像的特征向量空間進(jìn)行降維處理。分類判別是采用編程類庫(kù)中包含的條形碼數(shù)據(jù)類別對(duì)圖像樣品分類。經(jīng)過(guò)數(shù)據(jù)不斷循環(huán)訓(xùn)練，設(shè)計(jì)最小風(fēng)險(xiǎn)檢驗(yàn)準(zhǔn)則的Bayes分類器。關(guān)鍵零部件質(zhì)量追溯系統(tǒng)客戶端條碼圖像處理過(guò)程，如圖1所示。

圖1 圖像識(shí)別流程圖Fig.1 Flow Chartof Image Recognition

2.2 條形碼的獲取與信息轉(zhuǎn)換

物料倉(cāng)庫(kù)通過(guò)采用掃碼槍、PDA等進(jìn)行追溯系統(tǒng)中的關(guān)鍵零部件的物料管理，物料入庫(kù)數(shù)據(jù)信息收集到數(shù)據(jù)庫(kù)中形成關(guān)鍵件物料BOM[3]清單。使用斑馬ZEBRA條碼打印機(jī)打印對(duì)應(yīng)批次號(hào)的零件條形碼。執(zhí)行生產(chǎn)裝配任務(wù)，零部件裝配時(shí)將物料對(duì)應(yīng)零部件批次條形碼分別粘貼至零件和條形碼粘貼工單的指定位置，該條形碼粘貼單即為圖像處理識(shí)別的原始圖紙。進(jìn)行物理量的獲取與轉(zhuǎn)換是指使用傳感器將待處理的原始樣品（圖像原始圖紙）轉(zhuǎn)換電信號(hào)的數(shù)據(jù)位圖。由于條形碼原始圖紙屬于文字與數(shù)字信息，在關(guān)鍵件信息采集完成后，將工序收集到的完整條碼粘貼單流轉(zhuǎn)到生產(chǎn)任務(wù)下線點(diǎn)。使用掃描儀將圖片物理量轉(zhuǎn)換成圖像格式的BMP位圖，在模式識(shí)別算法中為原始信息。掃描儀處理結(jié)果后等待程序識(shí)別客戶端的條碼圖片，如圖2所示。

圖2 掃描儀轉(zhuǎn)換后BMP位圖Fig.2 BMP Bitmap After Scanner Conversion

3 圖像模式識(shí)別算法流程

圖像的模式識(shí)別是人工智能領(lǐng)域應(yīng)用的基礎(chǔ)，是指利用計(jì)算機(jī)和光學(xué)儀器來(lái)識(shí)別計(jì)算機(jī)“看到”的圖像信息，模擬人的視覺(jué)[4]。圖像識(shí)別目的是利用圖像處理技術(shù)與圖像識(shí)別算法設(shè)計(jì)信息系統(tǒng)代替人去完成圖像分類及辨識(shí)的任務(wù)。

3.1 像素灰度直方圖均衡化處理

原始灰度級(jí)直方圖像像素分布不均，常常集中在某個(gè)灰度級(jí)區(qū)域，圖像層次變化明顯出現(xiàn)模糊不清的效果，難以直接使用在條形碼識(shí)別程序。需進(jìn)行灰度直方圖均衡化處理，目的是使圖像像素盡量占據(jù)整個(gè)圖像可能的灰度級(jí)并且均勻分布?；?NET平臺(tái)C#語(yǔ)言的OpenCV圖像增強(qiáng)程序?qū)崿F(xiàn)灰度圖像改善的設(shè)計(jì)思路如下：

（1）對(duì)灰度級(jí)范圍［0，L-1］的圖像進(jìn)行直方歸一化處理，第rk灰度階層的出現(xiàn)的像素直方圖函數(shù)公式為：

式中：M*N—圖像行列維度；rk—第k級(jí)灰度值；nk—灰度層rk所擁有的像素個(gè)數(shù)[5]。T（rk）—灰度級(jí)rk在圖像中出現(xiàn)的概率估計(jì)，直方圖函數(shù)可用于圖像增強(qiáng)。

