第 1 章 绪论
1.1 课题提出的背景和意义
1.1.1 课题提出的背景
在人工智能化的信息时代，机器视觉作为人工智能正在快速发展的重要分支[1]，应用范围涵盖了工业、农业、医学、交通和航空航天等各个行业，在一些危险工作环境且不适合人工作业的场合下，常用机器视觉来替代人工视觉，同时，在大批量重复性的工业产线中，机器视觉不仅可以提高了生产效率，提高了生产线的自动化水平。然而在钢铁重工业中，仍存在一些问题需要我们去解决或者继续研究，字符识别技术作为机器视觉的一个重要分支，对提升钢铁企业的生产效率和经济效益起着至关重要的作用，因此，研制出连铸坯端面信息码自动识别系统对钢铁企业具有重大的意义。
本文是与钢铁企业合作的一个项目，经实地调研发现，目前钢厂采用的是工人通过肉眼的方式对连铸坯端面信息编码的流动进行记录，图 1-1 为生产线的流程，面对大批量重复性和枯燥性的工作，很容易使工人产生视觉疲劳并导致出现错误，所以急需解决通过机器视觉来代替现生产线上的人工的问题，目前生产线连铸坯识别的问题在于各个钢铁企业中钢坯标识没有统一的标准，如信息编码喷印形式行数、编码的信息含义、喷印字符的字体等都存在不同，所以本文主要介绍的是连铸坯端面信息码自动识别系统针对石家庄钢铁企业钢厂中连铸坯端面喷印的字符而产生的。
........................
1.2 国内外研究现状
1.2.1 机器视觉的研究现状
随着人工智能技术的快速发展，对机器视觉技术的研究和应用领域也越来越被人们所熟知，正是由于视觉系统本身具有快速获取大量信息、自动处理、信息集成、提高生产柔性和自动化水平等特点，因此近年来，在农业、工业、军事、交通行业、医疗事业等各个领域[2]被广泛应用，在一些危险工作场所或者人工难以满足需求的情况下需要机器视觉代替人工视觉；在大批量重复性工业生产线上，人工检测难以满足其精度和效率，采用机器视觉进行检测不仅提高生产线的效率，而且也提高了企业的自动化水平。机器视觉是人工智能正在发展的一个重要分支，机器视觉技术是人工智能、计算机技术、模式识别及图像处理等多领域快速发展的交叉型学科[3,4]。机器视觉系统是通过图像采集装置来完成，将被采集目标物体转换成图像信号，通过图像处理系统进行各种运算处理，基于像素分布、亮度、颜色等得到被采集目标物体的形态信息，转变成数字化信号；图像系统对这些信号执行各种操作，并且进一步来实现目标信息的提取和显示。
国外的机器视觉技术发展起步要早，现如今已经发展的很成熟了，也广泛应用于农业，工业制造业、电子半导体、医学事业等[5]。在农业上，
Md Abdul Momin 等人提出一种应用图像处理算法将大豆中有缺陷的豆、分裂豆、豆荚检测出来[6]；M.M. Sofu 等人设计了一套基于机器视觉的自动分拣苹果系统，可针对苹果生长的状态进行检测，如腐烂、受结疤等影响的苹果可以实现实时处理和质量检测[7]，使人们从大批量重复性和枯燥性的工作中脱离出来。在工业制造业上，Phansak Nerakae 等人设计了柔性自动拾放装配系统，通过机器视觉技术与机器人相结合进行完成拾取和放置的动作，可代替人工完成大批量零件装配[8]；在工业生产线上，比较广泛的应用在检测工件表面缺陷[9-10]，在测量大型工件尺寸产线上，传输过程中采集的图像存在噪声干扰，图形的矢量化也会有影响，Stanislav Pyatykh 提出了一种基于机器视觉的噪声抑制算法[11]，该方法的确优于现有技术。在医学事业上，Janin Lautenschl?ger 等人提出一种新的计算机视觉算法用于评估整个细胞器形态[12-13]，可允许对有癌变的细胞器结构进行描述来评估其形态，方便病人能够及早发现问题，有助于及早的治疗。
.........................
