英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
快速响应码缺陷检测算法研究
郭燕化 ，周思华，周晓东，陈博君 ，王少辉
1周口师范学院机电工程学院，周口466001
2周口师范学院物理与电信工程学院，周口466001
摘要：缺陷检测是自动识别和数据传输中最重要的部分之一。 快速响应码（QR码）是最流行的二维条码类型之一。 高效，准确地检测各种QR码图像的缺陷是一项挑战。 在本文中，我们通过一系列精心设计的预处理方法来提出程序。 缺陷检测程序由QR码识别，QR码重建，透视变换，图像二值化，形态学操作，图像匹配和Blob分析组成。 通过这些步骤，我们可以检测到不同类型QR码图像的缺陷。 实验结果表明，该方法具有较强的鲁棒性和较高的效率。 此外，QR码图像的实验结果表明，该方法预测准确率达到99.07％，平均执行时间为6.592 ms。该方法可以实时检测这些图像的缺陷。
关键词：QR码，缺陷检测，透视变换，斑点分析，相关匹配。
第1章 介绍
由于自动识别的优点，条形码被广泛使用。 二维条码与一维条码相比具有以下优点：（1）数据容量高;（2）不需要额外的存储空间;（3）良好的纠错能力。近年来，二维码技术作为一种电子媒体，促进了信息传输的大发展。 快速响应码（QR码）是日本电装株式会社开发的最受欢迎的二维条码之一。 尽管QR码最初是为汽车行业设计的，但它们现在已经应用于更广泛的应用领域，包括商业跟踪，交通票务和身份验证等。
对QR码有一定的研究。Lin和Fuh [1]提出了一系列精心设计的预处理方法来解码QR码图像.[2，3]中的Belussi和Hirata，提出了一种基于快速分量的两阶段方法来检测任意获取图像中的QR码。此外，Hbuchi，H anaizumi和Hock [4]和Y. Li u，J. Y ang和M. L iu [5]致力于使手机能够在恶劣条件下实时识别QR码。Y ong，W ang和Ai [6]提出了基于相关匹配的QR码识别方法。 Fa n，J iang和L iu [7]根据梯度和形态学数学提出了一种条码定位方法。 Su n et al。 [8]提出了一种基于稀疏表示的QR码识别方法。 然而，二维码的研究仅限于编码和解码，位置，识别等，而二维码的缺陷检测没有涉及。
本文在分析以往研究的基础上，重点研究了传统QR码处理过程中的预处理方法。 本文提出了一种可用于工业在线缺陷检测的算法，以完成缺陷检测。 算法步骤由QR码识别与重构，透视变换，形态学运算，图像二值化，图像匹配和Blob分析组成。 实验结果表明，该算法足够强大，准确率达到99.07％。 该算法平均执行时间为6.592 ms，验证了该算法的可行性。
第2章 算法理论
2.1 QR码识别和重建
根据一定的规则，QR码符号在平面上使用特定的几何图形，通过黑白图形符号的分布来记录信息数据。
QR码符号具有包括编码串，版本，标记，纠错等级，符号大小，查找模式（FP），定时模式（TP）和对准模式（AP）[1]的一般结构。FP，TP，AP和QR码识别算法，基于编码算法，获取QR码的编码信息，完成QR码的重构。QR码图像样本和重建图像如图1所示。
(a) (b)
图1. QR码图像样本（a）; QR码重建图像（b）
2.2 透视转换
由于以不正确的方向，几何变形和其他因素拍摄了QR码图像，因此在图2a中示出的条形码中存在二维空间失真，例如空间旋转和倾斜。
在检测到四个角点之后，可以在QR码中使用线性变换来纠正任何空间失真，而不需要任何倾斜的信息，例如旋转角度和仰角[9]。 由于该算法后续处理需要匹配处理，采用坐标旋转变换会导致校正后图像的尺寸变化对于几何变形比模板图像严重的情况; 这可能导致不匹配。 所以，在这个算法中，我们对QR码进行透视变换校正。 透视变换的原理如图2所示。
图2.透视变换示意图
其中和在（1）中，每个原始坐标（i，j）可以是通过使用3times;3矩阵变换为新的坐标（x，y）。 基于（1），xy可以写成。
在不失一般性的情况下，3times;3矩阵可以归一化，因此a33= 1。等式（2）可以写成
