一、一维及二维条码图像识别系统研究(论文文献综述)
刘斌,程方毅,龚德文[1](2020)在《图像自动识别技术在物流自动化中的研究与应用现状分析》文中研究说明计算机视觉、深度学习的融合发展是推进物流自动化产业智能化的必然途径。介绍了条形码技术和FRID技术在物流自动化的应用特点,聚焦图像识别技术中图像分类技术和OCR技术在物流自动化中的应用现状,阐述图像识别关键技术简况及分类依据等。探讨研究与应用中存在的问题与难点,以期为构建更快、更准确的自动分拣系统提供参考。
吕召锐[2](2020)在《基于FPGA的条码图像边缘检测算法及其硬件设计研究》文中进行了进一步梳理近年来,条码识别系统广泛应用于工业生产、物流管理等领域,给人类社会生活带来极大便利的同时,对条码识别系统的识别速率、准确率、适用性等提出更快更高的要求。采用ARM等单架构硬件平台的条码识别设备,已经无法满足工业、物流等领域的高实时性要求。为解决上述问题,本文对条码图像的滤波和边缘检测算法进行研究,利用FPGA实现算法映射。并设计条码识别硬件系统,由ARM对系统进行管理,有效提高系统实时性和适用性。本文研究的主要内容有:(1)基于FPGA的条码图像滤波算法研究。针对经典中值滤波算法对条码图像进行滤波处理时,存在噪声点扩散,导致条码线条边缘轮廓模糊的问题,提出一种基于FPGA的开关型均值-中值滤波算法。算法通过噪声开关,识别噪声点后进行中值滤波。然后使用基于均值的阈值比较模块,识别线条边缘轮廓区域,对非边缘轮廓的像素点进行滤波处理,保护条码图像线条的边缘信息。同时,通过极值比较器对算法的中值排序流程进行时序优化,节省了硬件资源。(2)基于FPGA的条码图像边缘检测算法研究。针对经典Sobel算法对条码图像进行边缘检测时,对光照环境要求较高,且需手动设定阈值的问题,提出一种基于FPGA的多向性阈值自适应型Sobel算法。在经典Sobel算法基础上添加方向卷积模板,使算法检测的边缘信息更完整,然后使用均值模块实时采集图像的多个阈值,实现阈值自适应,降低算法对光照环境要求。(3)条码识别系统硬件设计。针对工业领域中条码识别系统实时性、适用性等要求,通过对比分析现有嵌入式硬件架构的优劣势,结合系统参数指标与功能需求,设计基于FPGA和ARM的条码识别系统,并完成外围电路设计。最后,在本文设计的条码识别系统硬件平台上,对改进后的条码图像预算法进行检验。结果表明,与经典算法相比,改进后的滤波算法对条码图像滤波效果更优,有效保护线条边缘信息;改进后的边缘检测算法,实现阈值自适应,检测的条码轮廓特征信息更加清晰完整。
蒋晓彤[3](2020)在《基于标识码动态图像识别的分拣过程快递追溯系统研究》文中进行了进一步梳理遗失快递的追溯问题是物流中的老问题,如何提高追溯效率是亟待解决的问题。自动分拣区域作为快递责任划分不明确的区域,亦为遗失快递追溯的重要区域。自动分拣设备异常、人工分拣失误、分拣作业场景混乱,导致快递遗失且难以追溯问题突出,这给企业造成高额损失。快递分拣过程的追快递溯效率低是企业追溯业务面临的主要难题,解决追溯效率低的难题成为当务之急。本文通过设计基于标识码动态图像识别的分拣过程追快递溯系统,解决企业遗失快递的追溯难题。通过对系统进行总体设计、动态标识码识别算法研究和系统测试几个方面的工作设计实现基于标识码动态图像识别的分拣过程追快递溯系统。标识码动态图像识别是实现本系统的重点和难点,只有克服动态环境、复杂背景等诸多干扰,同时达到高识别率和高实时性的效果,才能满足系统需求。为此,本文对识别中的定位算法和矫正算法重点研究。研究内容如下:快递标识码图像区域位置的确定是最关键的一步,本文将SSD卷积神经网络与传统轮廓匹配相结合完成定位。首先,为克服动态环境对识别率实时性的影响,同时解决褶皱、不常见快递面单定位效果差的问题,利用识别率高、识别速度快的SSD卷积神经网络完成初步定位;其次,为克服相似特征的干扰,利用矩形框筛选排除干扰完成精确定位。由SSD卷积神经网络完成初定位再通过面积和尺寸筛选到精确定位,克服识别难题完成识别。快递标识码矫正是影响识别率和实时性的重要因素,本文采用图像切割的方法优化矫正算法。将定位图像区域进行切割,实验分析得出最佳切割策略。计算切割后子图像的倾角,利用子图像倾角完成矫正。优化后的矫正算法通过减少计算量,来降低时间开销提高实时性。本文定位算法和矫正算法的研究对识别效果影响显着,可满足高识别率和实时性需要。定位可达到2.5ms的单帧定位速度和不低于90%的定位正确率,矫正可达到单帧矫正不超过45ms的矫正速度和不低于90%的矫正正确率,最终达到不低于90%的高识别率和单帧识别不超过80ms的高识别速率。通过对系统识别和追溯功能的测试,动态环境下识别率高达91%以上,满足企业80%90%的识别率要求;通过信息查询功能在较短时间内即可追溯到遗失快递,具有重要的现实意义。同时,本文系统还需经过实践的检验,不断更新改进,以更好地适应物流作业环境的需要。
