基于机器视觉的条形码识别方法技术

本发明专利技术涉及一种基于机器视觉的条形码识别方法。所述方法为对获取的已知编码规则的条形码特征向量采用神经网络进行训练，对条形码特征进行分析，建立条形码数据库，获得具有识别能力的训练稳定的神经网络，并能在条形码识别过程中分析待识别条形码特征向量判断出所述条形码是否为样本库中的条形码类型，若是，调用解码库中相应的解码程序进行解码，识别条形码，若不是，根据需要可以将该条形码特征向量加入到样本库中，再采用神经网络进行训练，并将对应的解码程序加入到解码库中，可在下次识别过程中识别出该类条形码，所述方法使得条形码数据库维护更方便，增加了条形码识别类型，识别种类更多，从而提高了条形码识别种类的可扩展性和识别效率。

【技术实现步骤摘要】

本专利技术涉及条形码识别
，特别是涉及一种基于机器视觉的条形码识别方法。
技术介绍
近年来，随着计算机应用的不断普及，条形码的应用得到了很大的发展，条形码可以标出商品的生产国、制造厂家、商品名称、生产日期、图书分类号、邮件起止地点、类别、日期等信息，条形码识别技术是信息数据自动识别、输入的重要方法和手段，现已应用到了商业、工业、交通运输业、邮电通讯业、物流、医疗卫生等国民经济各行各业。目前，世界上有225种以上条形码，每种条形码都有各自的编码规则，满足生产过程中物流跟踪、状态记录、仓储管理等要求，在流水线作业过程中自动识别条形码记录相关数据成为行业中亟需实现的一种技术。传统的条形码扫描器识别方法是通过光电二极管(LED)或激光扫描阅读装置，将条形码字符的条空图形变换成相应的电信号，经整形和译码算法处理，最终获得条码字符信息，送入计算机进行处理。该方法对于生产流水线或物流传送带上的产品条形码识别，受条形码印刷技术、印制材料以及条形码本身的运动速度和角度的影响，扫描效率较低，识别率低，并且需要人工操作才能完成。因此，现有的光电转换扫描技术的条形码识别在生产线流水中由于距离的变化、运行速度快、条形码种类多等原因基本无法满足条形码的复杂性识别要求。为此采用机器视觉识别技术在没有人为干预的情况下使用计算机来处理和分析图像信息并输出结果，解决生产流水线上运动条形码的识别问题。然而，目前的机器视觉识别方法仅能识别一种或者几种条形码类型，识别条形码种类有限，不能根据需要增加条形码识别类型，可扩展性差，导致条形码识别效率低。
技术实现思路
基于此，有必要针对现有技术识别条形码种类少，不能根据需要增加条形码识别类型，可扩展性差的问题，提供一种基于机器视觉的条形码识别方法，能根据需要增加条形码识别类型，识别种类多，从而提高条形码识别种类的可扩展性和识别效率。一种基于机器视觉的条形码识别方法，包括以下步骤：S202、获取已知编码规则的条形码图像；S204、对所述条形码图像进行图像预处理，对预处理后的条形码图像进行图像分割，提取条形码图像的黑白条区域；S206、从条形码图像黑白条区域中提取条形码的特征值，建立特征向量；S208、特征向量作为神经网络训练的输入信息，在神经网络中进行训练，分析条形码的特征，神经网络在经过学习训练后收敛于给定的收敛目标；S210、建立条形码数据库，其中条形码数据库包括样本库和解码库，将特征向量加入到样本库中，特征向量作为样本库的样本数据，将条形码对应的解码程序加入到解码库中；S212、用户通过摄像机获取待识别条形码图像；S214、对所述待识别条形码图像重复步骤S204、S206；S216、采用神经网络对所述待识别条形码的特征向量进行分析，判断所述待识别条形码是否是样本库中的已知编码规则条形码类型，若是，调用解码库中相应的解码程序进行解码，识别所述条形码，若不是，需要发送信息询问用户是否需要将所述条形码的信息添加到所述条形码数据库，更新所述条形码数据库。上述基于机器视觉的条形码识别方法，对获取的已知编码规则的条形码特征向量采用神经网络进行训练，对条形码特征进行分析，建立条形码数据库，获得训练稳定的神经网络，所述训练稳定的神经网络具有识别判断能力，并且能够在条形码识别过程中分析待识别条形码特征向量判断出所述条形码是否为样本库中的条形码类型，若是，调用解码库中相应的解码程序进行解码，识别条形码，若不是，根据用户需要可以将该条形码特征向量加入到样本库中，再采用神经网络进行训练，并将对应的解码程序加入到解码库中，可在下次识别过程中识别出该类条形码，所述方法可以根据需要自由添加样本库的样本数据类型和数量，以及对应的解码程序，将条形码编码类型识别和解码分离，使得条形码数据库维护更方便，增加了条形码识别类型，识别种类更多，从而提高了条形码识别种类的可扩展性和识别效率。附图说明图1为基于机器视觉的条形码方法所涉及的一种实施环境的示意图；图2为一个实施例中基于机器视觉的条形码方法的流程图；图3为一个实施例中图2中步骤S204的具体实现流程。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1为基于机器视觉的条形码识别方法所涉及的一种实施环境的示意图。该实施环境包括摄像机110、光源120、图像采集卡130、计算机140、显示器150、被检测条形码160。其中，计算机140分别与图像采集卡130、显示器150相连，摄像机110和图像采集卡130相连。计算机140控制摄像机110移动选取工作区域；摄像机110通过镜头拍摄在光源120照射下被检测条形码160的图像；图像采集卡130对摄像机110拍摄的图像进行采集，并传输给计算机140进行分析处理识别条形码，并由显示器150显示识别出的条形码信息。在工业领域生产使用中，摄像机抓拍比较频繁，对快门的使用寿命要求比较高，摄像机110要根据拍摄距离和频率选择合适的工业相机。考虑到工业现场的使用条件和使用时间要求，可选择具有发热少、发光效率高、照明亮度强、均匀性好、寿命长等特点的LED光源作为光源120。图2为一个实施例中基于机器视觉的条形码识别方法的流程图。结合图1、图2所示，该基于机器视觉的条形码识别方法，包括：S202、获取已知编码规则的条形码图像。具体的，可以通过计算机140控制摄像机110选择工作区域，与图像采集卡130配合采集大量的已知编码规则条形码图像；或者计算机140直接采用现有的已知编码规则条形码图像。获取大量的已知编码规则条形码图像是为后面的神经网络训练提供足够的样本数据。S204、对所述条形码图像进行图像预处理，对预处理后的条形码图像进行图像分割，提取条形码图像的黑白条区域。具体的，由于受流水线运行速度，以及条形码印刷技术、印制材料、拍摄距离和拍摄角度、硬件设备、图像传输等因素的影响，摄像机110采集的条形码图像可能发生变形、倾斜，同时携带噪声信息等情况，因此，要对可能倾斜变形携带噪声的条形码图像进行图像预处理，校正图像，去除噪声，提高条形码图像的质量，为后期的图像分割和特征提取提供良好的数据源信息。图像预处理后进行图像分割，将条形码黑白条区域从图像背景中提取出来。S206、从条形码图像黑白条区域中提取本文档来自技高网...

