一种用于生产线上的零件编号识别方法

技术领域

本发明涉及一种零件编号识别方法，具体涉及工业企业对带编号的零部件在加工生产和测试过程中，对零部件上编号的识别输入方法。

背景技术

在工业生产中，零部件的编号识别和输入是提升工作质量和效率的重要环节。然而，由于零件的复杂性和多样性，传统的人工识别均通过屏幕显示的零件图片输入零件编号，在加工过程中存在效率低且容易出错的问题。例如，在呼吸器阀件的生产线过程中，平均在5s内需要处理一个阀件，但是测试阀件质量的过程就需要4s，采用传统的人工识别和输入方法则整个过程将近需要10s，极大地降低生产效率；并且，随着长时间的流水线加工生产，很容易造成人工识别和输入错误。而现有的机器学习和深度学习算法需要大量的数据集和前期数据标注工作，实现成本较高，并面临多样本识别不稳定的问题。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种用于生产线上的零件编号识别方法，解决现有输入方法效率低、容易出错的问题。

为了解决上述技术问题，本发明采用如下技术方案：

一种用于生产线上的零件编号识别方法，其特征在于，包括如下步骤：

1)根据摄像头安装位置和高度提前标定出零件图片旋转角度θ和编号的粗略位置ROI(Rregion Of Interest)以及图片中数字的像素阈值β，由工业摄像头采集零件图片，并经降噪处理；

2)再对ROI进行数字检测，如果不存在数字则输出空；否则，就对ROI根据像素阈值使用广度优先搜索BFS遍历找出每个数字的位置，然后使用模板匹配算法匹配出当前的编号，最后将编号结果串联进行输出。

进一步，所述ROI数字检测，采用如下算法获得f(x,y)：

其中，f(x,y)代表由双线性插值缩放后得到的像素值，Q

求出当前ROI第3/4所有行中所有像素的平均值c

进一步，所述ROI根据像素阈值使用广度优先搜索BFS遍历找出每个数字的位置，从ROI的左上角按先行后列每个位置进行遍历，先建立一个标记访问过的位置的visited二维数组和存放当前点邻居节点一维数组nodes；在访问过程中，如果遍历到当前位置Q(i,j)是数字像素阈值点，首先判断visited(i,j)是否是0(0代表未访问，1代表访问过)，如果没有访问过就将他加入到邻居节点nodes中，并将visited(i,j)标记为1，然后按照上述过程递归访问nodes数组和修改visited数组，反之则跳过当前位置。在这个过程中记录下最小的坐标P1(x

进一步，需要判断当前的P1和P2是否是边缘点，如果是边缘点则认为不是数字；同时，判断P1和P2两个坐标点之间的长和宽与模板数字的长宽进行比较，如果没在正常范围内则认为当前区域不是数字，反之则认为是数字编号，提取出的区域效果。

进一步，对P1和P2区域内的像素缩放成模板相同的尺寸，然后将P1和P2区域图片与0-9内的10个模板依次进行匹配，匹配度最高的数字作为当前区域的数字；模板匹配公式如下：

其中，Q

相比现有技术，本发明具有如下有益效果：

1、本发明提出一种利用图像处理识别技术，实现对生产线上的零件编号的自动识别并输入，具有识别快、准确率高、效果稳定和性能可靠的特点，并且设备投入成本较低，尤其适于在流水线生产企业中使用。

2、本发明方法采用广度优先搜索匹配的识别零件编号的方法，在加工生产过程中实时检测出零件编号并根据系统需求进行输出，可保证在20ms内识别出一张600*480像素图片中的编号，并且识别准确率在98％以上。

附图说明

图1为本发明零件编号识别方法算法流程图；

图2为本发明实施例1旋转前图片；

图3为本发明实施例1旋转后图片；

图4为本发明实施例1ROI截取效果图；

图5为本发明实施例1单个数字提取图；

图6为本发明实施例1的识别和输入过程示意图。

具体实施方式

下面结合具体实施例，对本发明的具体实施方式作进一步详细描述。

本发明中的数值范围，应理解为还具体公开了该范围的上限和下限之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。

