條碼圖像模式識別的追溯系統設計與實現

涂海寧，魏俊文，劉建勝，顧 嘉

（南昌大學機電工程學院，江西 南昌 330031）

1 引言

隨著計算機技術與工業智能化技術的快速發展，運用圖像處理識別算法結合計算機系統軟件進行圖像信息采集與物品分類方式逐步應用于企業生產。學者王雪在整車供應鏈的發動機追溯系統中利用電子標簽，RFID 無線射頻技術，物聯網技術[1]解決了在零件物流、倉庫貨物存儲、整車加工組裝、汽車發運，汽車產品維護等流程中相關零部件信息的收集、處理、追溯和交互[2]問題。國外對質量追溯系統的研究重點集中在條形碼圖片的圖像處理與識別算法等方面的研究。國外的教授采用了濾波算法、分數階導數等圖像處理技術，進行了指紋圖像增強與信息過濾[9]來去除圖像污漬噪聲，加強對圖像的關鍵信息（特征值）提取，快速識別圖像[10]。質量追溯系統中的條碼圖像識別技術的研究是以車輛生產裝配為背景。以整車與關鍵零件的信息數據綁定方式為研究重點。結合計算機編程技術，圖像模式識別算法實現條碼信息的快速識別。其技術優勢在于：用客戶端對零部件信息進行集中處理，減少生產操作步驟。裝配過程零部件信息采集與條形碼圖像識別快捷性、可靠性滿足企業對產品質量管控要求。

2 模式識別理論基礎

2.1 識別流程圖解

條形碼圖像模式識別由數據獲取，預處理，特征提取，分類器設計與數據特征訓練與學習等組成。掃描儀得到原始圖像信息，進行預處理將儀器造成的圖像退化復原，采用圖像灰度直方均衡法使圖像像素分布均勻，從而顯示的圖像更為清晰。特征提取是根據特征值（圖像形狀特征，模板區間內像素數量，圖形紋理特征，圖像像素差值等）的計算結果對原始圖像的特征向量空間進行降維處理。分類判別是采用編程類庫中包含的條形碼數據類別對圖像樣品分類。經過數據不斷循環訓練，設計最小風險檢驗準則的Bayes分類器。關鍵零部件質量追溯系統客戶端條碼圖像處理過程，如圖1所示。

圖1 圖像識別流程圖Fig.1 Flow Chartof Image Recognition

2.2 條形碼的獲取與信息轉換

物料倉庫通過采用掃碼槍、PDA等進行追溯系統中的關鍵零部件的物料管理，物料入庫數據信息收集到數據庫中形成關鍵件物料BOM[3]清單。使用斑馬ZEBRA條碼打印機打印對應批次號的零件條形碼。執行生產裝配任務，零部件裝配時將物料對應零部件批次條形碼分別粘貼至零件和條形碼粘貼工單的指定位置，該條形碼粘貼單即為圖像處理識別的原始圖紙。進行物理量的獲取與轉換是指使用傳感器將待處理的原始樣品（圖像原始圖紙）轉換電信號的數據位圖。由于條形碼原始圖紙屬于文字與數字信息，在關鍵件信息采集完成后，將工序收集到的完整條碼粘貼單流轉到生產任務下線點。使用掃描儀將圖片物理量轉換成圖像格式的BMP位圖，在模式識別算法中為原始信息。掃描儀處理結果后等待程序識別客戶端的條碼圖片，如圖2所示。

圖2 掃描儀轉換后BMP位圖Fig.2 BMP Bitmap After Scanner Conversion

3 圖像模式識別算法流程

圖像的模式識別是人工智能領域應用的基礎，是指利用計算機和光學儀器來識別計算機“看到”的圖像信息，模擬人的視覺[4]。圖像識別目的是利用圖像處理技術與圖像識別算法設計信息系統代替人去完成圖像分類及辨識的任務。

3.1 像素灰度直方圖均衡化處理

原始灰度級直方圖像像素分布不均，常常集中在某個灰度級區域，圖像層次變化明顯出現模糊不清的效果，難以直接使用在條形碼識別程序。需進行灰度直方圖均衡化處理，目的是使圖像像素盡量占據整個圖像可能的灰度級并且均勻分布。基于.NET平臺C#語言的OpenCV圖像增強程序實現灰度圖像改善的設計思路如下：