陈佳辉[4](2020)在《二维条码识别方法研究》文中研究指明二维条码在信息存储与传递方面具备密度高及识读能力强的特性,已普遍应用于物品标识、电子支付、社交媒体、广告营销、资产跟踪等领域。在被多方面应用的同时,也带来了识别技术上的问题,多种多样的应用环境和图像采集设备增加了二维条码识别过程的复杂度,传统的二维条码识别方法渐渐无法满足人们的使用需求。为提高二维条码识别方法在各种复杂采集环境下的鲁棒性和适应性,本文针对二维条码在模糊、污染、破损、遮挡、光照条件差等恶劣条件下的识别展开了研究。主要工作包括以下几点:(1)在研究二维条码的应用场景和采集条件时,需要对二维条码的复杂采集环境进行定性与定量的分析,建立了一个尽可能健壮的复杂采集环境下二维条码图像数据集,用于二维条码训练与测试。(2)参考并综合大量的理论知识分析可知,卷积神经网络(CNN)的识别方法通常适用于训练样本较多时;相反在解决小样本、非线性问题的分类与识别时,支持向量机(SVM)分类器表现出较强的稳健性。(3)待测条码与样本数量较多的不同码制数据库识别时,采用CNN的识别方法。将未经过预处理的原始图像输入到CNN,在交替设置的卷积、池化及激活层进行图像特征提取,并把提取的特征向量映射到全连接层的Softmax分类器实现分类。实验仿真过程采用小卷积核完成卷积过程,避免了较大的卷积核,引起网络分离困难而导致细节特征的丢失,因此采用CNN能正确且高效地实现待测条码与不同码制数据库的识别。(4)选取不同码制数据库中的一类条码作为样本集,将同类待测条码导入该样本集后,目的是快速且准确识别出与模板相同且规则完整、清晰可辨的二维条码。以二维条码数据库中最具优势且实用性最强的QR Code为例,提出了一种多块局部二值模式(MB-LBP)与改进非线性收敛因子的灰狼算法(GWO)优化SVM相结合的QR Code识别算法。算法提取分块的提升小波变换图像的高低频分量的MB-LBP特征并融合,运用主成分分析(PCA)完成融合特征的降维,导入改进GWO优化SVM分类器,实现QR Code数据集的分类,实验仿真结果证明改进算法识别性能明显有所提升。
赵世栋[5](2020)在《一种信息嵌入图像型防伪码技术的研究与实现》文中指出随着制造活动增加以及诸如食品、制药、医疗保健等行业需求驱动,防伪市场规模日趋扩大。快速响应(QR)码作为二维码的一种,凭借高存储、多功能性等优势成为运输、制造、零售业广泛使用的溯源、识别技术,也成为防伪溯源领域主流发展趋势。防伪码在防伪包装上往往占据不可忽略的显示区域,而标准QR码表现形式为黑白模块的随机排列,样式单调、区分度低,对用户缺乏吸引力,粘贴于产品包装表面极易破坏设计美感,降低产品价值。随着艺术品及文化市场的繁荣,社会对生成具有视觉吸引力防伪码的需求越来越大。同时标准QR码识别算法使用门槛低,各解码设备都可轻松获取码类蕴含信息,信息保密性差。本文从防伪码视觉优化及加强保密性出发,研究提出一种信息嵌入图像型新型防伪码。本文主要工作可概括为:(1)设计一种信息嵌入图像型防伪码。区别于传统QR码格式固定、样式单一,新型防伪码设计新的结构,根据输入模板及单位模块大小确定数据填充区域,保留模板外观前提下将防伪信息嵌入图案模板中,实现防伪码外观优化。(2)设计新型防伪码生成算法。通过规范图案模板处理过程,制定数据序列生成方式,添加不同类型纠错码完成新型防伪码生成。新型防伪码编码容量不受版本格式约束,在模板图案足够大情形下,编码容量远超QR码,且新型防伪码根据不同纠错等级选择RS纠错算法,最高纠错率可达30%,保留传统QR码防伪性能。(3)设计新型防伪码识别算法,通过防伪码图像边缘提取及模板选择,匹配模板图案完成信息提取,译码解码实现防伪码识别。新型防伪码只能被专用解码器解码不被传统二维码扫描器识别,且解码过程需识别图案模板,有效提高嵌入信息保密性。该算法允许识别彩色防伪码,通过测试,已证明算法识别有效性。(4)结合信息嵌入图像型防伪码算法,借助区块链技术提出艺术品防伪模型,为未来防伪领域发展提供新的方向。
程方毅[6](2020)在《物流自动化标准单元智能分拣系统的研究与实现》文中提出物料信息采集是自动化物流系统中必不可少的一个环节。信息的采集需要快速、准确,同时为了减少中间环节和人工干预,应尽量利用物流包装上的现有信息进行采集。目前,物流系统中大多采用人工录入、条码或射频识别等方法采集物料信息,但是,在一些食品、医药等行业,货物种类有限,且外表面没有张贴条码或射频卡等信息载体,因此,研发一种运算速度快、识别率高的智能分拣系统直接识别货物类别信息十分必要。本文以数字图像处理和卷积神经网络为基础,使用Open CV和Tensor Flow来实现,在Qt上进行界面开发,自主研发了一款智能分拣系统。整个系统的构建采用模块化设计思路,具有较强的适用性。本文的工作主要包括以下内容:(1)根据自动分拣系统及货物分拣的一般流程,设计了图像采集平台获取货物图像,并介绍了组成图像采集平台的光电传感器、相机、镜头和光源的选型依据。(2)对物流输送线上货物图像的分割方法进行了研究。首先对原始彩色图像进行灰度化、中值滤波、Gamma校正、Otsu法二值化和闭运算处理,降低噪音、光照不均和皮带热烧结连接部分反光等因素带来的不良影响,得到合适的二值图像。然后对二值图像进行处理和分析,找到货物外部轮廓,根据拟合边界框从原始图像中提取出目标区域图像。结果表明,该流程在物流工业环境下能分割出较为完整的物体区域。(3)在图像采集平台上采集了13种类别的货物图像,通过旋转方式扩充数据集,使用Alex Net、VGGNet和轻量级CNN进行训练。结果表明,通过调整参数和加深网络结构可以优化网络性能,但是网络层数不是越深越好。事实上,本文使用轻量级CNN训练360度旋转图像时,验证集取得了100%的准确率。(4)根据CNN的机制相关研究,CNN是由低层次到高层次的提取特征,对旋转图像的鲁棒性较差。