第 2 章 生产线连铸坯信息码识别系统组成
2.1 连铸坯信息跟踪和实时监测系统
经实地考察钢铁企业中生产线上的情况，连铸坯一般生产流程如下：其实就是将钢液变成铸坯的过程，在加热炉进行一定温度的加热，钢液会注入到规定的铸模内进行冷却凝固成形，将并未完全冷却的铸胚引拔到弧状铸道中，还需二次冷却至完全凝固，经引拔矫直后按生产要求高温切割成连铸坯，连铸坯生产流程图如图 2-1所示：
该项目在分析现有连铸坯精整线生产工艺的基础上，研究连铸坯端面信息码智能识别系统，实现连铸坯精整线在线信息可追踪化，充分利用机器视觉硬件识别系统，实现生产线制造过程中实时准确的信息追溯，完成智能化和可视化的监控与跟踪，为钢材精整线制造过程中的识别工作奠定基础。所以该工位上的对连铸坯端面的信息跟踪的目的有：
1) 保证辊道上的连铸坯编码的准确性，从而实现对连铸坯实时准确跟踪，确保连铸坯的信息流与连铸坯的物流的一致性，即可完成自动连铸坯的自动在线实时记录操作；
2) 根据连铸坯的钢种、尺寸等信息通过辊道对连铸坯完成后续入炉操作环节，代替人工完成工艺生产线的自动化改造。
智能识别系统布置在连铸坯轧制生产线的首个工位和钢材精整线喷码机器人完成信息标识工位的之后，整个系统需要研发基于厂内局域网智能在线识别系统，通过局域网与厂内的生产管理系统进行实时通讯，配以 CCD 工业相机、上位机、光源等设备，结合开发的信息跟踪识别系统软件，与基础自动化层和厂内数据系统进行数据交互，将信息追溯到工厂网络信息自动化。
........................
2.2 生产线连铸坯信息码识别系统硬件部分
本章节主要介绍连铸坯信息码识别系统的硬件部分，其中主要包括基于机器视觉的图像采集设备、触发设备、工业计算机。
2.2.1 基于机器视觉的图像采集设备的选择
图像采集设备相当于整个系统的“眼睛”，其硬件的选择对采集到的连铸坯端面图像质量起着至关重要的作用，为后续图像处理奠定基础，同时可以保证获得更准确的识别结果。因此，合理选取基于机器视觉的系统采集设备的硬件设施，本文通过从工业相机、光源、滤镜等硬件的选型上进行对比，选择出适合该识别系统的硬件设施。
(1) 工业相机型号的选择
现有的工业相机根据芯片类型分为 CCD 和 CMOS 两种相机型号[55,56]，其原理都是利用光电效应通过光产生电信号，但是其 CMOS 在信噪比、时间延迟积分方面的性能等都不及 CCD。因此，根据钢铁企业生产线上的状况来说，钢厂现场光线杂乱、噪声嘈杂、环境背景复杂，钢坯在辊道上移动到一定位置后进行采集，根据现场的整体情况来说，选取 CCD 工业相机最为合适[57]。
成排连铸坯通过吊车磁盘吸到工位上，然后在通过辊道运输到指定位置，CCD相机对其连铸坯端面进行图像采集，通过对 CCD 工业相机的性能参数的选择来确保采集到的原始图像的质量。其中相机的像素分辨率是关键因素，对采集的图像质量有直接的关系，分辨率高的相机对图像的细节展示就会很明显。因为需要连铸坯端面字符识别的生产线本身工位的背景环境复杂，光线相对较暗，必须选择分辨率高的工业相机。实验室现有两款相机型号，通过 USB 接口与计算机连接进行数据传输，这两款相机都是在维视公司购买的，具体参数如表所示。
.......................