（1）對灰度級范圍［0，L-1］的圖像進行直方歸一化處理，第rk灰度階層的出現的像素直方圖函數公式為：

式中：M*N—圖像行列維度；rk—第k級灰度值；nk—灰度層rk所擁有的像素個數[5]。T（rk）—灰度級rk在圖像中出現的概率估計，直方圖函數可用于圖像增強。

（2）要使圖像直方圖變換后新灰度分布函數H滿足像素連續均勻變化特性，需使用微積分來消除原圖像像素點灰度曲線集中分布而產生的極值區域，設新產生的灰度函數H與原圖像灰度r的函數關系為：H=S(r)0＜=r＜=L-1

（3）需證明像素灰度分布的均勻性，某一灰度下的新圖像像素分布概率密度函數P（s）與相同灰度的原始概率密度函數P（r）在區間［0，L-1］上有P（s）=P（r）|dr/ds|。圖像處理的灰度函數是每個像素位點在像素區間概率分布求得：

其中，dH/dr灰度分布函數對灰度階層的微分表達式。1/L-1說明像素值的均勻分布與區間長度相關。灰度直方式（2）與式（3），新灰度分布函數概率密度可均勻變化。式（1）灰度階層函數可以得到新像素灰度函數（4），作為程序設計原理。

其中，像素概率估計P（rj）可近似用T（rk）表示。

圖3 與表1 顯示為300DPI，600DPI，1200DPI 掃描分辨率灰度直方均衡化圖片結果。

圖3 OpenCV灰度直方均衡化處理圖像Fig.3 OpenCV Gray Level Histogram Equalization for Image Processing

表1 不同像素識別結果Tab.1 Recognition Results of Different Pixels

3.2 圖像傾斜矯正預處理

實際生產過程中操作員粘貼條形碼的不規范會導致原始條形碼位圖的嚴重傾斜問題是圖像預處理的關鍵環節。使用Hough坐標變換把直角坐標系的傾斜圖像中心點映射到極坐標上，通過經過中心點的不同直線Sobel邊緣化處理尋找該傾斜圖像中心點的傾斜角進行矯正。極坐標變換后原傾斜直線中心點滿足極坐標中的曲線式（5）。

其中，假設中心點與原點的距離為S=od，方向角為α。x，y分別代表點d的橫縱坐標值。需要證明該傾斜直線其他點也滿足式（5），坐標圖4（b）找到直線上兩點（x，y）與（m，n）：

由小三角長度直線cf可得：cf=cd*sinα=()y-n*sinα=ce*cosα=(m-x)*cosα得：

而要尋找到傾斜角度α的值進行傾斜矯正，由于傾斜圖像直線中心點固定。而不同的傾斜角度過中心點的直線上的點經過變換在曲線上會交與一個定點。編寫程序對圖像選用Sobel 算子邊緣化檢測（圖4（c））映射得到S-O-θ的極坐標的像素網格圖4（d）求出該定值中心點。圖4（d）sobel處理后的曲線，用1*1的像素差框架將曲線所在S-θ平面分成等間隔小網格，小網格對應記數矩陣。檢測出計數矩陣最大元素對應列坐標角度確定直線傾斜角度。除傾斜處理外，進行圖像浮雕處理，黑白化等圖像預處理濾去圖像背景、信息干擾。使圖像信息順利提取與識別，如圖5所示。

圖4 Hough極坐標變換與sobel算子處理圖Fig.4 Hough Polar Coordinate Transformation and Sobel Operator Matrix Diagram

圖5 圖片的預處理圖片Fig.5 Picture Preprocessing Picture

3.3 圖像分割

追溯系統獲取BMP圖像文件后，粘貼單圖紙包括多個關鍵件條形碼。需進行圖像分割處理，使用測量工具根據條碼在原圖紙的位置設計分割圖像坐標區間配置（坐標，長寬）[6]。

實際生產為加快效率會同時進行多張不同車輛粘貼單進行圖像分割，因此首先截取車輛識別代號二維碼，如圖6所示。根據車輛識別代號截取每個關鍵件條碼，確定關鍵件條碼與整車實現綁定，如表2所示。