（2）要使圖像直方圖變換后新灰度分布函數(shù)H滿足像素連續(xù)均勻變化特性，需使用微積分來(lái)消除原圖像像素點(diǎn)灰度曲線集中分布而產(chǎn)生的極值區(qū)域，設(shè)新產(chǎn)生的灰度函數(shù)H與原圖像灰度r的函數(shù)關(guān)系為：H=S(r)0＜=r＜=L-1

（3）需證明像素灰度分布的均勻性，某一灰度下的新圖像像素分布概率密度函數(shù)P（s）與相同灰度的原始概率密度函數(shù)P（r）在區(qū)間［0，L-1］上有P（s）=P（r）|dr/ds|。圖像處理的灰度函數(shù)是每個(gè)像素位點(diǎn)在像素區(qū)間概率分布求得：

其中，dH/dr灰度分布函數(shù)對(duì)灰度階層的微分表達(dá)式。1/L-1說(shuō)明像素值的均勻分布與區(qū)間長(zhǎng)度相關(guān)?；叶戎狈绞剑?）與式（3），新灰度分布函數(shù)概率密度可均勻變化。式（1）灰度階層函數(shù)可以得到新像素灰度函數(shù)（4），作為程序設(shè)計(jì)原理。

其中，像素概率估計(jì)P（rj）可近似用T（rk）表示。

圖3 與表1 顯示為300DPI，600DPI，1200DPI 掃描分辨率灰度直方均衡化圖片結(jié)果。

圖3 OpenCV灰度直方均衡化處理圖像Fig.3 OpenCV Gray Level Histogram Equalization for Image Processing

表1 不同像素識(shí)別結(jié)果Tab.1 Recognition Results of Different Pixels

3.2 圖像傾斜矯正預(yù)處理

實(shí)際生產(chǎn)過(guò)程中操作員粘貼條形碼的不規(guī)范會(huì)導(dǎo)致原始條形碼位圖的嚴(yán)重傾斜問(wèn)題是圖像預(yù)處理的關(guān)鍵環(huán)節(jié)。使用Hough坐標(biāo)變換把直角坐標(biāo)系的傾斜圖像中心點(diǎn)映射到極坐標(biāo)上，通過(guò)經(jīng)過(guò)中心點(diǎn)的不同直線Sobel邊緣化處理尋找該傾斜圖像中心點(diǎn)的傾斜角進(jìn)行矯正。極坐標(biāo)變換后原傾斜直線中心點(diǎn)滿足極坐標(biāo)中的曲線式（5）。

其中，假設(shè)中心點(diǎn)與原點(diǎn)的距離為S=od，方向角為α。x，y分別代表點(diǎn)d的橫縱坐標(biāo)值。需要證明該傾斜直線其他點(diǎn)也滿足式（5），坐標(biāo)圖4（b）找到直線上兩點(diǎn)（x，y）與（m，n）：

由小三角長(zhǎng)度直線cf可得：cf=cd*sinα=()y-n*sinα=ce*cosα=(m-x)*cosα得：

而要尋找到傾斜角度α的值進(jìn)行傾斜矯正，由于傾斜圖像直線中心點(diǎn)固定。而不同的傾斜角度過(guò)中心點(diǎn)的直線上的點(diǎn)經(jīng)過(guò)變換在曲線上會(huì)交與一個(gè)定點(diǎn)。編寫程序?qū)D像選用Sobel 算子邊緣化檢測(cè)（圖4（c））映射得到S-O-θ的極坐標(biāo)的像素網(wǎng)格圖4（d）求出該定值中心點(diǎn)。圖4（d）sobel處理后的曲線，用1*1的像素差框架將曲線所在S-θ平面分成等間隔小網(wǎng)格，小網(wǎng)格對(duì)應(yīng)記數(shù)矩陣。檢測(cè)出計(jì)數(shù)矩陣最大元素對(duì)應(yīng)列坐標(biāo)角度確定直線傾斜角度。除傾斜處理外，進(jìn)行圖像浮雕處理，黑白化等圖像預(yù)處理濾去圖像背景、信息干擾。使圖像信息順利提取與識(shí)別，如圖5所示。

