商品的標識技術是對標簽進行編碼和標記的技術手段，也是產品可追溯性的基礎。標識技術關系到物流、食品和電子商務等多個行業，影響深遠。伴隨人們生活水平的提高，對于健康和安全的關注越來越多，每個行業對產品的品質和安全性的要求也越來越高^[1]。編碼標識的不統一阻礙了各個行業的發展，包括對產品的溯源、電子商務及對產品標簽標準化的要求，因此，國家商品生產日期標識規范體系的建立顯得尤為必要。

OCR 技術通過照相機拍攝圖片，利用檢測模式掃描圖像，從中排除干擾信息并提取文本信息，然后對文本信息進行字符識別，用一系列算法翻譯成計算機處理文本 ^[2]?，F在，還可直接連接攝像頭或照相機直接進行視頻識別。典型的OCR 技術首先是對輸入圖像進行預處理，再對處理過的圖像進行文字檢測識別，在不同項目背景下，根據光照、背景顏色、產品材質和產品要求的不同，預處理和識別方法也會有所差異。

識別過程將由計算機端的Python 程序完成。本文采用的商品標簽識別過程如圖1 所示。

作者簡介：李佳琪(1995~)，女，安徽舒城，回族，碩士生，研究方向：神經網絡字符識別，E-mail：568950838@qq.com。

*國家自然科學基金，61873004，多源傳感器環境下基于異構特征信息融合的行為識別

國家自然科學基金，51474007，基于領域本體的煤礦安全數據融合方法及應用

圖1 商標標簽識別過程

1   預處理與識別

1.1 OpenCV

OpenCV 是一個跨平臺的輕量級開源計算機視覺庫，支持多種機器語言。OpenCV 模塊覆蓋全面，其中囊括了字符識別、圖像處理、人臉識別等。OpenCV 涵蓋300 多個C 語言函數的中、高層API，對于輸入圖像的格式也非常包容，用它進行應用開發非常高效和簡潔，而且包含了豐富的工業檢測類函數，能夠用于實時圖像處理，使用便捷，功能完善，適用于本文實驗環境。

1.2 Tesseract-OCR

Tesseract-OCR 是19 世紀80 年代由惠普實驗室開發的，谷歌改進了其中的算法，通過排除引擎缺陷進行了優化。Tesseract-OCR 的功能強大，應用廣泛，是開源的OCR 識別系統^[3]。Tesseract-OCR 識別引擎在開源別引擎中占有重要地位，完整識別過程由一種頁面結構闡發方法對圖片做布局剖析，旨在辨別圖像上的表格、文本、圖片等內容，為后續識別工作做鋪墊。

2   圖像預處理

將背景信息和文本信息分開，消除圖像無關信息、加強有效信息，從而簡化后續辨認字符步調，減輕辨認難度和錯誤率。

2.1 圖像傾斜校正

產品在流水線輸送帶上運動時，經過高速攝像機拍攝照片，可能會遇到產品放置不規范的問題，導致拍攝的照片歪斜，不平行于水平線。預處理第一步是將扭曲的原始圖片進行校正。在此環境中，使用傅里葉變換做圖像的傾斜校正。

二維圖像的傅里葉變換公式：

式中，f 和F 分別為空間域值和頻域值，示出了傅立葉變換后的結果需要使用的真實圖像加虛擬圖像，或振幅圖像（magitude 圖像）加相位圖像[4]（如圖2）。

（a）傾斜校正前

（b）傾斜校正后

圖2 校正前后對比

2.2 圖像噪聲處理

在收集、傳輸和處理圖像的過程中，圖像會產生一些不可避免的噪聲，包含與圖像無關和冗余滋擾信息。降低圖像噪聲不僅可以使圖像更加清晰，而且可以突出圖像的感興趣區域，易于識別（如圖3）。

（a）原圖

（b）中值濾波對噪聲的處理

圖3 噪聲處理前后的對比

2.3 圖像二值化

遍歷像素點，通過選取合適的值，灰度值二分為255 或0，白色為255，黑色為0，如式（3）所示。分類后圖像變為黑白，分辨圖像中的圖形和文本，便于后續將文本信息提取出來^[5]。

1）Otsu 算法

此算法是把背景和目標閾值的差距拉大，分裂性較強，所求的是類內方差min，和類間方差的max，首先遍歷所有像素點，統計灰度級像素的個數，將圖像灰度化，再次遍歷計算出最大類間方差，程序略顯復雜^[6]，效果圖如圖4 所示。

圖4 Otsu對光照不均的處理

2）Sauvola 算法

該算法通過引入以像素點為中心領域的wide 為參數windowsize 和自定義系數比例因子k 來降低對噪聲的敏感性，也就是對niblack 算法進行改進。它集中于當前像素，閾值是根據該像素的當前像素的附近灰度平均值和標準偏差動態計算[7]。