本文进行了相关实验验证,如只收集固定方向摆放货物的图片进行训练,而用旋转45°方向货物的图片进行测试,发现部分类别均识别正确,部分类别旋转45°后均识别错误。实验验证了CNN对旋转的不变性较差,使用旋转方式扩充自建货物数据集可以避免过拟合,保障任意角度货物图像识别的准确率。(5)用Open CV和Tensor Flow实现了图像处理和CNN训练的相关过程,并在可移植平台Qt上进行系统开发。经过测试,货物从相机拍照到系统识别并显示货物类别的时间为400~700ms,且识别的准确率较高,完全可以满足物流自动化领域的需求。整个智能分拣系统采用模块式开发,针对不同的项目,不需要修改或仅需要修改图像分割部分和构建卷积网络部分的代码,应用起来较快。并且该模型还有一定的扩展性,通过加入不同类别的货物进行训练,可以实现物流自动化输送线上多种货物的自动识别。
魏俊文[7](2019)在《新能源车关键件追溯系统设计与实现》文中研究指明由于新能源汽车具有能耗低、污染小,已成为汽车产业发展的重要方向,各国政府与汽车制造商都投入大量的资源进行研究开发。我国于2011年颁发了《节能与新能源汽车产业发展规划》方案,并提出了汽车工业发展以新能源汽车发展与转型的主要战略。为提高新能源汽车市场的认可度和售后服务水平,研究开发符合新能源汽车要求的质量追溯技术及相关系统具有非常重要的理论意义和应用价值。本文根据新能源汽车结构与装配工艺特点及我国新能源汽车制造企业管理模式,对与追溯系统关联的技术,如装配工时平衡优化、产品与零部件编码规则、追溯模式等进行了相关研究,为实现关键件追溯,采用了CODE128与QR CODE进行关键件与整车信息编码;为了实现线边批量快速新能源汽车关键零部件信息管理要求,研究开发了一种通过条码,基于图像识别技术的整车信息提取模型与算法,该模型与算法不但可以满足装配现场批量快速要求,而且解决了条码倾斜及轻度污染问题。基于上述相关研究成果,为满足我国新能源汽车制造企业对质量管理的要求,设计开发了一套追溯系统,系统采取了客户端进行识别信息绑定手段,实现了包括物料与质量信息等在内的,新能源汽车全装配流程的质量追溯管理。该系统已在我国多家新能源汽车制造企业进行了实现与应用,达到了提高新能源汽车市场的认可度和售后服务水平的目的。
李海浩[8](2019)在《图像扫码器的旋转及二值化性能软件优化及应用》文中研究说明随着信息技术和商品经济的发展,商品之间的信息交换和通信变得更为密切与频繁。条形码技术作为一种简单、方便、经济、高速的信息存储技术,已经成为物联网中最常用的信息采集技术,所以条形码图像采集和识别也变得越来越重要。在条形码的识别过程中,采集到的图像难免会出现不满足质量要求的情况,若条形码倾斜角过大或者受到光照的影响,会导致条形码不能被准确识读。因此,在条形码的图像预处理过程中,改善条形码图像的质量,可以提高解码的准确率。本文论述了条形码的条码特性和编码规则,并结合一维条形码自身的特征提出了一种适用于本研究课题的条形码旋转算法,该算法结合条形码的起始符或终止符对倾斜角进行计算,实现倾斜角校正,使得在原来对倾斜条形码不能解码的情况下,经过算法处理后,可以对任意倾斜角度下的条形码进行识别,且成功率可以达到100%,算法的运行时间为40ms左右。针对图像对比度偏低的问题,在条形码的预处理过程中加上二值化处理增强对比度,方法采用OTSU算法和Sauvola算法结合的新的局部自适应阈值二值化方法,可以大大地改善低对比度图片的质量,并且对不同光照条件下的条形码也有很好的识别效果,使得改进后的算法对可识别的最低对比度比原来提高了 15%。在研究开源的条形码识别软件开发包的基础上,改进程序中图像预处理部分的代码内容,并在Linux开发环境下建立图像扫码系统,该系统是由君正X1500核心板与EM3070图像模块搭载而成的条码识别设备,可以实现条形码的图像采集、图像处理、解码和信息输出等功能。通过实验验证,本文提出的方法具有很好的实用效果。
肖聪[9](2019)在《PCB质量追溯中孔阵码的编解码系统研究》文中研究说明PCB广泛应用于各种电子产品,是重要的电子连接件,从个人电脑到手机,甚至是电子玩具,都有用到印刷电路板,可以说它对现在电子行业的发展有着重要的影响作用。为了更好的对产品品质进行管控,需要记录相关生产信息,便于电子产品的全程追溯与质量管控。对于PCB板在产品生产过程中的管控,在PCB板上进行标记信息,如生产批次,字符,条形码等信息成为行业的发展趋势。对于PCB板的质量追溯已经有基于MES的批次管理的解决方案,同时也有结合二维码技术实现的单板追溯方案。但是对于PCB多层板,压合工序后因看不到内层二维码导致内层信息丢失这一问题,现有的二维码追溯系统仍然无法解决。本文通过将追溯信息以孔阵码形式记录在PCB板上的方法,并在压合工序后使用X光检测设备进行检测,实现了PCB板的单板质量追溯,解决了压合工序后内层二维码信息丢失这一问题。本文为此设计了一套用于PCB质量追溯的孔阵码的编解码系统。本文首先根据Datamatrix码的相关特点进行分析,得到了Datamatrix码可以转化为点阵码的结论,紧接着给出了一种点阵码转化为孔阵码的方法。从理论上给出点阵码转化为孔阵码的方法后,进而确定了如何根据机床加工精度计算出孔阵码的相关参数。其次对视觉识别系统的选型进行了研究,同时确定了视觉系统的布局。利用OpenCV开源库,从优化“霍夫梯度法”,到优化凸包算法,再到最后通过孔阵码图像自身产生匹配模板,最终成功完成了孔阵码解码系统的研发。最后利用.NET 4.0结合Zxing库,完成了孔阵码的编码系统的研发,同时将孔阵码编码系统和解码系统整合在一起,完成了整个孔阵码编解码系统的研发。本文整个系统的开发采用模块化设计,使整个系统有更好的扩展性和可维护性。同时,本文在完成系统的研发后,也对系统功能进行能测试,其中解码系统在实验样本下能实现100%的识别率,达到需求效果。
