印刷喷码字符识别，数段字符识别：易拉罐底字符识别开发说明书

最新推荐文章于 2022-01-15 21:40:21 发布
最新推荐文章于 2022-01-15 21:40:21 发布
阅读量7.9k 收藏 32
点赞数 2
分类专栏： 机器视觉项目 文章标签： 印刷字符识别 图像识别 ocr 喷码识别 卷积神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhubenfulovepoem/article/details/51204664
版权

本系统分为：图像预处理，单易拉罐定位，字符区域块定位，字符识别四大块。

1、图像预处理包括，对不均匀光照的处理，通过直方图拉伸等手段对图像进行亮度区域选择，突出字符区域的亮度分布。（说明：由于系统实时性的要求，尽量减少预处理过程。）

2、单易拉罐定位：当一幅图像中出现多个易拉罐的时候，首先要定位到单个易拉罐，分析易拉罐的形状，可以采用基于易拉罐外形的形状匹配思路来定位到单个易拉罐或者采用基于圆检测可以采用hough圆检测或者小波变换的圆检测来定位到单个易拉罐；

这里写图片描述

3、字符区域块定位：由于字符区域块具有旋转的特点，这里采用形态学的思路，先使字符区域膨胀粘连成一个整体，然后检测轮廓，通过长宽比和面积筛选轮廓，可以确定字符区域块的位置，最后根据字符区域块的轮廓拟合出的矩形的倾斜角度做矫正就可以得到字符区域块的水平矫正后的区域。

这里写图片描述

4、字符识别：包括单个字符区域的分割，字符样本筛选和处理，字符训练，字符识别。

（1）单个字符的分割：在第三步处理好的倾斜矫正后的图像上，先垂直投影，将字符区域行分割出来；对于单行的字符区域，做水平投影，然后根据字符宽固定的思路做字符分割，分割出单个的字符。

这里写图片描述
这里写图片描述

（2）对单个的字符按类别分类好，并对样本进行初步的预处理，增强，归一化。

将所有的样本归一化为28*28区域大小。

（3）采用CNN卷积神经网络对字符进行训练。

本项目采用的卷积结构说明：
第一层仅具有一个特征映射是输入图像本身。在下面的层中，每个特征映射保持一定数目的独特的内核（权重的二维阵列），等于先前层中的特征映射的数量。在特征图中的每个内核的大小是相同的，并且是一个设计参数。在特征图中的像素值是通过卷积其内核与前一层中的相应特征映射推导。在最后一层的特征映射的数目等于输出选项的数目。例如在0-9数字识别，会有在输出层10的特征图，并具有最高的像素值的特征映射将结果。


#include ".\cnn.h"

#include <stdlib.h>
#include <stdio.h>
#include <time.h> /*用到了time函数，所以要有这个头文件*/

CCNN::CCNN(void)
{
    ConstructNN();
}

CCNN::~CCNN(void)
{
    DeleteNN();
}


#ifndef max
#define max(a,b)            (((a) > (b)) ? (a) : (b))
#endif

////////////////////////////////////
void CCNN::ConstructNN()
////////////////////////////////////
{
    int i;

    m_nLayer = 5;
    m_Layer = new Layer[m_nLayer];

    m_Layer[0].pLayerPrev = NULL;
    for(i=1; i<m_nLayer; i++) m_Layer[i].pLayerPrev = &m_Layer[i-1];

    m_Layer[0].Construct    (   INPUT_LAYER,        1,      29,     0,  0   );
    m_Layer[1].Construct    (   CONVOLUTIONAL,      6,      13,     5,  2   );
    m_Layer[2].Construct    (   CONVOLUTIONAL,      50,     5,      5,  2   );
    m_Layer[3].Construct    (   FULLY_CONNECTED,    100,    1,      5,  1   );
    m_Layer[4].Construct    (   FULLY_CONNECTED,    10,     1,      1,  1   );

}

///////////////////////////////
void CCNN::DeleteNN()
///////////////////////////////
{
    //SaveWeights("weights_updated.txt");
    for(int i=0; i<m_nLayer; i++) m_Layer[i].Delete();
}

