Распознавание символьной информации для автоматизации производственных процессов

Цель исследования. В настоящее время системы оптического распознавания символов имеют высокий уровень зависимости от конкретного вида маркировки, которая подлежит распознаванию, в связи с чем, создание универсального решения является важной и сложной задачей. В работе рассмотрен вопрос создания системы распознавания символьной информации, которая может быть использована на различных этапах производства для автоматизации процессов в системах управления, в частности для анализа маркировки автоматических выключателей.

Методы. Методы цифровой обработки изображений, в частности бинаризации, фильтрации и определения границ. Методы распознавания символов, такие как: метод поиска линий, метод поиска базовых линий, алгоритмы разбиения слова, способы улучшения изображения путем сегментации, метод распознавания поврежденных символов, алгоритм увеличения финального качества распознавания.

Результаты. Проведен анализ алгоритмов, используемых для предобработки и последующего распознавания изображений, содержащих маркировку автоматических выключателей. Создана математическая модель обработки изображения для последующего распознавания. Описаны методы, используемые для определения символов маркировки. Приведены наглядные примеры работы алгоритмов, на которых построена система. Проведено тестирование полученного решения. Описаны пути развития системы, которые могут повлечь улучшение результатов, для частных случаев использования.

Заключение. Предложено решение, выполняющее распознавание символьной информации на маркировке автоматических выключателей, которое может быть основой для разработки и описания систем, служащих для автоматизации производства, путем передачи информации, считываемой с изделия в процессе производства. Данная система на своем примере описывает компоненты систем распознавания символов, и для непосредственного использования необходима доработка в соответствии с техническими требованиями и особенностями условий, в которых она будет применяться.

1. An efficient industrial system for vehicle tyre (tire) detection and text recognition using deep learning / W. Kazmi, I. Nabney, G. Vogiatzis, P. Rose, A. Codd // IEEE Transactions on Intelligent Transportation Systems. 2020.

2. Implementation of an intelligent decision support system to accompany the manufacturing process / В.А. Головко, А.А. Крощенко, М.В. Ковалев, В.В. Таберко, Д.С. Иванюк // Открытые семантические технологии проектирования интеллектуальных систем. 2020. C. 175-182.

3. Панищев В.С., Хомяков О.О. Распознавание символьной информации на маркировке автоматических выключателей // Труды международной научно-технической конференции «Информационные технологии и математическое моделирование систем». М., 2019. С. 106-109.

4. Марков В.В. Решение задачи распознавания символов на изображениях товарных ценников // Евразийский союз ученых. 2020. C. 63-65.

5. Hayashi N., Koyanaka S., Oki T. Constructing an automatic object-recognition algorithm using labeling information for efficient recycling of WEEE // Waste Management, 2019. С. 337-346.

6. Копылов И.В., Казаков А.В., Малыгин Л.Л. Идентификация маркировок рулонов металлопроката // Вестник Череповецкого государственного университета. 2016. C. 12-15.

7. Metal stamping character recognition algorithm based on multi¬directional illumination image fusion enhancement technology / Z. Xiang, Z. You, M. Qian, J. Zhang, X. Hu // EURASIP Journal on Image and Video Processing. 2018. С 1-11.

8. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: БИНОМ, 2013. 752 с.

9. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.

10. Обработка цифровых аэрокосмических изображений для геоинформационных систем / С.Г. Емельянов, С.Ю. Мирошниченко, В.С. Панищев, В.С. Титов, М.И. Труфанов. Старый Оскол: ТНТ, 2011. 175 с.

11. Mark S. Nixon and Alberto S. Aguado. Feature Extraction and Image Processing. Academic Press. 2008. 350 p.

12. Otsu N. A threshold selection method from gray-level histograms // IEEE Trans. Sys., Man., Cyber journal. 1979. Vol. 9. P. 62–66.

13. Ping-Sung Liao, Tse-Sheng Chen, Pau-Choo Chung. A Fast Algorithm for Multilevel Thresholding // J. Inf. Sci. Eng. 2001. Т. 17. С. 713–727.

14. Прэтт У. Цифровая обработка изображений: 2-х кн./ пер. с англ. под ред. Д.С. Лебедева. М.: Мир, 1982. 2 кн., 790 с.

15. Panishchev V.S., Titov V.S Application of neural networks for the contour extraction in images // Pattern Recognition and Image Analysis (Advances in Mathematical Theory and Applications). 2005. Т. 15. № 2. P. 277-278.

16. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер, 2007. 752 с.

17. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. 584 с.

18. Сойфер В.А. Методы компьютерной обработки изображений / под ред. В.А. Сойфера. 2-е изд., испр. М.: ФИЗМАТЛИТ, 2003. 784 с.

19. Введение в контурный анализ и его приложение к обработке изображений и сигналов / под ред. Я.А. Фурмана. М.: Физматлит, 2002. 592 с.

20. Zhong Y., Karu K., Jain A. K. Locating text in complex color images // Pattern Recognition. 1995. Vol. 28, is. 10, P. 1523-1535.

21. Kimmel R., Klette R., Sugimoto A. (Eds.): ACCV 2010, Part III, LNCS 6494. P. 770–783, 2011.

22. Chen X., Yuille A. Detecting and Reading Text in Natural Scenes, Computer Vision and Pattern Recognition (CVPR), 2004. pp. 366-373

23. Lienhart R., Wernicke A. Localizing and Segmenting Text in Images and Videos", IEEE transactions on circuits and systems for video technology. April 2002. Vol. 12. № 4. P. 256-268.

24. Исследование методов сегментации изображений текстовых блоков документов с помощью алгоритмов структурного анализа и машинного обучения / Т.С. Чернов, Д.А. Ильин, П.В. Безматерных, И.А. Фараджев, С.М. Карпенко // Вестник российского фонда фундаментальных исследований. 2013. С. 55-71.

25. Debled-Rennesson I., Tabbone S., Wendling L. Fast polygonal approximation of digital curves // Proceedings of the 17th International Conference. 2004.

26. Marosi I., Industrial OCR approaches: architecture, algorithms and adaptation techniques // Document Recognition and Retrieval XIV. SPIE, 2007.

27. Smith R.W. An Overview of the Tesseract OCR Engine IEEE, 2007. 640 с.