刘希[10](2019)在《多条形码的图像定位技术研究与应用》文中研究指明现有的条形码检测工具基本都是专用条形码识别器,使用的是激光扫描的原理来进行条码识别。虽然现在已有许多全自动识别的激光识别装置,却不能够同时处理多个条码,一次最多能够读取一个条形码,识别效率在今天以速度为生命的物流行业中是远远不够的。本文结合对数字图像进行条形码定位、预处理以及角度变换的研究,实现了对一张数字图像中多个条形码的定位识别,并搭建了一套多条形码定位识别系统,为使用数字图像识别条形码的实际物流分拣提供一定的参考。本文的研究主要由以下四个部分展开:1)对含有条形码的图片进行预处理。通过对图像进行色域变换、去噪以及二值处理,完成图像的预处理。滤波部分根据常用的滤波算法对条形码进行去噪处理的仿真测试,从测试结果中选择出效果最佳的维纳滤波算法作为去噪处理算法。以上研究将对由摄像头获取的图像进行了预处理,获得了可以清晰读取的图像。2)对条形码的定位算法进行研究。首先根据已有的边缘检测算法进行分析比较,针对边缘检测算子和局部二值模式等算法进行分析,然后以改进型局部二维模式算子作为定位算法,就其在单个条形码的情况下进行各个算法的效果测试,接着,确认出改进型局部二位模式算子在单个条码检测中效果最佳,再将其应用于多个条码检测,也有非常理想的效果。以上研究确定出了条形码的大致区域,确定了条形码的范围,为后续处理提供基础。3)实现条形码的定位区域细化和角度矫正处理。通过形态学的处理,将第二部分中得到的定位区域进行区域细化,得到比较完整、边界清晰的位置轮廓。对出现的不为规则摆放的条形码,进行两种角度矫正算法比较分析,选出了为了方便实际应用中角度的测量。此部分则是针对出现的角度问题进行了方案设计以及解决措施,提高了研究的覆盖面。4)应用于物流分拣流水线的条形码系统的定位与识别。先介绍了系统的总体构架跟硬件平台,接着对系统软件部分的设计与实现进行了分析和效果测试,最后,将系统的总体综合效果进行评估检测。从测试的效果来看,此平台可以在含有多个条形码的情况下对条形码进行定位与识别。此部分为实际数字图像条形码的定位研究的物流方向的应用提供了一定的参考。
二、一维及二维条码图像识别系统研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一维及二维条码图像识别系统研究(论文提纲范文)
(1)图像自动识别技术在物流自动化中的研究与应用现状分析(论文提纲范文)
0 引言 |
1 条形码技术 |
1.1 一维条形码技术 |
1.2 二维条形码技术 |
2 无线射频识别技术 |
3 图像识别技术在物流自动化的应用 |
3.1 图像分类技术 |
3.2 OCR光学字符识别技术 |
4 图像识别关键技术 |
4.1 计算机视觉 |
4.1.1 图像分割 |
4.1.2 特征提取 |
4.1.3 图像匹配或分类 |
4.2 深度学习 |
5 结束语 |
(2)基于FPGA的条码图像边缘检测算法及其硬件设计研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 |
1.2.2 条码识别系统国内研究现状 |
1.3 论文主要研究内容 |
1.4 论文各章节内容安排 |
第2章 基于FPGA的条码图像滤波算法 |
2.1 图像噪声与滤波算法 |
2.1.1 图像噪声分类 |
2.1.2 图像滤波算法分类 |
2.2 空间域滤波算法研究及其FPGA算法映射 |
2.2.1 高斯滤波原理及其算法映射 |
2.2.2 均值滤波原理及其算法映射 |
2.2.3 中值滤波原理及其算法映射 |
2.2.4 滤波算法对比与分析 |
2.3 基于FPGA的开关型均值-中值滤波算法 |
2.3.1 开关型均值-中值滤波算法 |
2.3.2 基于FPGA的时序优化型中值排序 |
2.4 本章小结 |
第3章 基于FPGA的条码图像边缘检测算法 |
3.1 图像边缘检测原理 |
3.2 经典边缘检测算法 |
3.2.1 一阶导数型边缘检测算法 |
3.2.2 二阶导数型边缘检测算法 |
3.2.3 边缘检测算法条码图像适用性研究 |
3.3 基于FPGA的多向性阈值自适应型SOBEL算法 |
3.3.1 经典Sobel算法改进 |
3.3.2 基于FPGA的多向性阈值自适应型Sobel算法 |
3.4 算法仿真分析 |
3.5 本章小结 |
第4章 条码识别系统硬件设计 |
4.1 系统硬件架构设计 |
4.2 FPGA板硬件电路设计 |
4.2.1 FPGA配置电路 |
4.2.2 FPGA的 MIPI_CSI2 模拟接口电路设计 |
4.2.3 千兆以太网电路设计 |
4.2.4 其他通信接口电路设计 |
4.3 ARM板硬件电路设计 |
4.3.1 存储器电路设计 |
4.3.2 PCI_e接口电路设计 |
4.4 模块分化式电源管理电路设计 |
4.4.1 模块分化式电源管理方案设计 |
4.4.2 DC/DC压降开关电路设计 |
4.4.3 多通道DC/DC电源管理器电路设计 |