除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。

本发明中所使用的实验方法如无特殊说明，均为常规方法。

本发明中所用的材料、试剂等，如无特殊说明，均可通过购买或已知的方法合成。

本发明中的定量试验，均设置三次重复实验，结果取平均值。

一种用于生产线上的零件编号识别方法，在生产加工或测试系统中实施，需要一个带曝光的工业摄像头，以及一台4G内存32位以上的上位机，可控制的旋转的工业检测台，同时集成于加工或测试系统中。

由工业摄像头采集到零件图片后，先经过高斯滤波进行降噪平滑图片中噪声点，根据摄像头安装位置和高度提前标定出零件图片旋转角度θ和编号的粗略位置(后续简称ROI，Rregion Of Interest)以及图片中数字的像素阈值β(在工业生产中零件编号由于是激光雕刻上去的，数字和背景的像素有明显的区分度)；然后，对ROI进行数字检测，如果不存在数字则输出空；否则，就对ROI根据像素阈值使用BFS(广度优先搜索)遍历找出每个数字的位置；使用模板匹配算法匹配出当前的编号；最后，将编号结果串联进行输出，即ROI遍历结束，将识别后串联好的数字编号按照系统需求输出给系统即可。

实施例1

参见图1，本发明具体实现方法如下：

1.提前根据工业摄像头在检测台上的安装高度和角度，标定出拍摄图片的旋转角度θ、编号ROI坐标位置、ROI中数字的像素阈值β(编号数字像素和背景像素之间的阈值)。

2.使用高斯滤波对图像中噪声点进行平滑处理，高斯滤波是一种线性平滑滤波，对图片的每个位置进行加权平均，在本方法中使用3*3的高斯核对每个位置进行平滑处理，经过多次实验最佳高斯核参数如下：

3.由于工业摄像头安装位置并不完全正向，需要将拍摄的图片旋转旋转角度θ。由于将图像按一定角度旋转，依据当前点坐标计算出来的旋转后的坐标往往不是整数，因此需要进行插值，在本发明中为了保证旋转使用双线性插值进行图像旋转并在图片空白处填0。计算公式如下：

其中，f(x,y)表示由双线性插值缩放后得到的像素值，Q

参见图2为旋转前图片，旋转后效果如图3，最后根据标定出的ROI坐标位置进行截取效果如图4所示。

4.求出当前ROI第3/4所有行中所有像素的平均值c

5.对ROI区域根据数字像素阈值使用BFS算法进行遍历找出所有数字的位置。从ROI的左上角按先行后列每个位置进行遍历，需要建立一个标记访问过的位置的visited二维数组(与ROI大小一致)和存放当前点邻居节点一维数组nodes。在访问过程中如果遍历到当前位置Q(i,j)是数字像素阈值点，首先判断visited(i,j)是否是0(0代表未访问，1代表访问过)，如果没有访问过就将他加入到邻居节点nodes中，并将visited(i,j)标记为1，然后按照上述过程递归访问nodes数组和修改visited数组，反之则跳过当前位置。在这个过程中记录下最小的坐标P1(x

6.首先判断当前的P1和P2是否是边缘点，如果是边缘点则认为不是数字(由于ROI边缘位置与数字像素阈值接近需要进行过滤)；其次判断P1和P2两个坐标点之间的长和宽与模板数字的长宽进行比较，如果没在正常范围内则认为当前区域不是数字，反之则认为是数字编号，提取出的区域效果如图5所示。

7.对P1和P2区域内的像素缩放成模板相同的尺寸，然后将P1P2区域图片与0-9内的10个模板依次进行匹配，匹配度最高的数字作为当前区域的数字。模板匹配公式如下：

其中，Q

8.最后ROI遍历结束，将识别后串联好的数字编号按照系统需求(本发明中在年份后加入-)输出给系统即可。

在带编号的工业零件加工生产过程中，采用广度优先搜索匹配的识别零件编号的方法，在加工生产过程中实时检测出零件编号并根据系统需求进行输出，可保证在20ms内识别出一张600*480像素图片中的编号，并且识别准确率在98％以上。从采集待检测零件图片到输出编号整个过程在40ms内完成。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。