計算機視覺在條形碼缺陷檢測中的應用

□王 琳 劉育波 茹 旻 陳士金

（西安航空學院 陜西 西安 710000）

計算機視覺在條形碼缺陷檢測中的應用

□王 琳 劉育波 茹 旻 陳士金

（西安航空學院 陜西 西安 710000）

條形碼缺陷檢測是條形碼識別領域中尤為重要的一項研究內容，經過長期的發展，現階段已經形成了迭代識別法、條碼圖像分割法、傅里葉變換法等多種條形碼缺陷檢測方法。為了實現更加理想的條形碼缺點檢測效果，文章從線性灰度化處理、Ostu閾值分割、Canny邊緣檢測、Hough變換等幾個環節入手，對計算機視覺在條形碼缺陷檢測后中的具體應用進行了討論，應用結果顯示，利用計算機視覺算法，可以有效解決條形碼缺陷所帶來的問題。

計算機視覺；條形碼缺陷檢測；應用步驟；主要環節；結果分析

1 條形碼缺陷檢測概述

使用普通讀碼機很難實現對缺陷條形碼的準確、有效識別，這就需要通過進行條形碼缺陷檢測，對不完整條碼進行補充，以便順利完成對條形碼的識別和信息讀取，所以，對計算機視覺在條形碼缺陷檢測中的應用進行分析，具有重要的現實意義。

2 計算機視覺在條形碼缺陷檢測中的應用

2.1 應用步驟

第一，如果條形碼顏色為彩色，需先進行灰度化處理，將其轉變為黑條和空白。第二，在完成灰度化處理后，需分割條碼閾值，提高黑條和空白之間的對比度。第三，為使條形碼邊緣更加清晰、明確，需進行Hough變換。第四，確定條形碼的上方邊緣。第五，確定條形碼的下方邊緣。第六，補充殘缺條形碼，得到完整的圖像特征信息。第七，對完整的條形碼進行識別、讀取，完成條形碼缺陷檢測。

2.2 關鍵應用環節

在利用計算機視覺算法對條形碼進行缺陷檢測時，關鍵步驟主要包括線性灰度化處理、Ostu閾值分割、Canny邊緣檢測、Hough變換四個環節，所以必須對這四個環節進行重點分析。對于彩色條形碼來講，在對其進行灰度化處理時，主要是從顏色的三原色角度來進行進行的，利用權重系數，對R、G、B分量進行加權求和，假定三者分量相同，則可以得到加權求和公式為f=ω1R+ω2G+ω3B其中，f和ω分別表示處理后的條形碼灰度值和三原色權重系數。在對彩色條形碼進行灰度化處理后，三原色分量所占灰度比重的不同時，處理效果也會存在較大差異，當三者的比值分別為0.299、0.587和0.114時，可以在保留原有圖像全部信息的基礎上，實現最為理想的灰度化處理效果[1]。

在進行Ostu閾值分割時，對圖像灰度等級進行設置，分為L個等級，則對于存在N個像素的圖像，灰度等級與像素總數之間的關系可以表示為Ni，其中Ni表示灰度等級為i時的像素數量。然后對該等級像素總數進行歸一化處理，以預先設定好的初始閾值為參照，將圖像所有像素分為C0和C1兩個集合，則兩者的概率和均值分別用公式表示為ω0=Pr(C0)，最后，對兩個像素子集合進行類間方差計算，其最大值便是最佳閾值[2]。

在進行Canny邊緣檢測時，主要目的是找出條形碼中黑條邊緣所在位置，為后期檢測的進行提供可靠依據和資料。當前，除了Canny邊緣檢測法之外，應用比較廣泛的邊緣檢測法主要包括Roberts邊緣檢測法、Log邊緣檢測法、Soble邊緣檢測法，但是，后幾種邊緣檢測法所確定的黑條邊緣，一般都會存在多個像素，無法得到直線特征，難以保證Hough變換的順利實現，所以需要對黑條邊緣進行Canny邊緣檢測。

Hough變換是以公式ρ=xcosθ+ysinθ為依據進行的，如果根據平面直角坐標系中變換正弦曲線，則可以得到Hough變換前后的數學關系為ρ=bsin(arctan(-1/k)),θ=αrttan(-1/k)。

2.3 應用結果分析

通過對60條缺陷條形碼不經過缺陷檢測及經過缺陷檢測的識別結構進行分析，發現應用計算機視覺進行條形碼缺陷檢測后，其識別準確率由原來的30%左右提高到了90%，實現了較為良好的條形碼識別效果。

結束語

將計算機視覺算法應用與條形碼缺陷檢測中，可以顯著提升缺陷條形碼識別準確率，對商品分類及銷售起到了重要幫助作用。在實際應用過程中，必須嚴格按照規范的流程，逐步完成操作，對條形碼線性灰度化處理、Ostu閾值分割、Canny邊緣檢測、Hough變換等重點環節進行嚴格把控，進而才能充分發揮計算機視覺算法的應用價值和優勢，補全特征殘缺的條形碼，以便條形碼準確識別和讀取的順利實現。

[1]嚴小紅.計算機視覺在條形碼缺陷檢測中的應用[J].華僑大學學報:自然科學版,2017,（1）：109-112.

[2]馬超.面向條形碼圖像缺陷的表面檢測系統研究與實現[D].北京郵電大學,2013.

1004-7026（2017）12-0114-02

TP391.41

A

DOI：10.16675/j.cnki.cn14-1065/f.2017.12.093

王琳（1990-），女，陜西富平人，助教，碩士研究生，主要研究方向：計算機視覺、圖像處理、數據挖掘、機器學習。