[发明专利]基于卷积神经网络的印刷品字符区域提取方法有效

专利信息
申请号: 201711449254.1 申请日: 2017-12-27
公开(公告)号: CN108021914B 公开(公告)日: 2020-07-28
发明(设计)人: 戴琼海;戴威;刘烨斌 申请(专利权)人: 清华大学
主分类号: G06K9/20 分类号: G06K9/20;G06K9/34;G06K9/46;G06N3/04
代理公司: 北京清亦华知识产权代理事务所(普通合伙) 11201 代理人: 张润
地址: 10008*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 卷积 神经网络 印刷品 字符 区域 提取 方法
【说明书】:

发明公开了一种基于卷积神经网络的印刷品字符区域提取方法,包括:通过卷积神经网络从整个图像角度对字符区域进行探测,获取字符区域全局感知的字符候选图像;通过笔画探测器探测图像局部细节;将字符候选图像和图像局部细节进行融合,以提取出印刷品字符区域。该方法可以避免传统方法对于人工确定的阈值的依赖,实现用轮廓勾画出印刷品图像中的字符区域,并且画出的轮廓具有很好的视觉舒适度,有效提高泛化性能。

技术领域

本发明涉及计算机视觉、图像处理技术领域,特别涉及一种基于卷积神经网络的印刷品字符区域提取方法。

背景技术

视觉技术代替人眼的劳动力成为工业信息化与自动化中重要的一环,80%的工业视觉系统主要应用在检测任务中,通过采集产品数据、监测产品质量来提高生产效率,不仅可以代替人工视觉进行大量重复性的劳动,还可以在一些不适合人力作业的危险环境中以及长期工作会对人身造成伤害的环境中代替人工视觉。

目前,工业视觉检测任务按照检测功能可以分为定位、缺陷检测、尺寸测量、OCR、计数/遗漏检测、特征有无等领域。其中定位、尺寸测量、计数、特征有无等确定性较高的任务算法相对简单;而外观缺陷检测主要包括关键区域定位,识别与分类三个部分,目前缺陷识别方面通过匹配比对等方式已经得到了较好的解决,而关键区域定位由于产品多样性较大,复杂度较高,传统的阈值化的检测方法处理效果不佳,近年来由于消费升级,印刷品市场日益火爆,印刷品包装缺陷准确识别成为了一个亟待解决的问题。

印刷品是产品包装的主要形式,具有外观精美、成本低廉、清洁卫生等优点,在食品、药品、日化品等众多行业得到了广泛的应用。印刷品质量检测是印刷品包装生产后投入市场前的重要步骤,印刷生产过程中可能存在各种各样的缺陷,例如墨点、异物、文字残缺、漏印等。这些缺陷一旦出现在产品包装上,会严重影响产品的视觉观感,甚至影响产品品牌以及客户对产品的认知。通常情况下,由于产品中的字符区域具有很多重要的信息,如果字符区域出现缺陷可能造成严重的后果,尤其是对于药品、化工产品等的印刷品包装,因此对于字符区域的缺陷检测往往会比其他区域更加严格。目前,对于划分好的区域利用图像灰度比对进行颜色、刀丝、套印、散点等一系列检测方法已经比较成熟,因此如何对印刷品的字符区域进行自动提取成为了印刷品表面缺陷自动检测的一个关键技术问题。

相关技术中,印刷品字符区域自动提取方法主要通过图像特征、连通区域、纹理、笔画宽度等人工提取的特征进行识别。传统的方法提取特征难以适应印刷品表面复杂的背景和字符样式,通过人工确定的阈值往往只能适应一部分图像,泛化性能较差,并且本身往往专注于局部细节特征,难以从整体上定位出符合人眼视觉的字符轮廓。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此,本发明的一个目的在于提出一种基于卷积神经网络的印刷品字符区域提取方法,该方法可以画出的轮廓具有很好的视觉舒适度,有效提高泛化性能。

本发明的另一个目的在于提出一种基于卷积神经网络的印刷品字符区域提取装置。

为达到上述目的,本发明一方面实施例提出了一种基于卷积神经网络的印刷品字符区域提取方法,包括以下步骤:通过卷积神经网络从整个图像角度对字符区域进行探测,获取字符区域全局感知的字符候选图像;通过笔画探测器探测图像局部细节;将所述字符候选图像和所述图像局部细节进行融合,以提取出印刷品字符区域。

本发明实施例的基于卷积神经网络的印刷品字符区域提取方法,可以避免传统方法对于人工确定的阈值的依赖,实现用轮廓勾画出印刷品图像中的字符区域,并且画出的轮廓具有很好的视觉舒适度,有效提高泛化性能,提高单张图像的平均处理时间。

另外,根据本发明上述实施例的基于卷积神经网络的印刷品字符区域提取方法还可以具有以下附加的技术特征:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201711449254.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top