条码图像模式识别的追溯系统设计与实现

涂海宁，魏俊文，刘建胜，顾 嘉

（南昌大学机电工程学院，江西 南昌 330031）

1 引言

随着计算机技术与工业智能化技术的快速发展，运用图像处理识别算法结合计算机系统软件进行图像信息采集与物品分类方式逐步应用于企业生产。学者王雪在整车供应链的发动机追溯系统中利用电子标签，RFID 无线射频技术，物联网技术[1]解决了在零件物流、仓库货物存储、整车加工组装、汽车发运，汽车产品维护等流程中相关零部件信息的收集、处理、追溯和交互[2]问题。国外对质量追溯系统的研究重点集中在条形码图片的图像处理与识别算法等方面的研究。国外的教授采用了滤波算法、分数阶导数等图像处理技术，进行了指纹图像增强与信息过滤[9]来去除图像污渍噪声，加强对图像的关键信息（特征值）提取，快速识别图像[10]。质量追溯系统中的条码图像识别技术的研究是以车辆生产装配为背景。以整车与关键零件的信息数据绑定方式为研究重点。结合计算机编程技术，图像模式识别算法实现条码信息的快速识别。其技术优势在于：用客户端对零部件信息进行集中处理，减少生产操作步骤。装配过程零部件信息采集与条形码图像识别快捷性、可靠性满足企业对产品质量管控要求。

2 模式识别理论基础

2.1 识别流程图解

条形码图像模式识别由数据获取，预处理，特征提取，分类器设计与数据特征训练与学习等组成。扫描仪得到原始图像信息，进行预处理将仪器造成的图像退化复原，采用图像灰度直方均衡法使图像像素分布均匀，从而显示的图像更为清晰。特征提取是根据特征值（图像形状特征，模板区间内像素数量，图形纹理特征，图像像素差值等）的计算结果对原始图像的特征向量空间进行降维处理。分类判别是采用编程类库中包含的条形码数据类别对图像样品分类。经过数据不断循环训练，设计最小风险检验准则的Bayes分类器。关键零部件质量追溯系统客户端条码图像处理过程，如图1所示。

图1 图像识别流程图Fig.1 Flow Chartof Image Recognition

2.2 条形码的获取与信息转换

物料仓库通过采用扫码枪、PDA等进行追溯系统中的关键零部件的物料管理，物料入库数据信息收集到数据库中形成关键件物料BOM[3]清单。使用斑马ZEBRA条码打印机打印对应批次号的零件条形码。执行生产装配任务，零部件装配时将物料对应零部件批次条形码分别粘贴至零件和条形码粘贴工单的指定位置，该条形码粘贴单即为图像处理识别的原始图纸。进行物理量的获取与转换是指使用传感器将待处理的原始样品（图像原始图纸）转换电信号的数据位图。由于条形码原始图纸属于文字与数字信息，在关键件信息采集完成后，将工序收集到的完整条码粘贴单流转到生产任务下线点。使用扫描仪将图片物理量转换成图像格式的BMP位图，在模式识别算法中为原始信息。扫描仪处理结果后等待程序识别客户端的条码图片，如图2所示。

图2 扫描仪转换后BMP位图Fig.2 BMP Bitmap After Scanner Conversion

3 图像模式识别算法流程

图像的模式识别是人工智能领域应用的基础，是指利用计算机和光学仪器来识别计算机“看到”的图像信息，模拟人的视觉[4]。图像识别目的是利用图像处理技术与图像识别算法设计信息系统代替人去完成图像分类及辨识的任务。

3.1 像素灰度直方图均衡化处理

原始灰度级直方图像像素分布不均，常常集中在某个灰度级区域，图像层次变化明显出现模糊不清的效果，难以直接使用在条形码识别程序。需进行灰度直方图均衡化处理，目的是使图像像素尽量占据整个图像可能的灰度级并且均匀分布。基于.NET平台C#语言的OpenCV图像增强程序实现灰度图像改善的设计思路如下：