4.4.4 PMU电源管理单元电路 |
4.5 本章小结 |
第5章 算法检验与系统测试 |
5.1 测试平台 |
5.2 条码图像算法检验 |
5.2.1 条码图像滤波算法检验 |
5.2.2 条码图像边缘检测算法检验 |
5.3 系统测试 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
附录 |
(3)基于标识码动态图像识别的分拣过程快递追溯系统研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 研究现状 |
1.2.1 追溯管理研究现状分析 |
1.2.2 条码识别算法研究现状分析 |
1.2.3 卷积神经网络研究现状分析 |
1.3 研究内容 |
1.4 研究技术路线 |
1.5 研究创新点 |
1.6 本章小结 |
第2章 相关技术研究基础 |
2.1 卷积神经网络研究 |
2.1.1 网络结构 |
2.1.2 卷积神经网络训练 |
2.1.3 卷积神经网络在图像定位中的应用 |
2.2 矫正算法研究 |
2.2.1 边缘检测 |
2.2.2 Hough变换 |
2.3 本章小结 |
第3章 系统总体设计方案 |
3.1 设计背景 |
3.2 需求分析 |
3.2.1 追溯问题分析 |
3.2.2 分拣业务流程 |
3.2.3 拟定追溯思路 |
3.3 系统需求说明 |
3.3.1 目的和范围 |
3.3.2 功能需求 |
3.3.3 性能需求 |
3.3.4 数据规格 |
3.4 系统总体设计 |
3.4.1 系统逻辑架构设计 |
3.4.2 系统开发架构设计 |
3.4.3 系统功能设计 |
3.4.4 数据库设计 |
3.4.5 界面设计 |
3.5 本章小结 |
第4章 快递标识码动态图像识别算法研究 |
4.1 快递标识码识别流程 |
4.2 基于SSD卷积神经网络的快递标识码定位 |
4.2.1 定位效果差问题分析 |
4.2.2 SSD卷积神经网络的定位实现原理 |
4.2.3 基于SSD卷积神经网络的标识码初定位流程 |
4.2.4 数据处理 |
4.2.5 模型训练调参与评估 |
4.2.6 筛除干扰实现精确定位 |
4.2.7 快递标识码定位流程总结 |
4.2.8 定位测试与分析 |
4.3 基于改进Hough变换的快递标识码矫正 |
4.3.1 矫正实时性差问题分析 |
4.3.2 快递标识码矫正改进工作 |
4.3.3 快递标识码矫正流程总结 |
4.3.4 矫正测试与分析 |
4.4 快递标识码解码 |
4.5 快递标识码识别测试与分析 |
4.6 本章小结 |
第5章 系统测试结果分析 |
5.1 系统环境 |
5.1.1 硬件环境 |
5.1.2 软件环境 |
5.2 系统功能测试 |
5.3 系统性能测试 |
5.3.1 快递标识码识别子系统测试及分析 |
5.3.2 快递分拣过程追溯子系统测试分析 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间发表的学术成果 |
致谢 |
(4)二维条码识别方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 论文的研究内容及结构安排 |
1.3.1 论文的研究内容 |
1.3.2 论文的结构安排 |
第2章 二维条码概述 |
2.1 二维条码的码制 |
2.2 QR Code介绍 |
2.2.1 QR Code的符号结构 |
2.2.2 QR Code的主要特点 |
第3章 传统的二维条码特征提取及分类方法 |
3.1 传统的二维条码特征提取方法 |
3.1.1 HOG算法 |
3.1.2 Gabor算法 |
3.1.3 LBP算法 |
3.2 传统的二维条码分类方法 |
3.2.1 Adaboost分类器 |
3.2.2 SVM分类器 |
3.2.3 稀疏表示分类器 |
第4章 基于卷积神经网络的二维条码识别技术 |
4.1 卷积神经网络 |
4.1.1 基本工作原理 |
4.1.2 卷积层 |
4.1.3 池化层 |
4.1.4 激活层 |
4.1.5 全连接层 |
4.2 二维条码数据的采集与处理 |
4.3 CNN在二维条码上的应用 |
4.3.1 CNN的二维条码识别整体系统框架 |
4.3.2 CNN网络层数结构 |
4.3.3 实验结果及分析 |
第5章 改进灰狼优化算法的QR Code识别 |
5.1 改进GWO优化SVM的 QR Code识别系统框架 |
5.2 QR Code图像特征提取及处理 |
5.2.1 提升小波变换 |
5.2.2 MB-LBP算法 |
5.2.3 QR Code特征融合及PCA算法降维处理 |
5.3 QR Code图像的分类 |
5.3.1 改进非线性收敛因子的灰狼算法 |
5.3.2 SVM参数寻优 |
5.4 实验结果及分析 |
5.4.1 ILFGWO算法性能分析实验 |
5.4.2 QR Code识别实验 |
第6章 工作总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文及研究成果 |
(5)一种信息嵌入图像型防伪码技术的研究与实现(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 论文研究的目的与意义 |