对（3）应用四对对应点，我们可以得到如下的线性系统：
未知系数的值将通过求解（4）中的线性系统来确定。 校正结果如图3所示。
(a) (b)
图3. QR码样本（a）; 校正结果（b）
2.3 形态加工
基本的形态学算子是侵蚀，扩张，开闭[10]。 在形态学中，结构元素是最基本和最重要的概念。 形态变换中的结构元素的作用等同于“过滤窗口”的信号处理。
输入图像f（x，y）通过结构元素b（x，y）膨胀，并且表示为
输入图像f（x，y）通过b（x，y）腐蚀被定义为，表示为
腐蚀f（x，y）是为了形成而翻译结构元素b（x，y）一组点，其中包括f（x，y）中包含的所有b（x，y）的结果。 运用b（x，y）膨胀f（x，y）是为了翻译结构元素b（x，y）形成一组点，其中包括b（x，y）和b之间的非空交集f（x，y）。
2.4 二值化
图像二值化用于获取QR码，而Otsu方法是一种常见而有效的二进制算法[11-14]。 我们假设QR灰度级图像具有L个像素级，Pg是出现的每个灰度级值的频率; t是前景和背景的最佳阈值。 前景和背景像素的比例如下：
前景和背景像素的平均灰度如下：
如定义的表示QR的平均灰度值灰度图像。因此，这两部分的方差由阈值t确定如下：
t是方差最大时的最优阈值，
第3章 建议的方法
3.1 基于边缘像素的形态学处理
QR码的传统形态学处理程度无法控制，因此不能更好地适应不同的照度和噪声采集环境。根据这一现象，我们提出了一种形态学处理方法，可以将其描述为边缘像素数量和操作程度的控制能力。
在所提出的方法中，我们对模板图像的N个边缘像素进行形态学处理（N是等式（11）中的整数）。 同时，可以控制像素的处理。（以下我们称调整系数beta;）。 根据10000个样本的测试和分析，我们建议这些值可以是0.5,0.6,0.8,1.0,1.3,1.0。 该方法不需要处理样本图像，该样本图像可以最大限度地保留原始图像特征。公式（12）给出了调整灰度：
这里，Mpixel是QR码的单个模块的像素宽度（或长度）; 20是QR码的最大码模块编码，
是边缘像素灰度值形态学处理后，是边缘像素的调整系数，是处理之前的边缘的第N个像素距离的灰度值。
通过模板的腐蚀操作产生高阈值图像图像，表示为，和低阈值图像通过膨胀生成操作模板图像，表示为如图5所示。
（a） （b）
图4.
（a） （b）
图5. 局部特征；局部特征
3.2 模版匹配方法
提出了基于模板的模板匹配方法; 它用于搜索搜索图像中的被跟踪对象。 模板T的尺寸被假设为K * L，其被堆叠在搜索图像上以进行平移，并且搜索图像的尺寸是M * N。 被模板覆盖的子图被定义为S(i , j )，（i，j）是被搜索子图左上角的坐标图片[15, 16]。所以，比较该物质的T和如果它们是相同的，则差异T和S之间(i , j )为零。T和S(i , j )的相似性通过
从（13）我们可以知道当R（i，j）= 1时，T和S(i , j )是0匹配。在这个算法中，每个缺陷检测需要匹配两次。黑线缺陷或黑块缺陷位于低阈值图像匹配校正图像的结果中。白线缺陷或白块缺陷位于高阈值图像匹配校正图像的结果中。该匹配方法可以有效地过滤干扰，匹配后无需判断缺陷区域的灰度值;它的准确性很高。
3.3 Blob分析
Blob分析是分析图像连通域中相同的像素灰度值。 连接的域名称为Blob。 在本文中，每个缺陷都是一个Blob。 对于不同采集环境下的QR码，如果阈值法不合适，可以降低缺陷检测的准确度。 在本节中，我们获得QR码的前景和背景段。
Blob分析可用于测量任意形状对象的形态参数。 在此处理中，Blob分析不是针对单个像素，而是针对图像的行或列。 与基于像素的算法相比，该方法具有处理速度更快的优点。 通过分析和定位缺陷，我们可以得到一些特征，如最小外接矩形，长度，宽度和中心坐标，面积值，线长度和数量等。这个过程称为特征提取。 假设二进制图像为I，它是由R或C表示的行或列的编号。Blob分析算法步骤如下：