（1）对灰度级范围［0，L-1］的图像进行直方归一化处理，第rk灰度阶层的出现的像素直方图函数公式为：

式中：M*N—图像行列维度；rk—第k级灰度值；nk—灰度层rk所拥有的像素个数[5]。T（rk）—灰度级rk在图像中出现的概率估计，直方图函数可用于图像增强。

（2）要使图像直方图变换后新灰度分布函数H满足像素连续均匀变化特性，需使用微积分来消除原图像像素点灰度曲线集中分布而产生的极值区域，设新产生的灰度函数H与原图像灰度r的函数关系为：H=S(r)0＜=r＜=L-1

（3）需证明像素灰度分布的均匀性，某一灰度下的新图像像素分布概率密度函数P（s）与相同灰度的原始概率密度函数P（r）在区间［0，L-1］上有P（s）=P（r）|dr/ds|。图像处理的灰度函数是每个像素位点在像素区间概率分布求得：

其中，dH/dr灰度分布函数对灰度阶层的微分表达式。1/L-1说明像素值的均匀分布与区间长度相关。灰度直方式（2）与式（3），新灰度分布函数概率密度可均匀变化。式（1）灰度阶层函数可以得到新像素灰度函数（4），作为程序设计原理。

其中，像素概率估计P（rj）可近似用T（rk）表示。

图3 与表1 显示为300DPI，600DPI，1200DPI 扫描分辨率灰度直方均衡化图片结果。

图3 OpenCV灰度直方均衡化处理图像Fig.3 OpenCV Gray Level Histogram Equalization for Image Processing

表1 不同像素识别结果Tab.1 Recognition Results of Different Pixels

3.2 图像倾斜矫正预处理

实际生产过程中操作员粘贴条形码的不规范会导致原始条形码位图的严重倾斜问题是图像预处理的关键环节。使用Hough坐标变换把直角坐标系的倾斜图像中心点映射到极坐标上，通过经过中心点的不同直线Sobel边缘化处理寻找该倾斜图像中心点的倾斜角进行矫正。极坐标变换后原倾斜直线中心点满足极坐标中的曲线式（5）。

其中，假设中心点与原点的距离为S=od，方向角为α。x，y分别代表点d的横纵坐标值。需要证明该倾斜直线其他点也满足式（5），坐标图4（b）找到直线上两点（x，y）与（m，n）：

由小三角长度直线cf可得：cf=cd*sinα=()y-n*sinα=ce*cosα=(m-x)*cosα得：

而要寻找到倾斜角度α的值进行倾斜矫正，由于倾斜图像直线中心点固定。而不同的倾斜角度过中心点的直线上的点经过变换在曲线上会交与一个定点。编写程序对图像选用Sobel 算子边缘化检测（图4（c））映射得到S-O-θ的极坐标的像素网格图4（d）求出该定值中心点。图4（d）sobel处理后的曲线，用1*1的像素差框架将曲线所在S-θ平面分成等间隔小网格，小网格对应记数矩阵。检测出计数矩阵最大元素对应列坐标角度确定直线倾斜角度。除倾斜处理外，进行图像浮雕处理，黑白化等图像预处理滤去图像背景、信息干扰。使图像信息顺利提取与识别，如图5所示。

图4 Hough极坐标变换与sobel算子处理图Fig.4 Hough Polar Coordinate Transformation and Sobel Operator Matrix Diagram

图5 图片的预处理图片Fig.5 Picture Preprocessing Picture

3.3 图像分割

追溯系统获取BMP图像文件后，粘贴单图纸包括多个关键件条形码。需进行图像分割处理，使用测量工具根据条码在原图纸的位置设计分割图像坐标区间配置（坐标，长宽）[6]。

实际生产为加快效率会同时进行多张不同车辆粘贴单进行图像分割，因此首先截取车辆识别代号二维码，如图6所示。根据车辆识别代号截取每个关键件条码，确定关键件条码与整车实现绑定，如表2所示。