//////////////////////////////////////////////
void CCNN::LoadWeightsRandom()
/////////////////////////////////////////////
{
    int i, j, k, m;

    srand((unsigned)time(0));

    for ( i=1; i<m_nLayer; i++ )
    {
        for( j=0; j<m_Layer[i].m_nFeatureMap; j++ )
        {
            m_Layer[i].m_FeatureMap[j].bias = 0.05 * RANDOM_PLUS_MINUS_ONE;

            for(k=0; k<m_Layer[i].pLayerPrev->m_nFeatureMap; k++)
                for(m=0; m < m_Layer[i].m_KernelSize * m_Layer[i].m_KernelSize; m++)    
                    m_Layer[i].m_FeatureMap[j].kernel[k][m] = 0.05 * RANDOM_PLUS_MINUS_ONE;
        }
    }
}
//////////////////////////////////////////////
void CCNN::LoadWeights(char *FileName)
/////////////////////////////////////////////
{
    int i, j, k, m, n;

    FILE *f;
    if((f = fopen(FileName, "r")) == NULL) return;

    for ( i=1; i<m_nLayer; i++ )
    {
        for( j=0; j<m_Layer[i].m_nFeatureMap; j++ )
        {
            fscanf(f, "%lg ", &m_Layer[i].m_FeatureMap[j].bias);

            for(k=0; k<m_Layer[i].pLayerPrev->m_nFeatureMap; k++)
                for(m=0; m < m_Layer[i].m_KernelSize * m_Layer[i].m_KernelSize; m++)    
                    fscanf(f, "%lg ", &m_Layer[i].m_FeatureMap[j].kernel[k][m]);
        }
    }
    fclose(f);
}

//////////////////////////////////////////////
void CCNN::SaveWeights(char *FileName)
/////////////////////////////////////////////
{
    int i, j, k, m;

    FILE *f;
    if((f = fopen(FileName, "w")) == NULL) return;

    for ( i=1; i<m_nLayer; i++ )
    {
        for( j=0; j<m_Layer[i].m_nFeatureMap; j++ )
        {
            fprintf(f, "%lg ", m_Layer[i].m_FeatureMap[j].bias);

            for(k=0; k<m_Layer[i].pLayerPrev->m_nFeatureMap; k++)
                for(m=0; m < m_Layer[i].m_KernelSize * m_Layer[i].m_KernelSize; m++)    
                {
                    fprintf(f, "%lg ", m_Layer[i].m_FeatureMap[j].kernel[k][m]);
                }
        }
    }

    fclose(f);

}

//////////////////////////////////////////////////////////////////////////
int CCNN::Calculate(double *input, double *output)
//////////////////////////////////////////////////////////////////////////
{
    int i, j;

    //copy input to layer 0
    for(i=0; i<m_Layer[0].m_nFeatureMap; i++)
        for(j=0; j < m_Layer[0].m_FeatureSize * m_Layer[0].m_FeatureSize; j++)
                            m_Layer[0].m_FeatureMap[0].value[j] = input[j];

    //forward propagation 
    //calculate values of neurons in each layer 
    for(i=1; i<m_nLayer; i++)
    {
        //initialization of feature maps to ZERO
        for(j=0; j<m_Layer[i].m_nFeatureMap; j++)
                    m_Layer[i].m_FeatureMap[j].Clear();

        //forward propagation from layer[i-1] to layer[i]
        m_Layer[i].Calculate();
    }

    //copy last layer values to output
    for(i=0; i<m_Layer[m_nLayer-1].m_nFeatureMap; i++) 
        output[i] = m_Layer[m_nLayer-1].m_FeatureMap[i].value[0];

    ///================================
    /*FILE *f; 
    char fileName[100];

    for(i=0; i<m_nLayer; i++) 
    {
        sprintf(fileName, "layer0%d.txt", i);
        f = fopen(fileName, "w");

        for(j=0; j<m_Layer[i].m_nFeatureMap; j++)
        {
            for(k=0; k<m_Layer[i].m_FeatureSize * m_Layer[i].m_FeatureSize; k++)
            {
                if(k%m_Layer[i].m_FeatureSize == 0) fprintf(f, "\n");
                fprintf(f, "%10.7lg\t", m_Layer[i].m_FeatureMap[j].value[k]);
            }           
            fprintf(f, "\n\n\n");
        }
        fclose(f);  
    }*/
    ///==================================

    //get index of highest scoring output feature
    j = 0;
    for(i=1; i<m_Layer[m_nLayer-1].m_nFeatureMap; i++)
        if(output[i] > output[j]) j = i;

    return j;
}

///////////////////////////////////////////////////////////
void CCNN::BackPropagate(double *desiredOutput, double eta)
///////////////////////////////////////////////////////////
{
    int i ;