圖6 車輛識別代號二維碼Fig.6 Vehicle Identification Code QR Code

表2 坐標分割區間與結果Tab.2 Interval and Results of Coordinate Segmentation

3.4 條形碼特征提取與分類器設計

（1）圖像分割處理后的條形碼因為系統坐標截取或掃描方式失誤攜帶有模板框架背景線條，導致影響條碼識別，如圖7所示。

圖7 像素差分特征量圖像與識別Fig.7 Pixel Differential Characteristic Image and Recognition

由于條碼圖像是黑白相間條紋，水平方向的灰度突變明顯，豎直方向基本無灰度變化[7]。選用分割后圖像這兩個方向像素差分值為主要特征量，加上圖像形狀特征，模板區間的像素數量，圖形紋理特征組成的特征量空間X。將條形碼圖像設定為m*n的矩形子塊，式（7）分別為水平，豎直的像素差分公式，f（x）表示每個點像素值：

客戶端程序設計時根據像素差值計算結果，認定滿足條碼圖像特征空間條件則認為是條形碼[8]。

（2）關鍵件追溯系統的管理對象是整車裝配的重要零部件，在零部件條碼分類器設計時采用基于最小風險的Bayes決策準則設計程序。通過條形碼類別的重要性不同，設計特征量判別錯誤的風險權重z（T（i），j），T（i）為判別錯誤損失，j為類別數字代號。

分類決策的類別劃分為3（數字類，字母類，其他類別），其中數字類別又可以劃分為（0～9）10 種數字類別，字母分為（A～Z，ɑ～z）等類別。程序劃分固定的10*10像素矩形框，共100個像素區間，通過原始條碼編碼類庫中的不同條碼圖像樣品構建訓練集和樣品模板，待測條碼不同像素區間的像素和特征量X建立判別函數，訓練集識別待測條碼的具體值。

（3）圖像識別類別數量在總類庫中條形碼總類別數量的比重計算出先驗概率P(W1)=P(數字)，P(W2)=P(字母)，P(W3)=P(其他)，后驗概率P(Wi|X)：

式中：P(X|Wi)—各個類型的概率密度函數。

計算Bayes條碼分屬各個類別的概率。根據最小風險公式（9）計算判別類總風險：

式中：T1，T2，T3—判為數字，字母，其他類判斷錯誤的風險。

對比風險值采用R3風險準則識別出現可能錯誤時將條形碼判斷其他類最小風險。風險分析，如表3所示。

表3 最小風險的Bayes決策效果圖Tab.3 Bayes Decision Effect Chart of Minimum Risk

4 基于圖像識別的追溯系統運用

關鍵件質量追溯的研究是以成批次管理的新能源汽車關鍵零部件為對象的，目的是完成整車信息與關鍵件涉及的批次號/圖號/工藝/工步/工時/質量等數據信息的采集與整合。以整車識別代號（VIN 號）LFOHHBS41H0057972 為例，由于企業ERP物料管理系統中涵蓋該車型裝配所需的零件信息，物料入庫后由追溯系統根據ERP 關鍵件物料的管理模塊可生成該VIN 號對應BOM 清單（包含零件圖號/批次號/供應商信息）并打印出對應條形碼，如動力電池組（條碼批次信息為：00000JML2101010-E5A021304016H9E002）追溯系統執行整車裝配任務時，將該動力電池組裝配到指定的白車身（條碼信息為：00263EL）上，同時追溯系統記錄零件的工藝/工步/工時信息。在質量檢測工位，車輛使用傳感器進行測試后將車輛零件檢測數據（如車燈光強/軸承質量/車速）等信息采集到追溯系統中。總裝下線時，粘貼單原始圖紙放入掃描儀并運行圖像識別客戶端，實現整車裝配后的關鍵件信息與整車VIN號信息識別綁定結果，如圖8所示。

圖8 程序識別結果Fig.8 Program Recognition Result Diagram

5 結語

關鍵件質量追溯系統以汽車生產企業的質量管理體系中的重要零部件為研究對象，針對整車裝配中的關鍵件條形碼識別綁定展開研究，提出以圖像處理技術，結合圖像對象編程為技術手段實現條形碼信息識別方案。對原始圖像進行圖像矯正，預處理，分割等模式識別操作，設計圖像識別程序。在生產流程將零件批次號，零件圖號，零件裝配工序/工步/工藝，零件質量等信息數據與整車進行完整關聯處理，提高零件管理效率。