產品外包裝點陣噴碼字符識別研究

文/上海理工大學 許旭萍，陳景華，黃一翔，郭曉巖，胡海川

點陣噴碼技術已廣泛應用于飲料的包裝印刷中，通過在產品外包裝上噴印產品批號、生產日期等標識，可使每一件產品均具可追溯性，便于企業的質量管理。在飲料的包裝流水線中，墨水噴碼機是實施點陣噴碼的常用設備，噴碼運用非接觸方式，使非常微小的墨滴從噴頭中噴出，由軟件控制將墨滴落在被噴印物的表面上形成所需噴印的文字和數碼[1]。噴碼機產生的噴印故障主要有：光電感應器靈敏度偏差或充電電極對墨滴充電不充分引起的噴印字符遺漏；墨水粘度的變化或產品輸送帶抖動等導致的噴印字跡模糊不清、缺少筆畫以及斷字現象。倘若帶有噴印故障的飲料流入市場，就會給消費者在選購時由于“生產日期”信息不正確而帶來麻煩，由此也連帶給企業造成了一定的信譽與商業問題。因此，在生產中有必要對產品批號、生產日期等標識加以檢測。

一、噴碼字符識別需要解決的問題

對飲料瓶蓋表面噴碼字符檢測的關鍵，是對所獲取圖像中包含的信息數字正常與否的判別，如圖1所示的是飲料瓶蓋表面的噴碼點陣字符。通常，對連續筆畫構成的字符識別，比較容易實現，而對于采用點陣噴印形成的字符識別，難度則較高。因為構成數字筆畫本身的點陣的離散性，往往與字跡模糊不清、缺少筆畫以及斷字等現象糾合在一起，使計算機的自動判別實施，面臨諸多困難。

圖1 瓶蓋表面噴碼點陣字符

當產品批號、生產日期等標識出現字跡模糊不清、缺少筆畫以及斷字等現象時，對于連續筆畫構成的字符，由于其與正常字符的摸板區別顯著，因而計算機的識別相對比較容易。而對于點陣噴印的字符，由于其正常字符模板本身也是離散點陣構成的，對一般的計算機判別方法來說，區別并不顯著，因此特別容易出現缺陷字符漏識、正常字符判誤等問題[2]。 針對這種情況，首先應在字符判別特征的選擇與提取上作恰當的考慮。

二、基于高斯核RBF神經網絡拓撲結構

神經網絡拓撲結構的設計采用什么原則是關鍵，直接影響其效果。可選擇的方法有模板匹配法、神經網絡法、基于規則推理法等。針對點陣噴印的字符，當出現字跡模糊不清、缺少筆畫以及斷字等現象時，特別容易出現缺陷字符漏識、正常字符判誤等問題，考慮采用對數據分布要求不高的神經網絡法。

運用比較方便的首推BP神經網絡，但BP神經網絡在學習訓練中，存在陷入局部最小點的不足。因此，考慮選用高斯核的RBF神經網絡。基于高斯核RBF神經網絡的逼近能力、分類能力和學習速度較高，能夠以任意精度逼近任意連續函數，而且可避免神經網絡在學習訓練中陷入局部最小點的不足[3-5]。

高斯核BRF神經網絡拓撲結構如圖2所示，其拓撲結構為三層，即輸入層、中間層和輸出層。設輸入向量(即待識別樣本)為E；輸出向量為F；輸入層與中間層之間的權值為Aj、Bj；中間層與輸出層之間的權值為Gj；輸入層單元數為m；輸出層單元數為p。

第一層是完成數據信息傳遞的輸入層，該層接收待識別樣本信息（即輸入向量）E。第二層是中間層，該層神經元的作用函數，采用高斯函數對由第一層接收的外部信息向量E實施映射變換。第三層是對輸入向量E作出響應的輸出層，該層神經元的作用函數，采用線性函數對中間層的輸出信息實施線性加權后，就可得到高斯核RBF神經網絡的輸出向量F。

圖2 高斯核BRF神經網絡拓撲圖

飲料瓶蓋表面點陣字符識別實現的基本過程是，首先利用訓練集所包含相關信息，通過學習訓練確定網絡中的權系數，使得網絡輸出方差小于給定值。

三、噴碼字符判別特征的選擇與準則函數

判別字符時首先觀察與分析各種特征的有效性，進而提取出最有代表性的特征。計算機判別可以充分發揮其抽取數學特征的強大能力，典型的方法有統計平均值、相關系數、協方差陣等。特征的選取與提取，對后續的分類器設計及性能影響較大。若不同類別樣品特征的差別足夠大，較高性能分類器的設計就比較容易實現。否則，分類器的設計就很困難且性能較差。

由于字符不一定每次都落在6×6元素模板中的同樣位置，因此，必須采用包含各種情況的樣本構件統一數字的摸板類。如此，將得到很多相近的特征選擇樣板，如圖3所示。

圖3 噴碼點陣字符6×6元素模板

接下來的任務是特征提取。根據識別需要，建立合適的映射關系，通過適當增減、重組前述選擇的特征向量中的分量表述，從而使新的特征描述維數降低，便于運算；或者使新的特征描述更加切題，提高識別準確度。

常用的線性判別函數形式為：

將待測樣本E的m個特征值作為判別函數的自變量，代入到K個線性判別函數（1）式中，可分別求得其計算結果。待測樣本E屬于哪一個類型，則由計算結果中最大的值來決定。這里，K個判別函數一般表示成bi(E)。如果第i類決策域與第j類決策域相鄰，則二者邊界上存在bi(E)=bj(E)，稱為決策面方程。判別函數b(E)的確定包括函數類型的選擇與最佳參數的求取。最佳參數的求取，一般是由迭代優化的學習過程實現的。