图6 车辆识别代号二维码Fig.6 Vehicle Identification Code QR Code

表2 坐标分割区间与结果Tab.2 Interval and Results of Coordinate Segmentation

3.4 条形码特征提取与分类器设计

（1）图像分割处理后的条形码因为系统坐标截取或扫描方式失误携带有模板框架背景线条，导致影响条码识别，如图7所示。

图7 像素差分特征量图像与识别Fig.7 Pixel Differential Characteristic Image and Recognition

由于条码图像是黑白相间条纹，水平方向的灰度突变明显，竖直方向基本无灰度变化[7]。选用分割后图像这两个方向像素差分值为主要特征量，加上图像形状特征，模板区间的像素数量，图形纹理特征组成的特征量空间X。将条形码图像设定为m*n的矩形子块，式（7）分别为水平，竖直的像素差分公式，f（x）表示每个点像素值：

客户端程序设计时根据像素差值计算结果，认定满足条码图像特征空间条件则认为是条形码[8]。

（2）关键件追溯系统的管理对象是整车装配的重要零部件，在零部件条码分类器设计时采用基于最小风险的Bayes决策准则设计程序。通过条形码类别的重要性不同，设计特征量判别错误的风险权重z（T（i），j），T（i）为判别错误损失，j为类别数字代号。

分类决策的类别划分为3（数字类，字母类，其他类别），其中数字类别又可以划分为（0～9）10 种数字类别，字母分为（A～Z，ɑ～z）等类别。程序划分固定的10*10像素矩形框，共100个像素区间，通过原始条码编码类库中的不同条码图像样品构建训练集和样品模板，待测条码不同像素区间的像素和特征量X建立判别函数，训练集识别待测条码的具体值。

（3）图像识别类别数量在总类库中条形码总类别数量的比重计算出先验概率P(W1)=P(数字)，P(W2)=P(字母)，P(W3)=P(其他)，后验概率P(Wi|X)：

式中：P(X|Wi)—各个类型的概率密度函数。

计算Bayes条码分属各个类别的概率。根据最小风险公式（9）计算判别类总风险：

式中：T1，T2，T3—判为数字，字母，其他类判断错误的风险。

对比风险值采用R3风险准则识别出现可能错误时将条形码判断其他类最小风险。风险分析，如表3所示。

表3 最小风险的Bayes决策效果图Tab.3 Bayes Decision Effect Chart of Minimum Risk

4 基于图像识别的追溯系统运用

关键件质量追溯的研究是以成批次管理的新能源汽车关键零部件为对象的，目的是完成整车信息与关键件涉及的批次号/图号/工艺/工步/工时/质量等数据信息的采集与整合。以整车识别代号（VIN 号）LFOHHBS41H0057972 为例，由于企业ERP物料管理系统中涵盖该车型装配所需的零件信息，物料入库后由追溯系统根据ERP 关键件物料的管理模块可生成该VIN 号对应BOM 清单（包含零件图号/批次号/供应商信息）并打印出对应条形码，如动力电池组（条码批次信息为：00000JML2101010-E5A021304016H9E002）追溯系统执行整车装配任务时，将该动力电池组装配到指定的白车身（条码信息为：00263EL）上，同时追溯系统记录零件的工艺/工步/工时信息。在质量检测工位，车辆使用传感器进行测试后将车辆零件检测数据（如车灯光强/轴承质量/车速）等信息采集到追溯系统中。总装下线时，粘贴单原始图纸放入扫描仪并运行图像识别客户端，实现整车装配后的关键件信息与整车VIN号信息识别绑定结果，如图8所示。

图8 程序识别结果Fig.8 Program Recognition Result Diagram

5 结语

关键件质量追溯系统以汽车生产企业的质量管理体系中的重要零部件为研究对象，针对整车装配中的关键件条形码识别绑定展开研究，提出以图像处理技术，结合图像对象编程为技术手段实现条形码信息识别方案。对原始图像进行图像矫正，预处理，分割等模式识别操作，设计图像识别程序。在生产流程将零件批次号，零件图号，零件装配工序/工步/工艺，零件质量等信息数据与整车进行完整关联处理，提高零件管理效率。