    //derivative of the error in last layer
    //calculated as difference between actual and desired output (eq. 2)
    for(i=0; i<m_Layer[m_nLayer-1].m_nFeatureMap; i++)
    {
        m_Layer[m_nLayer-1].m_FeatureMap[i].dError[0] = 
            m_Layer[m_nLayer-1].m_FeatureMap[i].value[0] - desiredOutput[i];
    }

    double mse=0.0;
    for ( i=0; i<10; i++ )
    {
            mse += m_Layer[m_nLayer-1].m_FeatureMap[i].dError[0] * m_Layer[m_nLayer-1].m_FeatureMap[i].dError[0];
    }

    //backpropagate through rest of the layers
    for(i=m_nLayer-1; i>0; i--)
    {
        m_Layer[i].BackPropagate(1, eta);
    }

    ///================================ 
    //for debugging: write dError for each feature map in each layer to a file
/*
    FILE *f; 
    char fileName[100];

    for(i=0; i<m_nLayer; i++) 
    {
        sprintf(fileName, "backlx0%d.txt", i);
        f = fopen(fileName, "w");

        for(j=0; j<m_Layer[i].m_nFeatureMap; j++)
        {
            for(k=0; k<m_Layer[i].m_FeatureSize * m_Layer[i].m_FeatureSize; k++)
            {
                if(k%m_Layer[i].m_FeatureSize == 0) fprintf(f, "\n");
                fprintf(f, "%10.7lg\n", m_Layer[i].m_FeatureMap[j].dError[k]);
            }           
            fprintf(f, "\n\n\n");
        }
        fclose(f);  
    }

    //---------------------------------
    //for debugging: write dErr_wrtw for each feature map in each layer to a file

    for(i=1; i<m_nLayer; i++) 
    {
        sprintf(fileName, "backlw0%d.txt", i);
        f = fopen(fileName, "w");

        for(j=0; j<m_Layer[i].m_nFeatureMap; j++)
        {
            fprintf(f, "%10.7lg\n", m_Layer[i].m_FeatureMap[j].dErr_wrtb);

            for(k=0; k<m_Layer[i].pLayerPrev->m_nFeatureMap; k++)
            {
                for(int m=0; m < m_Layer[i].m_KernelSize * m_Layer[i].m_KernelSize; m++)
                {
                    fprintf(f, "%10.7lg\n", m_Layer[i].m_FeatureMap[j].dErr_wrtw[k][m]);
                }
                fprintf(f, "\n\n\n");
            }
        }
        fclose(f);  
    }
    ///==================================
*/
    int t=0;

}

////////////////////////////////////////////////
void CCNN::CalculateHessian( )
////////////////////////////////////////////////
{
    int i, j, k ;

    //2nd derivative of the error wrt Xn in last layer
    //it is always 1
    //Xn is the output after applying SIGMOID

