电容表面字符机器视觉检测

石鑫华视觉

电容表面字符机器视觉检测

电容表面的字符识别，是一类比较多的视觉检测应用。不过因为电容表面通常都不是平整的，所以对于打光有一定的要求。而因为表面不平整通常会引起字符变形等问题。所以，这一类的字符识别，使用传统方法，通常是比较困难的。不过现在可以使用深度学习的方法，检测起来相对就容易很多了，项目落地也容易很多了。

电容表面字符识别

电容表面字符识别

电容表面字符识别

电容表面字符识别

机器视觉光源

因为电容表面通常不平整，为了规避不平整引起的干扰，通常考虑使用低角度的环形光源来照明。因为这类电容通常不会很大，所以使用小的低角度环形光源就可以。例如SHI-RL9600-W、SHI-RL1320-W等。

SHI-RL9600-W

SHI-RL13220-W

光源控制器

需要看具体使用的光源大小和数量。如果只是使用一个比较小的环形光源，那么常规的2路模拟控制器就可以了，如SHI-APS2430-2CH。

SHI-APS2430-2CH

工业相机

这类电容表面字符识别的方案，因为产品本身也不是很大，要求也不是很高。深度学习对分辨率的要求也不是很高，而且分辨率高了，推理速度也会很慢。所以满足要求即可。这类产品，建议考虑40~130万像素就可以了。

MER-133-54GM

传统方法时，这类产品使用黑白相机就可以了。而如果使用深度学习，通常还可以考虑彩色相机。不过，彩色信息，通常只要用于定位，而识别仍然会使用灰度信息。所以，没有特殊要求，优先使用黑白相机。

工业镜头

产品相对来讲比较小，通常几毫米十来毫米左右。这个视野范围，配合1/4、1/3/、1/2寸的的芯片，一般使用50mm的FA镜头配延长管来实现。当然，现在常规的远心镜头价格也不高，使用0.5倍、0.3倍的远心镜头也可以。

图像处理算法

使用传统的OCR来识别，单个图像总是能想办法实现的，但是稳定性会比较差。而使用深度学习的方法来处理，效果可能会好很多。不过如上面的图像所示，表面的一些特殊符号，通常默认的库是不包含的，如需要识别，还需要自己重新学习。

Halcon深度学习-DeepOCR（特殊符号未识别或识别错误）

Halcon深度学习-DeepOCR（特殊符号未识别或识别错误）

Halcon深度学习-DeepOCR（特殊符号未识别或识别错误）

Halcon深度学习-DeepOCR（特殊符号未识别或识别错误）

百度飞桨OCR（特殊符号未识别或识别错误）

百度飞桨OCR（特殊符号未识别或识别错误）

百度飞桨OCR（特殊符号未识别或识别错误）

百度飞桨OCR（特殊符号未识别或识别错误）

机器视觉项目实现难度

★★★

目前深度学习发展速度比较快，字符识别的视觉项目落地变的容易很多了。不过，也会存在一些特殊的情况，就如本方案中的特殊符号，要么自己重新训练模型，要么干脆不识别。而且，就算使用深度学习方法，一些容易误读的字符，如O和0，I和1等，仍然存在误读的问题。这个得在编程时，使用指定的模式替换。但是如果，无法替换，即当前行和当前位，即可能出现字母O，也可能出现数字0，那么这种情况，就无法规避了。只能考虑在原材料的字体上考虑修改成有差异的字体。如果无法修改，那么这类相似字符的识别，会比较麻烦。