步骤1.初始化n = 0，设置中间行r0 = R / 2为扫描线，如果I（r0，c0）ne;0，则从c0 = 1开始扫描至c0 = C，然后转到下一步。
步骤2.搜索点（r0，c0）的连通域，并将像素值设置为连通域中坐标I的0。 然后返回连接的域坐标（r，c）。
步骤3.计算连接域或线路长度的面积。 如果区域或线路长度在阈值范围内，则返回连接的域并进入下一轮循环; 如果不是，则直接跳到下一轮循环。
第4章 实验结果
4.1 图片来源
我们的部分测试图像来自样本数据库，其他来自模拟生成的QR代码样本，这些样本是根据采样环境生成的。模拟生成的二维码样本主要来自三个方面，（1）在一定范围内改变亮度，对比度，噪声，以产生随机采集环境;（2）根据QR码串的编码，版本，标记，纠错等级，符号编码信息随机生成QR码样本;（3）随机添加缺陷类型，包括白线缺陷，黑线缺陷，白块缺陷和黑块缺陷。
4.2 精度分析
在本节中，实验结果包括两部分：（典型的）样本处理结果对比和算法的鲁棒性测试。 传统方法匹配的结果如图6所示。从图6a我们可以得出结论，传统的处理方法有一定的干扰。 因为采集环境比较合适，处理后没有干扰（图6b）; 我们的算法能够检测到缺陷。
（a） （b）
图6. Bina_White线（a）; Bina_white块（b）
所提出的检测方法和匹配结果的两个样本分别如图7所示。从图7可以看出，该方法可以有效滤除干扰并准确检测缺陷。
图7.
基于10 000个QR码测试样本，传统方法遗漏率为2.1％，错误率为10.49％，准确率为87.41％。 传统方法精度不高的主要原因是在不同环境下处理不合适，自动分割阈值不合适。 然后错误地识别目标会降低准确性。
根据我们的方法，我们将高阈值图像的阈值设置为H_thres，将低阈值图像阈值设置为L_thres，将块缺陷阈值设置为B_thres，将线缺陷阈值设置为l_thres。 表1说明H_thres为150时的最优阈值，而遗漏率和错误率分别为0.22％和0.30％。 残余缺陷和错误识别的原因主要是灰度和QR码编码区域非常接近，缺陷类型为月亮路径和白色块，经过阈值造成残留和错误识别。 表1说明当它等于140时，L_thres是最佳阈值。 在这个时候，遗漏率和错误率分别为0.21％和0.20％。 造成遗漏和错误的原因是QR码编码区的缺陷灰度和灰度非常接近，缺陷类型为白线和白色块。
表2说明L_thres和H_thres均设置最优阈值，当B_thres等于54时，遗漏率和错误率分别为0.42％和0.51％; 此时他们都处于最低水平。 错误识别的主要原因是缺陷区域太小，图像编码区对比度的缺陷灰度和灰度不明显。 表2表明，当L_thres和H_thres是最佳阈值并且l_thres等于[24,36]时，在这种情况下，遗漏率和错误率分别为0。
上表中所有数据表明，当参数取最优值时，不合格率和错误率分别为0.42％和0.51％，缺陷的综合精度为99.07％。
4.3 效率分析
在本节中，我们将展示用于检测我们方法中不同大小QR码图像缺陷的执行时间。 我们使用一万个不同大小的QR码图像来计算算法的执行时间。 表3显示了缺陷检测时间的每个步骤的结果。
我们的算法平均只需要6.592毫秒来检测QR码图像的缺陷。 因此，它能够每小时检测约546,115个QR码图像。
表3.算法（ms）的每个步骤执行时间
全文共9180字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10224]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
|
数 |
解码 |
重建 |
透视 转型 |
形态 处理 |
比赛 |
斑点 分析 |
|
1 |
3.889 |
0.074 |
0.672 |
1.496 |
0.397 |
0.401 |
|
2 |
3.809 |
0.051 |
0.600 |
1.523 |
0.408 |
0.586 |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
