金属表面低质量直接零件标识的信息增强与定位

摘要

将零件的材料信息、加工信息、质量信息、流通信息、使用信息等用DataMatrix条码表示出来。应用集加工过程不接触工件、加工灵活性高、环保等优点于一体的激光直接标识技术将其加工于金属表面上，可以实现产品的可追溯性。这在工业上乃至在生活中都有着重要的意义。读取条码所承载信息的第一步就是对条码图像进行采集。然而由于光照条件、条码载体自身、人为因素等的影响使得获取的条码图像质量较低，无法读取。针对此问题，本文开展了金属表面低质量直接零件标识的信息增强与定位的研究，主要从以下几个方面进行:
　　将激光直接标识中常见的低质量条码图像进行汇总。并根据成因不同将它们分为两大类——由光照引起的和由条码载体自身特点引起的。
　　研究了局部灰度值较低的条码图像的信息增强。分析了常用的直方图均衡化算法的两大缺点:1细节增强不够;2存在过增强现象。针对这两个问题详细介绍了局部直方图均衡化和限制对比度的直方图均衡化这两大算法。为提高算法效率在局部直方图均衡化的基础上演化出了插值自适应直方图均衡化算法，该算法与限制对比度的方法相结合就产生了目前效果最优的直方图均衡化算法—CLAHE（限制对比度的自适应直方图均衡化）算法。详细介绍了Retinex算法的两种常用方法——基于迭代计算的方法和基于中心环绕的方法。将基于直方图均衡化的方法与基于Retinex的算法应用于局部灰度值较低的条码图像，分析了各种算法的优缺点及适用范围。
　　研究了金属表面Data Matrix条码高光区域的信息重构，提出了基于局部与全局特征的五步重构模型。介绍了Data Matrix条码的重构依据，为重构算法的提出奠定了理论基础。首先，对获得的条码图像进行倾斜校正，使L形实线边界位于图像左下角，接着对条码进行网格划分实现各个模块的定位。然后基于Modified Specular-Free(MSF)图像对高光区域进行检测。最后采用五步重构模型对条码的各个模块按照既定的填充顺序逐个赋值，对条码进行读取。实验表明，该算法能达到去除金属表面上条码局部高光的目的，并取得了较高的识读正确率。
　　研究了复杂背景下的Data Matrix条码的定位，提出了一种基于改进的边缘方向直方图(EOH)特征与直线检测的条码定位算法，可在有数字字母或其他图案、材料纹理、磨损或油污等复杂背景的图像中实现条码的准确定位。首先对条码图像进行分块，接着采用改进的EOH来描述子块的纹理特征，利用支持向量机(SVM)实现条码子块与背景子块的判别，然后以条码子块为中心进行区域扩大确定直线检测区域，最后在确定为条码的区域内利用Hough变换对Data Matrix条码进行直线检测，获取条码的L形寻边位置，从而实现条码的准确定位。将本文所提出的定位算法与其他纹理分析算法、几何算法相比发现，本文提出的算法在准确率及平均处理时间上都有着明显的优势。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．1．1 Data Matrix二维条码

1．1．2 激光直接标识技术

1．2 研究意义

1．3 国内外研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

1．4 本文研究工作

1．4．1 本文研究内容

1．4．2 各章内容安排

第2章 直接零件标识中常见的低质量条码图像类型

2．1 实验样本的获取

2．2 由光照条件导致的低质量条码图像

2．2．1 整体灰度值较低

2．2．2 局部灰度值较低

2．2．3 局部高光

2．3 由条码载体自身特点导致的低质量条码图像

2．3．1 划痕、锈迹、油污等污染干扰

2．3．2 材料纹理

2．3．3 载体混合其他字符或图案

2．4 本章小结

第3章 局部灰度值较低的条码图像的信息增强

3．1 引言

3．2 局部直方图均衡化算法

3．2．1 算法简介

3．2．2 POSHE算法

3．2．3 CLAHE算法

3．3 Retinex算法

3．3．1 算法简介

3．3．2 基于迭代计算的Retinex算法

3．3．3 基于中心环绕的Retinex算法

3．4 实验结果与分析

3．4．1 主观效果对比

3．4．2 客现质量评价

3．5 本章小结

第4章 金属表面Data Matrix条码高光区域的信息重构

4．1 引言

4．2 Data Matrix条码的重构依据

4．3 条码模块的定位

4．3．1 倾斜校正

4．3．2 网格划分

4．4 高光区域的检测

4．5 基于局部与全局特征的五步重构模型

4．5．1 高光模块的重构

4．5．2 高光模块的8邻域模块的重构

4．5．3 邻域中极值模块的重构

4．5．4 灰度位较低模块的重构

4．5．5 未识别模块的重构

4．6 实验结果与分析

4．7 本章小结

第5章 复杂背景下激光直接标识Data Matrix条码的定位

5．1 引言

5．2 直接零件标识中常见的复杂背景类型

5．3 样本图像的分块

5．4 基于子块分类的粗定位

5．4．1 改进的边缘方向直方图特征

5．4．2 基于非线性支持向量机的子块二分类

5．4．3 支持向量机量优参数的确定

5．4．4 子块分类结果与分析

5．5 基于直线检测的精定位

5．5．1 条码子块的裁剪

5．5．2 中心点的确定

5．5．3 直线检测区域的确定

5．5．4 直线检测结果与分析

5．6 实验结果与分析

5．7 本章小结

总结与展望

参考文献

攻读硕士学位期间发表的学术论文

致谢