halcon脚本-机器学习【OCR】【附源码】

---

前言

本文主要实现基于halcon的机器学习的多层感知机分类器实现OCR，从数据集训练到数据检测，训练符合自己的OCR模型。

---

一、数据集介绍

本次数据集为喷枪打码的工件图像


需要实现的功能是计算机识别得到：G37657183P的字符串。

---

二、halcon实现思路

• 因为工件在相机中的位置是固定的，所以首先可设置ROI，对图像进行截取，把不必要的区域直接去掉
• 然后阈值处理，得到每个字符的region，这样每一个字符就代表一个region，可以单独取出region内容
• 对每个region进行标注
• 对标注好的数据输送到OCR的MLP训练器中进行训练。
• 得到模型后即可完成检测

---

三、halcon脚本-标注训练

1.理解训练OCR得到的是什么

TrainFile:='MyTrainocr.trf'
FontFile:='MyTrainOCR.omc'
1
2

这两个文件分别是训练数据集和保存训练完的模型

2.对原始图像进行处理，获得训练数据集

1.首先绘制ROI获得感兴趣区域

这里使用算子：

draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2)
gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)
1
2

2.对截图图像进行区域处理

先二值化获得区域，分割区域后进行按行排序，确保顺序
主要用到算子：

threshold (ImageReduced, Region, 0, 130)
connection (RegionDilation, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 5000, 99999)
sort_region (SelectedRegions, SortedRegions, 'character', 'true', 'row')
1
2
3
4

3.分别对每个区域进行标注

这里使用循环区域的方法加上人工输入进行标注，并把标注好的region及字符保存到’MyTrainocr.trf’
主要用到算子：

select_obj (SortedRegions, ObjectSelected, Index1)
dev_display (ObjectSelected)
read_char (WindowHandle, Char, Code)
if(Char==' ')
    continue
endif
append_ocr_trainf (ObjectSelected, Image, Char, TrainFile)
1
2
3
4
5
6
7

3.训练OCR模型

这里使用MLP分类器对模型进行训练
主要算子：

create_ocr_class_mlp (8, 10, 'constant', 'default', CharacterNames, 80, 'none', 10, 42, OCRHandle)
trainf_ocr_class_mlp (OCRHandle, TrainFile, 2000, 1, 0.00001, Error, ErrorLog)
1
2

4.完整标注/训练代码

这里完整代码+注释

dev_set_check('~give_error')
* 删除原本已有的OCR训练数据
delete_file(TrainFile)
dev_set_check('give_error')
* 获取图像列表
list_image_files ('./202009011', 'default', [], ImageFiles)
for Index := 0 to |ImageFiles|-1 by 1
    * 读取图像
    read_image (Image, ImageFiles[Index])
    * 这里是如果是rgb图像则转灰度图像
    rgb1_to_gray (Image, Image)
    * 图像像素的标准化，为了做图像拉申
    Min_Gray:=0
    Max_Gray:=160
    Mult := 255.0 / (Max_Gray - Min_Gray)
    Add := -Mult * Min_Gray
    scale_image (Image, ImageScaleMax, Mult, Add)
    * 图像锐化处理，让特征更加明显
    emphasize (ImageScaleMax, Image, 5, 5, 3)
    * 拉申
    scale_image_max (Image, ImageScaleMax)
    * 获取矩形的面积及中心位置
    area_center (Rectangle, Area, Row, Column)
    dev_display (Image)
    * 如果矩形面积为0,所以一开始就没有设置ROI区域，然后设置ROI
    if(Area==0)
        draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2)
        gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)
    endif
    * 根据区域在原图中进行裁剪
    reduce_domain (Image, Rectangle, ImageReduced)
    * 区域显示效果，内部填充
    dev_set_draw ('fill')
    * 区域二值化
    threshold (ImageReduced, Region, 0, 130)
    * 图像膨胀，其实是对区域膨胀，为了消除区域叛变的噪点
    dilation_circle (Region, RegionDilation, 5.5)
    * 图像腐蚀，其实是对区域腐蚀，让区域变细
    erosion_circle (RegionDilation, RegionErosion, 1.5)
    * 区域分割成单个对象
    connection (RegionDilation, ConnectedRegions)
    * 区域选择，去除噪点，为了只取图像上属于字符的区域
    select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 5000, 99999)
    * 区域按行排序
    sort_region (SelectedRegions, SortedRegions, 'character', 'true', 'row')
    * 获取数量
    count_obj (SortedRegions, Number)
    * 如果区域数量<10，说明上边的算法对某图不适应，因为本次数据本来就有不一样的图片环境
    if(Number < 10)
        threshold (ImageReduced, Region, 0, 130)
        erosion_circle (Region, RegionErosion, 1.5)
        dilation_circle (RegionErosion, RegionDilation, 3.5)
        connection (RegionDilation, ConnectedRegions)
        select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 5000, 99999)
        sort_region (SelectedRegions, SortedRegions, 'character', 'true', 'row')
        count_obj (SortedRegions, Number)
    endif
    * 循环开始标注
    for Index1 := 1 to Number by 1
        * 选择区域
        select_obj (SortedRegions, ObjectSelected, Index1)
        dev_display (ObjectSelected)
        * 键盘根据显示的区域进行键盘输入达到标注效果
        read_char (WindowHandle, Char, Code)
        if(Char==' ')
            continue
        endif
        * 标注内容和区域写入到训练文件中
        append_ocr_trainf (ObjectSelected, Image, Char, TrainFile)
    endfor
endfor

* 读取训练文件
read_ocr_trainf_names (TrainFile, CharacterNames, CharacterCount)
* 创建基于ocr的mlp分类模型
create_ocr_class_mlp (8, 10, 'constant', 'default', CharacterNames, 80, 'none', 10, 42, OCRHandle)
* 开始训练，2000代表训练次数
trainf_ocr_class_mlp (OCRHandle, TrainFile, 2000, 1, 0.00001, Error, ErrorLog)
* 保存模型
write_ocr_class_mlp (OCRHandle, FontFile)
* 清除内存
clear_ocr_class_mlp (OCRHandle)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82

---

四、halcon脚本-测试

这里测试代码比较简单，这里直接上halcon脚本

************test****************
dev_get_window (WindowHandle)
FontFile:='MyTrainOCR.omc'
MinScore:=0.99
read_ocr_class_mlp (FontFile, OCRHandle1)

read_image (Image1, './202009011/NG 145640.bmp')
draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2)
gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)
reduce_domain (Image1, Rectangle, ImageReduced)
dev_set_draw ('fill')
threshold (ImageReduced, Region, 0, 130)
dilation_circle (Region, RegionDilation, 5.5)
erosion_circle (RegionDilation, RegionErosion, 1.5)
connection (RegionDilation, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 5000, 99999)
sort_region (SelectedRegions, SortedRegions, 'character', 'true', 'row')
do_ocr_multi_class_mlp (SortedRegions, Image1, OCRHandle1, RecNum, Confidence)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

效果如图


这里分别获得分数和类别，直接把RecNum拼接即可。

---

总结

对本次OCR的脚本有疑问可直接私聊，源码在文章中已全部展示，如果搭建时有问题可进行询问