[发明专利]一种喷码字符检测方法

说明书

本发明公开了一种喷码字符检测方法：步骤(1)采集一幅合格样品的喷码图像作为基准图像；步骤(2)在基准图像上画框选择待检测的字符区域；步骤(3)采集流水线上待检测的喷码样品图像；步骤(4)如果当前图像的字符区域相对于基准图像的字符区域位置存在偏差，则采用基于特征点匹配的目标跟踪算法跟踪待检测的字符区域；步骤(5)如果待检测的字符区域中可能包含多行文字，则将字符区域图像输入至语义分割神经网络中，将多行文字区域分割为单行；步骤(6)校正扭曲和/或倾斜的单行文字；步骤(7)采用改进的卷积循环神经网络算法识别单行文字；步骤(8)判断是否检测完所有样品，若未完成则重复步骤(3)‑(8)，否则结束检测。

技术领域

本发明属于工业视觉检测技术领域，尤其涉及一种喷码字符检测方法。

背景技术

在商品生产过程中，需要在商品包装表面对生产日期、产品批号等信息进行喷码。由于生产环境中不确定因素的干扰，喷码过程中往往会出现漏喷、重码、喷码字符缺失、喷码字符错误等情况。人工检测喷码产品是否合格，速度慢，效率低，且会耗费大量人力成本。

目前常采用机器视觉方法检测喷码字符，用图像传感器采集流水线上的商品包装的喷码图像，再传输给字符检测模块处理。在商品喷码和图像采集过程中，由于机械抖动等原因，图像中喷码字符的位置会发生偏移，导致无法准确定位喷码字符的区域；在工业环境中采集的喷码图像存在噪声、不均匀光照、不均匀背景、低对比度、字符粘连等问题，会影响喷码检测的精度；在实际生产中，有时会将字符喷码在油壶、饮料瓶等曲面物体上，造成字符的弯曲变形；此外工业检测要求较高的准确性和实时性，这些都给喷码字符检测带来了挑战。

近年来随着深度学习的发展，自然场景文字检测与识别技术已经取得了较大进展，但常用的基于深度学习的场景文字检测方法如SSD(Single Shot MultiBox Detector，单次多框检测器)、YOLO(You Only Look Once)、CTPN(Connectionist Text ProposalNetwork，连接文本提议网络)、EAST(Efficient and Accuracy Scene Text)等，网络结构复杂，参数多，计算量大，应用于喷码字符检测问题中实时性不足。专利申请号为CN201810607169.1，名称为“一种基于深度学习的包装喷码检测方法”，采用语义分割神经网络定位字符区域，使用旋转矩形对字符区域进行倾斜校正，采用对折切分的方式将两行字符切分为单行字符，该方法可以较好地提取字符区域。但由于采用了语义分割神经网络对整幅图像进行分割，运算量较大；旋转矩形仅能对字符进行倾斜校正，无法校正弯曲的字符；采用对折切分的方式将两行字符切分为单行字符，无法适应存在多行喷码字符的情况。此外由于连续采集的待检测喷码图像背景相似，喷码字符位置偏差不大，上述方法将每一张待检测的图像视为独立的，未能考虑到这些喷码图像间的关联性。

发明内容

针对现有技术的缺陷和改进需求，本发明的目的在于提供一种复杂场景下的喷码字符检测方法，在噪声、不均匀光照、不均匀背景、低对比度等场景下准确定位喷码字符的区域；并将喷码字符区域内的多行字符分割为单行；校正喷码在曲面上形成的倾斜、弯曲的字符；保证较高的喷码字符识别精度和处理速度。

为实现上述目的，本发明提供了一种复杂场景下的喷码字符检测方法，所述方法包括如下步骤：

步骤(1)采集一幅合格样品的喷码图像作为基准图像。

步骤(2)在基准图像上画框选择待检测的字符区域。

步骤(3)采集流水线上待检测的喷码样品图像。

步骤(4)如果当前图像的字符区域相对于基准图像的字符区域位置存在偏差，则采用基于特征点匹配的目标跟踪算法，跟踪待检测的字符区域。

步骤(5)如果待检测的字符区域中包含多行文字，则将字符区域图像输入至语义分割神经网络中，将多行文字区域分割为单行。

步骤(6)校正扭曲和/或倾斜的单行文字。