针对车轮毂工业流水线上的DM码精确定位的方法

技术领域

本领域属于机器视觉领域，具体涉及到图像采集，图像预处理，神经网络搭建，方向梯度算子设计，DM（Data Matrix）码位置定位。

背景技术

目前，由于技术与经济的快速发展，使的科技转化为生产力的成本更低，其中自动化技术在工业生产中运用尤为广泛，并且许多的行业开始使用DM码代替原有的依靠人力记录信息传递方式。对于现有的DM码识别技术来说，尤其是对于工业生产中的DM码的识别，还有很多需要依靠人力，自动化技术较低，因此造成了人工成本高等缺点。基于以上问题，利用机器视觉技术自动检测DM码可以提高生产效率、降低人力成本。但是在实际的大多数情况下，DM码所处的环境背景较为复杂，尤其是在工业生产中，存在很多干扰因素，并且对DM码识别算法的速度要求较高。在整个DM码识别算法流程中，对于DM的定位是其中关键的一步，对以后的识别会产生较大的影响，直接关系了算法的稳定性与效率，是当前相关领域的研究热点和丞待解决的问题之一。

今年来针对DM码定位识别的研究从不曾间断过，尤其处在信息化社会的今天，能更好的处理与传递信息将会带来巨大的隐藏效益。目前对DM码研究算法都是基于传统图像处理方法来进行定位的，但是这些方法在速度与精度上都有待提升，尤其对环境要求较为苛刻，算法受周围环境影响因素较大。其次具有较好的DM码定位识别的设备价格昂贵，对一些中小企业来说是一项巨大的开支，因此普世性较差，不适用于大多数的工业生产线。

本文中的DM码精确定位算法中主要运用卷积神经网络原理，数字图像处理理论，数学建模方法等，针对DM码图像的预处理，目标检测，精确定位等关键问题展开研究，大幅度提升了DM码识别的速度与精度，并且硬件成本较低，在复杂的工业场景下也可以做到精确的定位，从而提高DM在工业流水线上的识别准确率。

发明内容

本发明旨在解决车轮毂工业生产线上DM码精确定位的问题，提出来一种深度学习与传统方法相结合的检测算法。本发明的技术方案如下。

S1.将工业相机固定在生产线适当位置，获取包含DM码的RGB图像。

S2.通过图像处理方法进行图像处理，包括去噪，对比度拉伸等。

S3.将处理后的图片输入到已经训练好的模型，获得图像中的DM码的大致位置。

S4.将获取的区域进行图片的截取，获得包含DM码的小区域图像，然后进行图像处理。

S5.将小区域图片经过方向梯度算法处理，获得DM码的精确位置。

S6.将精确的DM码位置输入到DM识别程序，完成对DM码的识别。

在进行定位之前需要做一些准备工作，包括神经网络的搭建，以及模型训练。

通过TensorFlow设计了DMnet卷积神经网络，其中包括卷积层，池化层，非线性，全连接层等。

提前到工厂采集训练样本，将采集到的样本用于DMnet的训练与测试，以确保获得理想的模型。

S2中的图像预处理中首先采用空间滤波器进行去噪操作。由滤波器系数与该滤波器所包围的图像像素的乘积之和生成滤波后的结果g(x,y)。

在大小为M×N的图像f上，使用大小为m×n的滤波模板进行滤波。

m = 2a+1， n = 2b+1。w(s,t)是滤波器系数，f(x,y) 是图像像素值。

S3中将处理后的图片输入预测模型后，已经具有识别能力的DMnet会快速识别到DM码的大致位置，然后返回DM码的大致位置的左上和右下的两点坐标。

S4中根据返回的两点坐标，在预处理图像中进行区域截取，对截取后的图像进行二值化操作，将图像中的像素点的灰度值设为0或255.通过迭代阈值法获得良好的阈值。

先求出图像的最大灰度值和最小灰度值，分别记为G

根据阈值T

令：

S5中的方向梯度算法是精确定位的关键。首先要设定梯度算子个数，根据实验结果，设定八个梯度算子，分别求取对应的的八个方向的梯度。

用梯度算子与图像进行计算，得到图像中相对应于各方向的梯度值，并且用容器存储相应位置的梯度值，从而获取DM码定位实线的交点。

通过形态学滤波，继续用梯度算法求DM码两条实线定位框的位置，得到定位框的两条实线。

通过在定位框实线交点的对角一定范围内，开扇形搜索获取定位框虚线交点。

然后建立线性数学模型，获得虚线交点到两实线边的垂足，然后将四点连接，得到DM码的精确位置。

本发明充分利用深度学习与传统方法的优势，精确定位了DM码的位置，并且在提高了DM码识别准确率的同时，速度也有所提升。

附图说明

图1是本发明针对车轮毂工业流水线上DM精确定位与识别的流程示意图。