1.2 防伪技术现状 |
1.2.1 传统产品防伪技术现状 |
1.2.2 现代电子防伪技术 |
1.3 研究内容和组织安排 |
1.3.1 研究内容 |
1.3.2 论文组织 |
2 二维码防伪技术 |
2.1 二维码 |
2.2 二维码防伪技术现状 |
2.3 典型二维码 |
2.3.1 QR码 |
2.3.2 视觉二维码 |
2.4 本章小结 |
3 信息嵌入图像型防伪码技术 |
3.1 信息嵌入图像型防伪码构成 |
3.2 信息嵌入图像型防伪信息系统模型 |
3.3 本章小结 |
4 信息嵌入图像型防伪码生成技术 |
4.1 模板处理 |
4.2 防伪码生成 |
4.2.1 信息编码表 |
4.2.2 数据编码 |
4.2.3 纠错编码 |
4.2.4 码字交织 |
4.2.5 版本选择 |
4.2.6 放置数据位 |
4.2.7 数据项掩码 |
4.2.8 添加格式和版本信息 |
4.3 彩色防伪码 |
4.4 本章小结 |
5 信息嵌入图像型防伪码识别技术 |
5.1 防伪码定位 |
5.2 图像校准 |
5.2.1 版本确定 |
5.2.2 图像校正 |
5.3 模板识别 |
5.4 信息提取 |
5.4.1 防伪码二值化 |
5.4.2 信息读取 |
5.5 信息纠错译码 |
5.6本章小结 |
6 防伪系统设计与实现 |
6.1 防伪系统设计 |
6.1.1 需求分析 |
6.1.2 概要设计 |
6.1.3 详细设计 |
6.2 防伪系统实现 |
6.2.1 系统文件结构 |
6.2.2 系统实现 |
6.3 实验结果及性能分析 |
6.3.1 实验结果 |
6.3.2 性能分析 |
6.4 新型防伪码应用前景 |
6.5 本章小结 |
7 结论与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
附录 A:攻读学位期间取得的研究成果 |
(6)物流自动化标准单元智能分拣系统的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 选题背景 |
1.2 自动识别技术 |
1.3 图像识别技术研究现状 |
1.3.1 图像识别的流程 |
1.3.2 图像识别的方法 |
1.4 论文研究目标与研究内容 |
1.4.1 论文研究目标 |
1.4.2 论文研究内容 |
第二章 标准单元智能分拣系统平台搭建 |
2.1 自动分拣系统实验平台 |
2.2 智能分拣系统硬件平台搭建与关键硬件选型 |
2.2.1 硬件平台技术要求分析 |
2.2.2 图像采集平台设计 |
2.2.3 关键硬件的选型 |
2.3 搭建图像采集平台时改善图像品质的方法 |
2.4 智能分拣系统软件平台搭建 |
2.5 本章小结 |
第三章 物流输送线上货物图像分割方法研究 |
3.1 数字图像基础 |
3.2 噪声、光照不均和皮带反光影响下的货物图像预处理 |
3.2.1 货物图像的灰度化处理 |
3.2.2 货物图像的滤波处理 |
3.2.3 货物图像的二值化处理 |
3.2.4 货物图像的光照补偿处理 |
3.2.5 货物图像的闭运算处理 |
3.3 货物图像的ROI提取 |
3.3.1 货物外部轮廓检测 |
3.3.2 货物外部轮廓拟合和ROI提取 |
3.4 本章小结 |
第四章 基于卷积神经网络的货物图像分类研究 |
4.1 卷积神经网络简介 |
4.1.1 卷积神经网络的结构 |
4.1.2 卷积神经网络的训练过程 |
4.2 卷积神经网络训练前的数据准备和计算机硬件配置 |
4.3 卷积神经网络模型训练和调优 |
4.3.1 Alex Net网络训练 |
4.3.2 VGGNet网络训练 |
4.3.3 轻量级CNN网络训练 |
4.3.4 网络训练时的资源消耗情况与结论 |
4.4 旋转对货物图像分类性能的影响研究 |
4.4.1 CNN机制的相关研究 |
4.4.2 实验方案和结果 |
4.4.3 CNN的可视化分析 |
4.5 本章小结 |
第五章 标准单元智能分拣系统的实现 |
5.1 基于Open CV的图像处理算法实现 |
5.2 基于Tensor Flow的训练CNN模型实现 |
5.2.1 生成训练集和验证集的tfrecord文件 |
5.2.2 构建、训练和保存CNN模型 |
5.2.3 离线模型识别方法研究 |
5.3 基于可移植平台Qt的智能分拣识别系统 |
5.3.1 智能分拣系统构建设计 |
5.3.2 智能分拣系统界面设计和功能实现 |
5.3.3 智能分拣系统运行测试 |
5.4 本章小结 |
总结与展望 |
参考文献 |
附录1 图像处理相关函数 |
附录2 CNN训练相关函数 |
附录3 show_pb_graph.py文件 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(7)新能源车关键件追溯系统设计与实现(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 选题背景及意义 |
1.1.1 选题的背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 追溯系统研究现状 |
1.2.2 图像识别算法研究现状 |
1.3 课题研究内容与章节重点 |
1.3.1 课题来源 |
1.3.2 课题的研究内容 |
1.3.3 章节重点 |
