基于机器视觉和神经网络的低质量文本识别研究

针对流水线产品上的文本图片含有较多噪声和缺陷,造成机器视觉产品中字符识别准确率低,鲁棒性差的问题,对文本识别中的图像预处理、字符切分和归一化、字符识别等方面进行了研究,采用机器视觉技术中基于仿射变换的预处理方法对文本图片进行了倾斜校正,保证了后续字符的精确切分;提出了一种基于改进的BP神经网络算法,显著提高了字符识别的准确率和鲁棒性,利用附加动量法和自适应学习速率方法,避免了传统BP神经网络训练过程中易陷入局部极小值的情况,并提高了神经网络模型的收敛速度。研究结果表明:该方法能使倾斜的图片得到有效校正,神经网络模型的训练效率得到有效提高,且在含有噪声和缺陷的字符图片中仍能保持较高的识别率和鲁棒性。     

基于机器视觉检测印刷码的改进模板匹配算法研究

针对提高印刷行业中瓶盖印刷码字符识别的检测速度这一问题,研究了对图像积分算法和模板匹配相关系数计算公式改进的方法,提出了一种基于Matlab图像积分的改进模板匹配算法。设计了通过CCD工业相机采集图像信号以进行图像积分处理以及4次查值,可快速确定目标区域内的像素和来求取相关系数值的实验思路。通过采用Matlab软件编程测试,验证了该方法用于检测瓶盖印刷码的可行性,大大缩短了原模板匹配算法的内存读取开销。实验结果表明:与传统的匹配算法相比,该算法在检测速度方面改进的匹配算法能够提速20%多。