圖4 Hough極坐標(biāo)變換與sobel算子處理圖Fig.4 Hough Polar Coordinate Transformation and Sobel Operator Matrix Diagram

圖5 圖片的預(yù)處理圖片F(xiàn)ig.5 Picture Preprocessing Picture

3.3 圖像分割

追溯系統(tǒng)獲取BMP圖像文件后，粘貼單圖紙包括多個(gè)關(guān)鍵件條形碼。需進(jìn)行圖像分割處理，使用測(cè)量工具根據(jù)條碼在原圖紙的位置設(shè)計(jì)分割圖像坐標(biāo)區(qū)間配置（坐標(biāo)，長(zhǎng)寬）[6]。

實(shí)際生產(chǎn)為加快效率會(huì)同時(shí)進(jìn)行多張不同車輛粘貼單進(jìn)行圖像分割，因此首先截取車輛識(shí)別代號(hào)二維碼，如圖6所示。根據(jù)車輛識(shí)別代號(hào)截取每個(gè)關(guān)鍵件條碼，確定關(guān)鍵件條碼與整車實(shí)現(xiàn)綁定，如表2所示。

圖6 車輛識(shí)別代號(hào)二維碼Fig.6 Vehicle Identification Code QR Code

表2 坐標(biāo)分割區(qū)間與結(jié)果Tab.2 Interval and Results of Coordinate Segmentation

3.4 條形碼特征提取與分類器設(shè)計(jì)

（1）圖像分割處理后的條形碼因?yàn)橄到y(tǒng)坐標(biāo)截取或掃描方式失誤攜帶有模板框架背景線條，導(dǎo)致影響條碼識(shí)別，如圖7所示。

圖7 像素差分特征量圖像與識(shí)別Fig.7 Pixel Differential Characteristic Image and Recognition

由于條碼圖像是黑白相間條紋，水平方向的灰度突變明顯，豎直方向基本無(wú)灰度變化[7]。選用分割后圖像這兩個(gè)方向像素差分值為主要特征量，加上圖像形狀特征，模板區(qū)間的像素?cái)?shù)量，圖形紋理特征組成的特征量空間X。將條形碼圖像設(shè)定為m*n的矩形子塊，式（7）分別為水平，豎直的像素差分公式，f（x）表示每個(gè)點(diǎn)像素值：

客戶端程序設(shè)計(jì)時(shí)根據(jù)像素差值計(jì)算結(jié)果，認(rèn)定滿足條碼圖像特征空間條件則認(rèn)為是條形碼[8]。

（2）關(guān)鍵件追溯系統(tǒng)的管理對(duì)象是整車裝配的重要零部件，在零部件條碼分類器設(shè)計(jì)時(shí)采用基于最小風(fēng)險(xiǎn)的Bayes決策準(zhǔn)則設(shè)計(jì)程序。通過(guò)條形碼類別的重要性不同，設(shè)計(jì)特征量判別錯(cuò)誤的風(fēng)險(xiǎn)權(quán)重z（T（i），j），T（i）為判別錯(cuò)誤損失，j為類別數(shù)字代號(hào)。

分類決策的類別劃分為3（數(shù)字類，字母類，其他類別），其中數(shù)字類別又可以劃分為（0～9）10 種數(shù)字類別，字母分為（A～Z，ɑ～z）等類別。程序劃分固定的10*10像素矩形框，共100個(gè)像素區(qū)間，通過(guò)原始條碼編碼類庫(kù)中的不同條碼圖像樣品構(gòu)建訓(xùn)練集和樣品模板，待測(cè)條碼不同像素區(qū)間的像素和特征量X建立判別函數(shù)，訓(xùn)練集識(shí)別待測(cè)條碼的具體值。

（3）圖像識(shí)別類別數(shù)量在總類庫(kù)中條形碼總類別數(shù)量的比重計(jì)算出先驗(yàn)概率P(W1)=P(數(shù)字)，P(W2)=P(字母)，P(W3)=P(其他)，后驗(yàn)概率P(Wi|X)：