第2章 追溯技术理论 |
2.1 基础设备及理论概述 |
2.1.1 系统硬件原理 |
2.1.2 供应链管理 |
2.1.3 整车装配管理 |
2.1.4 装配工时优化 |
2.2 条形码编码规则研究与运用 |
2.2.1 企业条码规则 |
2.2.2 QR Code二维码 |
2.3 物联网技术运用 |
2.3.1 嵌入式仓库管理系统 |
2.3.2 B/S模式工序管理 |
2.3.3 数据集成技术 |
2.3.4 C/S模式整车信息整合客户端 |
2.3.5 C/S模式质检客户端 |
2.4 质量追溯模式 |
2.4.1 物料管理 |
2.4.2 任务上线 |
2.4.3 工序流程 |
2.4.4 功能执行 |
第3章 条码图像识别算法 |
3.1 模式识别与人工智能 |
3.2 图像识别算法流程 |
3.3 图像预处理技术 |
3.3.1 灰度直方图均衡处理 |
3.3.2 条码图像倾斜校正 |
3.4 条码图像分割 |
3.5 图像特征选择 |
3.5.1 条码特征提取 |
3.5.2 模板匹配算法 |
3.6 条码图像识别 |
3.6.1 Bayes类别判断决策方案 |
3.6.2 图像识别技术应用结论 |
第4章 追溯系统质量管理 |
4.1 质量管理方式 |
4.1.1 质量数据采集 |
4.1.2 质检任务执行 |
4.1.3 质量评定标准 |
4.2 质量监测机制 |
4.2.1 车辆基本信息配置 |
4.2.2 新能源零件检测 |
4.2.3 车辆关键项检测 |
4.2.4 质检数据分析 |
第5章 追溯系统设计与实现 |
5.1 系统需求分析 |
5.2 系统业务功能 |
5.2.1 业务流程 |
5.2.2 业务部门 |
5.3 数据库设计 |
5.3.1 数据类别 |
5.3.2 概念设计 |
5.3.3 物理设计 |
5.3.4 数据维护 |
5.4 系统三层架构 |
5.5 功能运行过程 |
5.6 程序部署与测试 |
5.7 追溯系统实例 |
第6章 全文总结与展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(8)图像扫码器的旋转及二值化性能软件优化及应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 条形码的国内外研究现状 |
1.3 本文主要工作内容 |
1.4 论文的组织结构 |
1.5 本章小节 |
第2章 条形码图像识别技术 |
2.1 条形码技术简介 |
2.1.1 一维条形码技术简介及其分类 |
2.1.2 二维条形码技术简介及其分类 |
2.2 条形码图像识别方法 |
2.2.1 按照条形码编码原理识别条码 |
2.2.2 使用开源条形码识别工具包进行识别 |
2.3 条形码图像的识别流程 |
2.3.1 条形码图像的获取 |
2.3.2 条形码图像灰度化 |
2.3.3 条形码图像二值化 |
2.3.4 条形码图像边缘检测 |
2.3.5 条形码图像畸变校正 |
2.4 本章小结 |
第3章 扫码软件图像预处理优化 |
3.1 图像旋转算法原理 |
3.1.1 图像旋转原理简介 |
3.1.2 一维条形码的旋转处理 |
3.2 条形码的二值化方法研究 |
3.2.1 全局阈值法 |
3.2.2 局部阈值法 |
3.2.3 改进的局部自适应阈值二值化方法 |
3.3 本章小结 |
第4章 图像扫码器的实现与测试 |
4.1 开发平台的实现 |
4.2 图像扫码器的模块介绍 |
4.3 扫码器性能测试 |
4.3.1 实验设备和材料 |
4.3.2 倾斜角度测试 |
4.3.3 对比度测试 |
4.3.4 识读景深测试 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 今后的工作与展望 |
参考文献 |
项目来源 |
致谢 |
(9)PCB质量追溯中孔阵码的编解码系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 PCB追溯系统的研究现状 |
1.1.3 PCB多层板简介 |
1.1.4 本文的研究意义 |
1.2 国内外的研究现状 |
1.3 课题来源 |
1.4 主要研究内容 |
第二章 孔阵码编码系统的设计 |
2.1 本文研究问题概述 |
2.2 二维码技术简介 |
2.3 矩阵式二维码存储机制 |
2.3.1 矩阵式二维码种类 |
2.3.2 QR-Code |
2.3.3 Data Matrix |
2.4 为何选用Data Matrix转化孔阵码 |
2.5 Data Matrix转化为孔阵码的流程 |
2.5.1 Data Matrix转化为点阵码 |
2.5.2 点阵码转化为孔阵码 |
2.5.3 论文中使用的孔阵码规格简介 |
2.6 本章小结 |
第三章 孔阵码视觉识别系统的设计 |
3.1 孔阵码的组成,相关的工艺参数 |
3.2 视觉系统需求分析 |
3.3 视觉系统的选型设计和布局 |
3.3.1 光源 |
3.3.2 相机 |
3.3.3 镜头 |
3.4 视觉系统的选型的补充说明 |
3.5 孔阵码编解码视觉系统的实验环境 |
3.6 本章小结 |
第四章 压合前孔阵码解码算法的研究 |
4.1 本章概述 |
4.2 OpenCV的介绍以及选择它的原因 |
4.3 孔阵码识别流程介绍 |
4.4 图像平滑算法的选择 |