【技术保护点】
一种基于机器视觉的条形码识别方法，其特征在于，包括以下步骤：S202、获取已知编码规则的条形码图像；S204、对所述条形码图像进行图像预处理，对预处理后的条形码图像进行图像分割，提取条形码图像的黑白条区域；S206、从条形码图像黑白条区域中提取条形码的特征值，建立特征向量；S208、特征向量作为神经网络训练的输入信息，在神经网络中进行训练，分析条形码的特征，神经网络在经过学习训练后收敛于给定的收敛目标；S210、建立条形码数据库，其中条形码数据库包括样本库和解码库，将特征向量加入到样本库中，特征向量作为样本库的样本数据，将条形码对应的解码程序加入到解码库中；S212、用户通过摄像机获取待识别条形码图像；S214、对所述待识别条形码图像重复步骤S204、S206；S216、采用神经网络对所述待识别条形码的特征向量进行分析，判断所述待识别条形码是否是样本库中的已知编码规则条形码类型，若是，调用解码库中相应的解码程序进行解码，识别所述条形码，若不是，需要发送信息询问用户是否需要将所述条形码的信息添加到所述条形码数据库，更新所述条形码数据库。

【技术特征摘要】
1.一种基于机器视觉的条形码识别方法，其特征在于，包括以下步骤：
S202、获取已知编码规则的条形码图像；
S204、对所述条形码图像进行图像预处理，对预处理后的条形码图像进行
图像分割，提取条形码图像的黑白条区域；
S206、从条形码图像黑白条区域中提取条形码的特征值，建立特征向量；
S208、特征向量作为神经网络训练的输入信息，在神经网络中进行训练，
分析条形码的特征，神经网络在经过学习训练后收敛于给定的收敛目标；
S210、建立条形码数据库，其中条形码数据库包括样本库和解码库，将特
征向量加入到样本库中，特征向量作为样本库的样本数据，将条形码对应的解
码程序加入到解码库中；
S212、用户通过摄像机获取待识别条形码图像；
S214、对所述待识别条形码图像重复步骤S204、S206；
S216、采用神经网络对所述待识别条形码的特征向量进行分析，判断所述
待识别条形码是否是样本库中的已知编码规则条形码类型，若是，调用解码库
中相应的解码程序进行解码，识别所述条形码，若不是，需要发送信息询问用
户是否需要将所述条形码的信息添加到所述条形码数据库，更新所述条形码数
据库。
2.如权利要求1所述的一种基于机器视觉的条形码识别方法，其特征在于，
所述特征向量作为神经网络训练的输入信息，在神经网络中进行训练，分析条
形码的特征的步骤之后，所述神经网络在经过学习训练后收敛于给定的收敛目
标的步骤之前还包括步骤：
判断所述神经网络在经过学习训练以后是否收敛于给定的收敛目标，是则
训练结束，否则，需要继续增加所述条形码的特征向量数量进行所述神经网络
训练分析，直到达到所述收敛目标训练结束。
3.如权利要求2所述的一种基于机器视觉的条形码识别方法，其特征在于，
所述特征向量是可分类的，所述条形码数据库可以有一种以上编码规则的条形
码样本数据以及对应的解码程序，所述神经网络可以选择BP神经网络、RBF

【专利技术属性】
技术研发人员：方小明，
申请(专利权)人：研祥智能科技股份有限公司，
类型：发明
国别省市：广东;44