式中：P(X|Wi)—各個(gè)類型的概率密度函數(shù)。

計(jì)算Bayes條碼分屬各個(gè)類別的概率。根據(jù)最小風(fēng)險(xiǎn)公式（9）計(jì)算判別類總風(fēng)險(xiǎn)：

式中：T1，T2，T3—判為數(shù)字，字母，其他類判斷錯(cuò)誤的風(fēng)險(xiǎn)。

對(duì)比風(fēng)險(xiǎn)值采用R3風(fēng)險(xiǎn)準(zhǔn)則識(shí)別出現(xiàn)可能錯(cuò)誤時(shí)將條形碼判斷其他類最小風(fēng)險(xiǎn)。風(fēng)險(xiǎn)分析，如表3所示。

表3 最小風(fēng)險(xiǎn)的Bayes決策效果圖Tab.3 Bayes Decision Effect Chart of Minimum Risk

4 基于圖像識(shí)別的追溯系統(tǒng)運(yùn)用

關(guān)鍵件質(zhì)量追溯的研究是以成批次管理的新能源汽車關(guān)鍵零部件為對(duì)象的，目的是完成整車信息與關(guān)鍵件涉及的批次號(hào)/圖號(hào)/工藝/工步/工時(shí)/質(zhì)量等數(shù)據(jù)信息的采集與整合。以整車識(shí)別代號(hào)（VIN 號(hào)）LFOHHBS41H0057972 為例，由于企業(yè)ERP物料管理系統(tǒng)中涵蓋該車型裝配所需的零件信息，物料入庫(kù)后由追溯系統(tǒng)根據(jù)ERP 關(guān)鍵件物料的管理模塊可生成該VIN 號(hào)對(duì)應(yīng)BOM 清單（包含零件圖號(hào)/批次號(hào)/供應(yīng)商信息）并打印出對(duì)應(yīng)條形碼，如動(dòng)力電池組（條碼批次信息為：00000JML2101010-E5A021304016H9E002）追溯系統(tǒng)執(zhí)行整車裝配任務(wù)時(shí)，將該動(dòng)力電池組裝配到指定的白車身（條碼信息為：00263EL）上，同時(shí)追溯系統(tǒng)記錄零件的工藝/工步/工時(shí)信息。在質(zhì)量檢測(cè)工位，車輛使用傳感器進(jìn)行測(cè)試后將車輛零件檢測(cè)數(shù)據(jù)（如車燈光強(qiáng)/軸承質(zhì)量/車速）等信息采集到追溯系統(tǒng)中?？傃b下線時(shí)，粘貼單原始圖紙放入掃描儀并運(yùn)行圖像識(shí)別客戶端，實(shí)現(xiàn)整車裝配后的關(guān)鍵件信息與整車VIN號(hào)信息識(shí)別綁定結(jié)果，如圖8所示。

圖8 程序識(shí)別結(jié)果Fig.8 Program Recognition Result Diagram

5 結(jié)語(yǔ)

關(guān)鍵件質(zhì)量追溯系統(tǒng)以汽車生產(chǎn)企業(yè)的質(zhì)量管理體系中的重要零部件為研究對(duì)象，針對(duì)整車裝配中的關(guān)鍵件條形碼識(shí)別綁定展開(kāi)研究，提出以圖像處理技術(shù)，結(jié)合圖像對(duì)象編程為技術(shù)手段實(shí)現(xiàn)條形碼信息識(shí)別方案。對(duì)原始圖像進(jìn)行圖像矯正，預(yù)處理，分割等模式識(shí)別操作，設(shè)計(jì)圖像識(shí)別程序。在生產(chǎn)流程將零件批次號(hào)，零件圖號(hào)，零件裝配工序/工步/工藝，零件質(zhì)量等信息數(shù)據(jù)與整車進(jìn)行完整關(guān)聯(lián)處理，提高零件管理效率。