    for(i=0; i<m_Layer[m_
最低0.47元/天 解锁文章
zhubenfulovepoem
关注
  • 2
    点赞
  • 踩
  • 32
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
牛奶盒喷码字符识别（基于opencv）————（二）投影法字符分割
qq_38269418的博客
11-03 3663
牛奶盒喷码字符识别（基于opencv）————（二）投影法字符分割效果：源代码参考博客：以下是我的改进：1.对于20，55的分割2.对于末尾像素处理3.两次膨胀 效果： 由于图片横纵坐标分明，故可采用投影法进行切割 老规矩线上图： 要做到切割准确率高，给大家做以下难点分析：（避坑指南） 1.比如20和55这些数字挨得太近，导致会识别成一个字符 2.如果最下一行有黑像素或者最右一列有黑像素，会切...
基于OpenCV 人工神经网络的喷码字符识别（C++）-附件资源
03-02
基于OpenCV 人工神经网络的喷码字符识别（C++）-附件资源
基于HALCON的喷码字符自训练与识别
weixin_45485164的博客
09-09 4016
字符识别技术在现在已经十分的成熟，工业视觉中的字符识别也是十分的常见，本文章便向应用方向的自己训练字符模板库与MLP进行对字符识别的一个Halcon-Demo，供大家交流与讨论。
利用BP神经网络识别易拉罐底字符识别
09-17
利用BP神经网络识别易拉罐底字符识别
喷码字符识别
11-25
环境opencv3.4.1和vs2017，语言c++,基于人工神经网络ANN的喷码字符识别
python利用opencv基于模板匹配对喷码字符进行分割与识别
05-27
在本文中，我们将深入探讨如何使用Python和OpenCV库实现基于模板匹配的喷码字符分割与识别技术。这项技术在工业质量控制、自动化检测等领域有着广泛的应用，特别是对于那些需要精确识别流水线上产品上的喷码字符的...
matlab的字符识别
04-26
在MATLAB中进行字符识别是一项涉及图像处理、模式识别和机器学习的技术应用。MATLAB作为一个强大的数值计算和数据可视化平台，提供了丰富的工具箱，使得字符识别成为可能，尤其是在学术研究和工程实践中。以下是对...
【字符识别】全连接神经网络对喷码字符分类识别
06-08
机器学习，利用全连接神经网络，近4000张喷码字符（类似于牛奶盒上的生产日期），全自动训练与分类识别，dataset文件夹里面是已经标注好的训练集，cut文件夹里面是全部数据集，handle文件夹里面是运行程序后将所有...
卷积神经网络在喷码字符识别中的应用.pdf
09-27
卷积神经网络在喷码字符识别中的应用 卷积神经网络（Convolutional Neural Network，CNN）是一种基于深度学习的机器学习算法，近年来在计算机视觉和自然语言处理领域取得了很大的成果。卷积神经网络的主要特点是...
喷码识别检测系统.pdf
09-05
喷码识别检测系统
OCR字符识别
10-08
包含基恩士资料，光盘、数码管、喷码以及校正后的OCR
C++/OpenCV2.4.xx印刷数字精确识别源码
11-06
对印刷数字识别。 过程： 1对图片进行灰度化二值化. 2对图片上的数字进行切割 3.制作匹配印刷体数字模板 4.平方和最小原则对数字识别 配置环境： VS2013+,OPENCV2.4.xx都可以（opencv3不支持，可以配置多版本opencv） 注意opencv的配置：如果没有需要先下载。 随后改项目属性： 1.VC++目录 包含目录：I:\opencv2.413\build\include I:\opencv2.413\build\include\opencv I:\opencv2.413\build\include\opencv2 2.库目录：I:\opencv2.413\build\x64\vc14\lib 3.链接器-输入-附加依赖项： opencv_core2413d.lib opencv_imgproc2413d.lib opencv_highgui2413d.lib
粘连喷码分割matlab
07-06
用matlab对粘连喷码实现分割，采用概略宽度和百分比。
基于qt5.1.1与opencv2.4.7车牌字符切割与字符识别demo
12-16
基于qt5.1.1与opencv2.4.7车牌字符切割与字符识别demo，内有注释详解，适合新手学习，需要这方面资料的同学可以在此处下载
halcon喷码字符识别
CSDN博客
12-30 1409
dev_close_window () read_image (Image1, '9_30108_3c3894702192451.png') rgb1_to_gray (Image1, Image) get_image_size (Image, Width, Height) dev_open_window (0, 0, Width, Height, 'black', WindowHandle) dev_display (Image) mean_image (Image, ImageMean, 6, 6) d
字符识别
JDMXI的博客
06-08 244
#coding:utf-8 import os import requests from PIL import Image import math,time def imagesget(): os.mkdir('images') count=0 while True: img=requests.get('http://wsxk.hust.edu.cn/r...
简历项目（二）——复杂工况下的字符分割与识别
Yeon_Zhang的学习笔记
08-22 779
项目背景：在钢坯生产线自动拍照，实现自动识别，输出对应的钢坯号。 项目识别：钢坯号直接印在钢坯上，根据钢坯的凹陷呈现出相应的字符，增加了检测的难度，背景与钢坯字符几乎一致。 项目工作： （1）图像预处理：对采集的彩色图像转成灰度图，然后进行降噪处理，项目采用的是中值滤波，使图像清晰。 （2）字符定位与分割：通过对整个图像进行方差梯度，进行边缘检测确定字符区域，通过梯度处理后使字符与背景边界...
基于Halcon学习的OCR识别【四】----点状字符
BoomBiuBiu的博客
01-15 550
简单的OCR实例，可供学习【点状字符】
U2喷码机操作手册：3.6版功能详解与安全设置指南
手册包含了详细的使用指南和功能配置说明，旨在帮助用户高效地操作和维护这台喷码机。 1. **操作注意事项**：这部分提供了关键的使用建议和安全须知，包括注意信息和警告，旨在确保操作者在正确的方式下使用U2喷码...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值