[发明专利]一种镀镍金属表面去料字符视觉检测系统及方法

权利要求书

1.一种基于机器视觉的镀镍金属表面去料字符自动识别系统，其特征在于：包括工作平台、工业相机、光学镜头、低角度环形漫反射光源、光源控制器、工业PC机；

所述夹持调节支架上安装固定工业相机、光学镜头、低角度环形漫反射光源，固定工业相机、光学镜头、低角度环形漫反射光源的中心线一致，所述光学镜头安装在工业相机前端；

工业相机与工业PC机相连将图像数据传输至工业PC机；

所述低角度环形漫反射光源固定于夹持调节支架，并与光源控制器相连，其直径大于待检测金属工件的最大边长，其圆心与相机视野中心在同一条轴线，打。。

光方式为正向低角度照明，灯珠照射角度与工作平台夹角范围为15～30，使得镀镍金属表面去料字符被照亮，形成亮场，而背景区域和金属工件其他区域形成暗场。

2.根据权利要求1所述的基于机器视觉的镀镍金属表面去料字符自动识别系统，其特征在于：

所述工业PC机通过USB3.0接口与工业相机2相连，用于镀镍去料字符识别和缺陷检测。

3.根据权利要求1所述的基于机器视觉的镀镍金属表面去料字符自动识别系统，其特征在于：所述光源控制器为控制光源亮度。

4.根据权利要求1所述的基于机器视觉的镀镍金属表面去料字符自动识别系统，其特征在于：工业相机与工作平台上的待检测金属工件的上表面的工作距离大于相机的最小物距。

5.根据权利要求1所述的基于机器视觉的镀镍金属表面去料字符自动识别系统，其特征在于：夹持调节支架为多关节可调式装置。

6.一种根据权利要求1-5任一所述的基于机器视觉的镀镍金属表面去料字符自动识别系统的方法，其特征在于：包括：图像增强、图像分割、图像定位与校正、字符区域提取与分类分割、基于OCR的字符识别；

所述图像增强，包含中值滤波、分段线性增强、照度增强；所述中值滤波3*3尺寸的方形模板，消除噪声；所述分段线性增强用以增强字符区域和背景区域的对比度；所述照度增强用以改善部分图像照度不均匀；

所述图像分割包含阈值分割、连通域提取、面积删选、区域填充、图像乘操作，从而去除与金属工件无关的背景区域；所述阈值分割采用固定阈值分割的方式获取金属工件边缘区域和字符的高灰度亮区域，然后采用连通域分析的方式，对提取到的各个连通域计算面积，根据面积特征筛选，实现金属工件外轮廓的提取，接着通过形态学填充处理，与原图像作乘运算，从而得到无背景区域干扰的金属工件图像；

所述图像定位与校正包括特征筛选、模板匹配、仿射变换，从而实现不同位姿金属工件字符的定位和位置校正；所述特征筛选，采用最小外接半径和最小外接矩形特征提取字符区域；所述模板匹配，是指利用字符完好、倾斜角度为0°的字符区域作为模板，对上述提取的感兴趣区域进行模板匹配，确定字符位置和倾斜角度；所述仿射变换，依据字符位置，对当前感兴趣区域进行图像校正，从而增加图像处理算法对不同位姿字符识别的普适性；

所述字符区域提取与分类分割包括字符区域提取和基于字符段分类的字符分割，从而实现不同形态特征字符识别的鲁棒性；所述字符区域提取是指对采用交互式方式确定校正后图像中的所有镀镍去料字符区域，并依据形貌特征进行分类；所述基于字符段分类的字符分割是指针对不同形貌的字符段采用分批处理，即对具有不同形貌特征的字符段分批字符分割；

所述基于OCR的字符识别，包括字符图像归一化、分类器设计与训练和字符识别；图像归一化是指将分割后的不同形态的字符进行尺寸归一化；所述分类器设计与训练是指采用多层感知器神经网络，将归一化的字符训练样本作为输入，将字符识别结果作为输出，通过迭代训练得到当前所有字符的OCR分类模型；所述字符识别是指对分割归一化后的所有字符运用OCR模型识别，并与完整字符集比较，如果缺少字符则判定为存在字符缺失缺陷，如果与完整字符集一致，则判定为合格，并显示所有字符识别结果。

7.根据权利要求6所述的基于机器视觉的镀镍金属表面去料字符自动识别方法，其特征在于，包括以下步骤：

步骤1获取带有字符的镀镍金属工件原始图片，字符区域被照亮，具有较高的灰度值；

步骤2采用3*3模板对获取的图片进行中值滤波，用以消除噪声和提高图像清晰度；

步骤3对图像分段线性增强和照度增强，用以增强字符区域和背景区域的对比度，改善部分图像照度不均匀；

步骤4采用固定阈值分割方式，获取图像中灰度值比较高的区域，即字符区域和金属工件轮廓区域；

步骤5采用8-邻域区域连接，获取图像中的连通域，计算图像中所有连通区域的面积；

步骤6通过特征筛选，提取图像中面积最大的连通域，得到金属工件的轮廓区域；

步骤7采用形态学区域填充操作，对金属工件区域进行填充，得到金属工件区域，将该区域灰度值设为1，其他背景区域灰度值设为0；

步骤8将得到的上述二值图像与带有字符的镀镍金属工件原始图片进行图像乘操作，即可去除背景区域，获取金属工件区域；

步骤9创建字符完整的字符图像作模板，设置模板倾斜角度范围为[1°,360°]，以1°为角度步长逆时针旋转一周，得到360个大小相等、角度各异的模板，将其分别命名为I₁～I₃₆₀；

步骤10将步骤8获取的图像I与模板中的360幅图像逐一模板匹配，计算相似度求出与待检测图像相似度最高的图像I_α，其中α∈[1°,360°]，α即为字符逆时针倾斜角度，式中，I是待检测图像的图像矩阵，I′为同分辨率大小的模板图像的图像矩阵，σ_I为图像I的方差，σ_I′为图像I′的方差，cov(I,I′)是图像I和I′的协方差，I中心坐标应该I_σ与一致，从而确定镀镍金属工件中去料字符的位置和倾斜角度；

步骤11根据字符位置和角度，计算待校正图像到目标位置的刚性变换矩阵，最后对待校正图像执行仿射变换，进行平移和旋转角度修正，实现不同金属工件和字符图像位置的统一校正；

步骤12根据镀镍金属字符的分布和尺寸，将待检测字符分为三个检测区域；

步骤13分别计算各个检测区域的最小外接多边形，对检测区域中的字符进行等间距矩形分割；

步骤14建立OCR分类器，设置隐层数为80，字符图像统一规定为8*10大小，将字符训练样本和分类元组作为输入输出训练神经网络，设置迭代次数为200次，得到OCR分类器；

步骤15基于训练好的OCR分类器，逐个识别分割后的字符，如果字符完整，则给出识别结果；如果缺少字符或者字符不匹配，则给出相应提示。