4.4.1 高斯平滑 |
4.4.2 双边滤波 |
4.4.3 中值滤波 |
4.4.4 小波去噪 |
4.5 找圆算法的选择 |
4.5.1 最小二乘法圆拟合 |
4.5.2 Hough圆检测 |
4.6 定位孔的寻找 |
4.6.1 凸包算法 |
4.6.2 改进算法 |
4.7 仿射变换 |
4.8 普通光源成像的孔阵码图像识别流程图 |
4.9 本章小结 |
第五章 压合后孔阵码解码算法的研究 |
5.1 本章概述 |
5.2 特征明显的X光成像的孔阵码图片识别 |
5.3 特征不明显的X光成像的孔阵码图片的识别 |
5.4 本章小结 |
第六章 孔阵码编解码原型系统的开发及应用 |
6.1 本章概述 |
6.2 应用开发环境介绍 |
6.3 应用界面功能展示 |
6.3.1 编码软件界面展示 |
6.3.2 解码软件界面展示 |
6.4 软件运行效果 |
6.5 孔阵码编解码系统的实际应用 |
6.5.1 孔阵码编解码系统的优势 |
6.5.2 孔阵码编解码系统的应用 |
6.6 本章小结 |
总结与展望 |
参考文献 |
致谢 |
(10)多条形码的图像定位技术研究与应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.1.1 数字图像定位技术的研究背景 |
1.1.2 条形码技术的研究背景 |
1.1.3 物流分拣技术的研究背景 |
1.1.4 论文的研究意义 |
1.2 国内外研究与应用现状 |
1.2.1 条形码的定位算法研究现状 |
1.2.2 条形码的应用现状 |
1.3 论文的主要工作和章节安排 |
1.4 课题来源 |
第二章 条形码图像预处理 |
2.1 色域转换 |
2.1.1 最大值法 |
2.1.2 平均值法 |
2.1.3 加权平均法 |
2.2 阈值处理 |
2.2.1 基本全局阈值处理 |
2.2.2 Otsu法全局阈值处理 |
2.3 空间滤波 |
2.3.1 中值滤波(Median Filter) |
2.3.2 均值滤波(Mean Filter) |
2.3.3 维纳滤波 |
2.3.4 空域高斯平滑滤波 |
2.3.5 滤波效果比对 |
2.4 本章小结 |
第三章 条形码边缘检测算法分析 |
3.1 边缘检测算法 |
3.1.1 边缘检测 |
3.1.2 边缘检测算子 |
3.2 局部二值模式的特征提取 |
3.2.1 基本LBP算子 |
3.2.2 多尺度LBP算子 |
3.2.3 发展演化的LBP算子 |
3.3 LBP算子的参数设定和效果比较 |
3.3.1 基本LBP算子效果检测 |
3.3.2 多尺度LBP算子效果检测 |
3.3.3 等价模式的LBP算子效果检测 |
3.3.4 改进后LBP算子效果检测 |
3.4 本章总结 |
第四章 多条形码定位 |
4.1 Hough变换 |
4.1.1 Hough变换简介 |
4.1.2 Hough变换与Radon变换的选择比较 |
4.1.3 条形码的Hough变换 |
4.2 几何变换 |
4.2.1 旋转变换 |
4.2.2 插值算法 |
4.2.3 仿射变换 |
4.2.4 变换效果测试 |
4.3 形状匹配 |
4.3.1 形状匹配的相关概念 |
4.3.2 常用的形状描述方法 |
4.3.3 轮廓跟踪 |
4.3.4 Freeman链码 |
4.4 多条码的定位 |
4.5 本章总结 |
第五章 应用于物流分拣的条形码识别系统 |
5.1 系统总体框架设计 |
5.2 系统硬件平台介绍 |
5.2.1 摄像头 |
5.3 系统软件流程与实现 |
5.3.1 软件平台环境介绍 |
5.3.2 软件系统界面说明 |
5.3.3 图像预处理的实现 |
5.3.4 改进型LBP边缘检测与条码区域定位的实现 |
5.4 系统总体性能测试 |
5.4.1 系统时间性能测试 |
5.4.2 系统识别率测试 |
5.4.3 在WWU条码库上的结果对比 |
5.5 本章总结 |
总结与展望 |
本文总结 |
未来展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
四、一维及二维条码图像识别系统研究(论文参考文献)
- [1]图像自动识别技术在物流自动化中的研究与应用现状分析[J]. 刘斌,程方毅,龚德文. 机电工程技术, 2020(10)
- [2]基于FPGA的条码图像边缘检测算法及其硬件设计研究[D]. 吕召锐. 湖北工业大学, 2020(03)
- [3]基于标识码动态图像识别的分拣过程快递追溯系统研究[D]. 蒋晓彤. 山东财经大学, 2020(07)
- [4]二维条码识别方法研究[D]. 陈佳辉. 西北师范大学, 2020(01)
- [5]一种信息嵌入图像型防伪码技术的研究与实现[D]. 赵世栋. 景德镇陶瓷大学, 2020(01)
- [6]物流自动化标准单元智能分拣系统的研究与实现[D]. 程方毅. 华南理工大学, 2020(02)
- [7]新能源车关键件追溯系统设计与实现[D]. 魏俊文. 南昌大学, 2019(02)
- [8]图像扫码器的旋转及二值化性能软件优化及应用[D]. 李海浩. 暨南大学, 2019
- [9]PCB质量追溯中孔阵码的编解码系统研究[D]. 肖聪. 广东工业大学, 2019(02)
- [10]多条形码的图像定位技术研究与应用[D]. 刘希. 华南理工大学, 2019