计算机视觉在条形码缺陷检测中的应用

□王 琳 刘育波 茹 旻 陈士金

（西安航空学院 陕西 西安 710000）

计算机视觉在条形码缺陷检测中的应用

□王 琳 刘育波 茹 旻 陈士金

（西安航空学院 陕西 西安 710000）

条形码缺陷检测是条形码识别领域中尤为重要的一项研究内容，经过长期的发展，现阶段已经形成了迭代识别法、条码图像分割法、傅里叶变换法等多种条形码缺陷检测方法。为了实现更加理想的条形码缺点检测效果，文章从线性灰度化处理、Ostu阈值分割、Canny边缘检测、Hough变换等几个环节入手，对计算机视觉在条形码缺陷检测后中的具体应用进行了讨论，应用结果显示，利用计算机视觉算法，可以有效解决条形码缺陷所带来的问题。

计算机视觉；条形码缺陷检测；应用步骤；主要环节；结果分析

1 条形码缺陷检测概述

使用普通读码机很难实现对缺陷条形码的准确、有效识别，这就需要通过进行条形码缺陷检测，对不完整条码进行补充，以便顺利完成对条形码的识别和信息读取，所以，对计算机视觉在条形码缺陷检测中的应用进行分析，具有重要的现实意义。

2 计算机视觉在条形码缺陷检测中的应用

2.1 应用步骤

第一，如果条形码颜色为彩色，需先进行灰度化处理，将其转变为黑条和空白。第二，在完成灰度化处理后，需分割条码阈值，提高黑条和空白之间的对比度。第三，为使条形码边缘更加清晰、明确，需进行Hough变换。第四，确定条形码的上方边缘。第五，确定条形码的下方边缘。第六，补充残缺条形码，得到完整的图像特征信息。第七，对完整的条形码进行识别、读取，完成条形码缺陷检测。

2.2 关键应用环节

在利用计算机视觉算法对条形码进行缺陷检测时，关键步骤主要包括线性灰度化处理、Ostu阈值分割、Canny边缘检测、Hough变换四个环节，所以必须对这四个环节进行重点分析。对于彩色条形码来讲，在对其进行灰度化处理时，主要是从颜色的三原色角度来进行进行的，利用权重系数，对R、G、B分量进行加权求和，假定三者分量相同，则可以得到加权求和公式为f=ω1R+ω2G+ω3B其中，f和ω分别表示处理后的条形码灰度值和三原色权重系数。在对彩色条形码进行灰度化处理后，三原色分量所占灰度比重的不同时，处理效果也会存在较大差异，当三者的比值分别为0.299、0.587和0.114时，可以在保留原有图像全部信息的基础上，实现最为理想的灰度化处理效果[1]。

在进行Ostu阈值分割时，对图像灰度等级进行设置，分为L个等级，则对于存在N个像素的图像，灰度等级与像素总数之间的关系可以表示为Ni，其中Ni表示灰度等级为i时的像素数量。然后对该等级像素总数进行归一化处理，以预先设定好的初始阈值为参照，将图像所有像素分为C0和C1两个集合，则两者的概率和均值分别用公式表示为ω0=Pr(C0)，最后，对两个像素子集合进行类间方差计算，其最大值便是最佳阈值[2]。

在进行Canny边缘检测时，主要目的是找出条形码中黑条边缘所在位置，为后期检测的进行提供可靠依据和资料。当前，除了Canny边缘检测法之外，应用比较广泛的边缘检测法主要包括Roberts边缘检测法、Log边缘检测法、Soble边缘检测法，但是，后几种边缘检测法所确定的黑条边缘，一般都会存在多个像素，无法得到直线特征，难以保证Hough变换的顺利实现，所以需要对黑条边缘进行Canny边缘检测。

Hough变换是以公式ρ=xcosθ+ysinθ为依据进行的，如果根据平面直角坐标系中变换正弦曲线，则可以得到Hough变换前后的数学关系为ρ=bsin(arctan(-1/k)),θ=αrttan(-1/k)。

2.3 应用结果分析

通过对60条缺陷条形码不经过缺陷检测及经过缺陷检测的识别结构进行分析，发现应用计算机视觉进行条形码缺陷检测后，其识别准确率由原来的30%左右提高到了90%，实现了较为良好的条形码识别效果。

结束语

将计算机视觉算法应用与条形码缺陷检测中，可以显著提升缺陷条形码识别准确率，对商品分类及销售起到了重要帮助作用。在实际应用过程中，必须严格按照规范的流程，逐步完成操作，对条形码线性灰度化处理、Ostu阈值分割、Canny边缘检测、Hough变换等重点环节进行严格把控，进而才能充分发挥计算机视觉算法的应用价值和优势，补全特征残缺的条形码，以便条形码准确识别和读取的顺利实现。

[1]严小红.计算机视觉在条形码缺陷检测中的应用[J].华侨大学学报:自然科学版,2017,（1）：109-112.

[2]马超.面向条形码图像缺陷的表面检测系统研究与实现[D].北京邮电大学,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，陕西富平人，助教，硕士研究生，主要研究方向：计算机视觉、图像处理、数据挖掘、机器学习。