第 3 章 连铸坯端面字符定位方法 ····················· 17 3.1 生产线现场采集图像的预处理 ····················· 18
3.2 有效字符区域的定位 ····················· 19
第 4 章 连铸坯端面字符矫正和切分方法 ····················· 25
4.1 方坯字符校正 ······················ 25
4.2 圆钢字符校正 ················· 28
第 5 章 基于特征提取的连铸坯端面字符识别方法 ············· 37
5.1 特征提取与自动识别算法 ················· 38
5.1.1 图像灰度化 ·················· 38
5.1.2 灰度共生矩阵 ························ 38
第 5 章 基于特征提取的连铸坯端面字符识别方法
5.1 特征提取与自动识别算法
图像本身具有很多原始特征或者属性，为提高字符识别系统的模式鉴别能力，特征的选择和提取是识别过程的关键，自身应该是最优的样本特征属性度量，通过计算对待识别原始图像进行原始特征的提取[70]，原始特征的数量很大，或者说原始样本处于一个高维空间中，可以通过将高维空间的特征描述用低维空间的特征来描述。通过约束条件，找到一个合适的相似度度量，匹配成功的标准是判断相似度程度是否达到要求。
5.1.1 图像灰度化
实际应用中，CCD 工业相机采集到的图像都是彩色图像，需要通过图像处理的方法对彩色图像进行图像灰度化。彩色图像有 R(红)、G(绿)、B(蓝)三个颜色组合而成，其中 R、G、B 三个模量值相等时，则每一个采样颜色转化为灰度颜色，其值为灰度值，由[0,255]灰度范围组成的图像为灰度图像，也可称之为单色图像。每一个图像的亮度程度不同，跟灰度值的大小有直接联系，灰度值越大图像越亮，反之则图像会暗。其中灰度范围中 0 和 255 两个灰度像素值分别代表的颜色是“黑色”和“白色”。
通过传统的识别方法对现场图片进行识别，发现识别并不准确，所以改进识别方法，运用采用提取多个图像的特征进行参数描述，该算法匹配的依据就是通过所描述的参数来完成的，统计图像灰度基于方向、相邻距离的变化幅度的综合信息，从而得到灰度共生矩阵。
.........................
结论
针对生产线出现的各种问题，本文主要研究了相对应的解决方法，其中，首先对连铸坯端面的定位进行了研究，采用角点检测和投影分析相结合的方法将端面区域从复杂背景环境中分割定位出来；然后为解决方钢和圆钢在输送过程中倾斜的问题，分别采用重心坐标法和标志点与垂直投影等方法进行了研究；最后真的现场采集到的图像进行识别，采用提取图像特征信息的方法进行自动识别，通过机器视觉硬件组成和软件设计，进行实验论证。对本论文主要内容做如下结论：
1) 详细介绍了国内外机器视觉、字符识别和字符矫正等技术的发展现状，通过分析本课题的意义和可行性，为研发连铸坯端面信息码的自动识别系统奠定基础。
2) 通过对机器视觉识别系统的组建，根据企业生产线的实际情况，分别对系统的硬件和软件进行设计，其中各硬件系统选型直接影响到连铸坯端面字符图像的质量，识别的第一步就是要确保采集到图像的质量问题，对相机和辅助设备进行选型，通过与软件进行通讯连接，完成软硬件的配合。
3) 完成了连铸坯端面在复杂环境背景中的定位提取，将连铸坯端面完整的从背景图中分割出来，本课题主要对采集到的光源处于最强光时的端面图像进行预处理，采用角点检测和投影分析相结合的方法可确定出连铸坯端面的像素坐标系，从而达到有效区域的提取。
4) 将整个端面图像定位出来之后，存在字符端面倾斜的情况，譬如方钢存在的倾斜情况有三种分别是倒立 180°、左垂直 90°、右垂直 90°，为解决方坯矫正的问题，采用求取字符重心法坐标系进行特点分析，成功的解决了方坯这一问题；圆钢端面字符的倾斜存在任意方向的角度，通过标志点来进行分析，首先能求取不需矫正状态下的标志点的中心坐标系，求出标志点旋转一定的角度之后的中心坐标系，通过数学三角函数的运算可求出旋转的角度，但是实验发现并没有完全的矫正过来，然后对于出现这种情况，本课题采用对二值图像进行垂直投影法进行列数和最小所对应的角度就是还需旋转的角度，最终完成字符倾斜的矫正的问题。
参考文献（略）