接著，就是分類器的設計了。分類器的設計就是在給定樣本集和集合內各樣本所屬類別條件下，確定判別函數的各項系數。此時，按需要確定準則函數J，求取其達到極值時G的具體數值，從而確定判別函數，完成分類器的設計。比較便捷的準則函數為誤差平方和準則。

對分屬于g1,g2,...,gM類的M個樣本，設有Mi個樣本的gi類，均值為：

對應所選的分類劃分，定義誤差平方形式的準則函數為：

所選的分類劃分，必須是能夠使得準則函數J最小。

四、 RBF神經網絡訓練所要確定的參數和待識別樣本的識別

（一）RBF神經網絡訓練所要確定的參數

RBF神經網絡的權值Aj、Bj、Gj是訓練所要確定的參數。首先進行訓練確定輸入層與中間層之間的權值Aj、Bj。然后進行訓練確定中間層與輸出層之間的權值Gj。

具體過程為，根據獲取的M=36個訓練樣本，設輸入層單元數m=20，構成E= [e1,e2,...,em]T。取輸出層單元數p=16，構成F=[f1,f2,...,fp]T；期望輸出向量Q=[q1,q2,...,qp]T。

然后在中間層到輸出層中，初始化連接權值Gk，這里Gk=[gk1,gk2,...,gkp]T，則：

式中：min k——第k個輸出神經元的所有預期輸出的最小值。

Max k——第k個輸出神經元的所有預期輸出的最大值。

進一步則是對中間層的各神經元的中心參數Aj進行初始化。這里Aj=[aj1,aj2,...,ajm]T，中間層神經元的總個數為q。則：

式中；min i——第i個輸入待測樣品的最小值。

Max i——第i個輸入待測樣品的最大值。

對寬度向量Bj進行初始化，則是Bj=[bj1,bj2,...,bjm]T，且：

式中：by——取值小于1的寬度調節系數。

中間層第j個神經元的輸出值zj應為：

式中：Aj——中間層第j個神經元的中心向量，Aj=[aj1,aj2,...,ajm]T。

Bj——中間層第j個神經元的寬度向量，Bj=[bj1,bj2,...,bjm]T。

輸出層神經元的輸出F應為F=[f1,f2,...,fp]T，且：

式中：gkj——調節權重參數，調節范圍是中間層第j個神經元與輸出層第k個神經元之間。

采用便捷易行的梯度下降法，通過迭代計算可使調節權重參數、中心和寬度參數自適應調節到最佳值。

BRF神經網絡的評價函數為：

式中：Qlk——在第l個輸入樣本中第k個輸出神經元的期望輸出值。

flk——在第l個輸入樣本中第k個輸出神經元的網絡輸出值。

按照以上學習訓練算法對神經網絡實施初始化，并給定迭代終止精度值。計算網絡輸出的方差為：

（二）待識別樣本的識別

學習訓練完成后，將待識別樣本輸入到網絡中，即便該待識別樣本是局部數據，該網絡還可以產生比較完整的數據輸出。這對于解決點陣字符的辨識，有針對性優點。待識別樣本的識別過程為：

1. 輸入待識別樣本E=[e1,e2,...,em]T，其中各個分量分別作為輸入層網絡節點的m個輸入。

2. 計算輸出層神經元的輸出F=[f1,f2,...,fp]T。

3. 將所獲得的輸出F，與各個字符標準樣本比較，選擇最接近的確定為該類字符。

采用高斯核構成RBF神經網絡算法，在完成學習訓練后，對待識別樣本實施判別簡捷可靠。即使待識樣本是帶有噴印故障的字符(即噴印字符遺漏、噴印字跡模糊不清、缺少筆畫以及斷字現象)，也能得出正確的識別結果。

五、檢測裝置結構設計

瓶蓋頂面噴印的點陣數符的檢測裝置結構示意圖如圖4所示。由噴碼機在瓶蓋上噴印“生產日期”信息，距噴碼機后面一定距離，設置一個帶有卸件機構的檢測工位，檢測工位的正上方安裝CCD圖像傳感器。當飲料瓶輸送到檢測工位時，通過CCD圖像傳感器獲取飲料瓶蓋表面的點陣字符圖像，由計算機識別軟件來判別其正確性。如果檢測到字跡模糊不清、缺少筆畫以及斷字等現象，則發出聲光報警，并啟動傳送帶上的卸件機構動作，卸件推手將飲料瓶推移到傳送帶一側的卸件箱內；若檢測結果正常，即噴碼機噴印的數字正確，卸件機構不動作，傳送帶將合格的飲料瓶輸送到下一個規定的工位。

圖3 檢測裝置結構示意圖

六、實驗檢測

為了驗證基于高斯核的RBF神經網絡的噴碼點陣數字的識別有效性，進行了如下實驗。選取印有“生產日期”字符的瓶蓋80個，并獲取其數字圖像，分別用基于高斯核的RBF神經網絡判別法和模板匹配法進行測試比較，兩種方式的正確識別率結果如表1所示。

表1 兩種方式的正確識別率比較

七、結語

針對噴碼點陣字符辨識的困難，采用基于高斯核的RBF神經網絡分類算法，重點實現樣本分類訓練模型與分類器設計。通過實驗驗證了該方法與模板匹配法相比，有效地提高了識別的準確度。因此，該識別方法對點陣字符的自動檢測與識別，有很好的適應性。