灰度均值m 與標準方差s：

然后是該點的閾值T(x, y)，其中T的大小可以根據k 來調節：

圖5 Sauvola對光照不均的處理

2.4 邊緣檢測

邊緣檢測是通過卷積或微分計算后得到的二值化

圖像。

1）Laplacian 算子邊緣檢測

拉普拉斯算子被分成4 個和8 個鄰域，域是像素梯度需求鄰域的4 個相鄰方向上的中央附近的方向和梯度^[8]（如圖6）。

圖6 Laplacian的邊緣處理

2）Canny 邊緣檢測算法

Canny 從信噪比、單邊緣和定位性能方面來判定邊緣的優劣，Canny 邊緣檢測算法可以分為以下5 個步驟：

①圖像灰度化

通過RGB 三個通道，為了降維，將圖片圖像進行灰度化。

②高斯模糊處理

此步驟是對圖像進行smooth 處理，通過濾波器將高斯函數離散化^[9]，高斯函數與濾波器的計算：

③圖像梯度、梯度幅值、梯度方向計算

該點通過計算當前像素與其附近的像素差值來進行位置判斷，接近這個差值稱為圖像梯度。首先計算一階導數：

計算梯度幅值M：

計算梯度值的方向：

④ NMS（非極大值抑制）

留存邊緣方向上具有極大值的像素，通過NMS 找出其中的局部最大值，將其他位置的值取0。

⑤雙閾值的邊界選取

梯度大于任何邊緣的最大閾值是真正的邊緣，而低于最小閾值的邊緣為非邊緣，非邊緣即舍去（如圖7）。

圖7 Canny的邊緣處理

2.5本文算法的選取

中值濾波是對光滑脈沖噪聲表現良好，效果圖像的邊界順滑清晰。與平均灰度法比較，Sauvola 使用二值化的圖像，能解決產生照度不均的影響。拉普拉斯對噪聲敏感，分辨邊緣像素的位置表現優異，但易出現雙像素邊界，導致日期顯示模糊不清晰；Canny 對比Laplacian 克制了噪聲引起的非邊緣，對于光照不均的圖像也能有如圖所示的效果，線條更流暢光滑，同時細化過的邊緣比較清晰，易于后續的識別工作。

綜上，根據實際檢測考慮，本項目的噪聲處理、二值化及邊緣檢測的算法分別借用的是中值濾波、Sauvola算法和Canny 邊緣檢測法。

3   商品生產日期字符識別

3.1 識別目的

在車間生產中，生產日期是由操作工人設置噴印裝置并對生產日期進行噴印。生產日期的錯誤為后續的溯源、倉儲造成困難。為避免生產資料的浪費和后續工作的開展，制作日期字符識別數據集并校驗成果。

本文通過jTessBoxEditor 進行字符識別訓練工作，Tesseract 深度學習樣本訓練工具基于Java 開發，當Tesseract 的自帶字符庫不足以滿足需要時， 通過jTessBoxEditor 訓練得到專屬字符庫，提高生產日期識別率和準確率。

3.2 字符集的創建和測試

在jTessBoxEditor 編輯器中點擊merge tiff，打開拍攝到的商品生產日期圖片，并為文件命名，以生成訓練集的tif 文件（如圖8）。

圖8 訓練集部分樣本圖

通過輸入命令行生成box 文件，再導入tif 文件，然后它會主動識別box 文件并主動導入（如圖9）。

圖9 字符識別界面

利用窗口上方的模塊，對文件內字符進行框選，調整字體坐標，標準為一字一框，并對識別的字符進行修正，最后點擊save。

在輸入命令后創建字體特征文件，之后開始對字符文件進行訓練，并把生成的文件合并，即得到訓練文件（如圖10）。

圖10 字符集訓練界面

字符識別的正確率受前期圖片處理的程度和字符庫的影響，訓練集中包含英文、中文和數字三種字符，為了驗明三種字符的單獨測試效果，從以下四個方向進行

觀察測試：

1）中文字符正確率

2）英文字符正確率

3）數字字符正確率

4）全部字符正確率

通過測試顯示，錯誤率最高為5.00% 的中文字符，Tesseract 對于英文和數字字符還是比較精準的，錯誤主要在于字符“期”容易識別為分開的兩個字“其”和“月”，接下來對字符偏旁部首誤分割的判定準確率進行研究優化。

4   結束語

本文基于OpenCV 和開源庫Tesseract，在Python平臺根據現有的完善字符識別算法，利用訓練出的專屬字符庫初步實現了在簡單環境下對商品生產日期的識別功能。

本實驗項目僅針對普通場景下的圖像進行商品標簽日期字符的識別，對于復雜場景下或復雜字體、混合字體或彎曲識別界面的圖像文字識別還有待研究。后續將在圖像預處理和字符識別方面進行優化，即將著手的工作如下：

1）研究生產日期標簽污損情況下的字符識別。

2）識別結果僅顯示于界面，未能聯系產品進行操控。

3）進一步提高字符識別的速度和正確率。

參考文獻：

[1] 于穎.追溯無國界——追溯實施中的軟件,自動化與數據標準化[J].中國自動識別技術,2015(4):60-64.

[2] 王德青,吾守爾·斯拉木,許苗苗.場景文字識別技術研究綜述[J].計算機工程與應用,2020,56(18):1-15.

[3] 李志昂,李少波,白強,等.基于視覺的機器人目標抓取研究[J].組合機床與自動化加工技術,2020(9):108-111.

[4] 馬鎖冬,曾春梅,許峰.基于4f系統的光學圖像加密與解密仿真教學[J].大學物理實驗,2018,31(6):39-45.

[5] 石鵬飛,劉慧.基于OpenCV的偏光片檢測方法[J].機械管理開發,2020,35(10):162-164+202.

[6] 陳飛.改進的交互式Otsu紅外圖像分割算法[J].計算機測量與控制,2020,28(9):248-251.

[7] 李藝杰,鄒坤霖,孫煒,等.基于Sauvola算法和神經網絡的圖像自適應二值化方法[J].測控技術,2020,39(8):62-69+75.

[8] 趙慧娟,姜盼松,黃文聰.基于圖像識別算法的圖像傳感器質量檢測方法改善研究[J].工業工程,2020,23(3):115-122.

[9] 白松讓,段敏,曹景勝,等.基于OpenCV的車道線智能檢測和識別[J].遼寧工業大學學報(自然科學版),2020,40(2):92-95.

（本文來源于《電子產品世界》雜志2021年7月期）