成捆特钢棒材端面字符识别算法研究

张付祥 郭旺 黄永建 王春梅 黄风山

摘 要：為实现特钢棒材生产信息的全流程可追溯，分析特钢棒材生产环境及形状特点，采用基于双标志点的标记方案进行标记并利用机器视觉技术实现成捆特钢端面字符的识别。首先，采用Hough变换将成捆特钢棒材端面图像分割成单根;其次，采用基于小波变换的图像增强算法完成单根特钢棒材端面图像的增强;再次，将MSER算法和边缘检测算法相结合完成单根特钢棒材字符区域的检测，并基于投影法完成字符的分割;最后，通过创建和训练SVM分类器完成每一根特钢棒材端面字符识别，并将成捆特钢棒材端面字符识别结果输出保存。结果表明，新算法可以满足成捆特钢棒材生产过程中字符识别要求，字符识别准确率可达到97.35%。新算法将Hough变换、基于小波变换的图像增强算法、MSER算法、边缘检测算法、投影法及SVM分类器等算法融合到特钢棒材端面字符识别过程中，为特钢棒材生产过程中的信息获取、信息传递及信息追溯的技术实现提供了参考。

关键词：计算机图像处理;特钢棒材;信息标记;图像增强;字符分割;字符识别

中图分类号：TP391.43   文献标识码：A

doi：10.7535/hbkd.2021yx05005

收稿日期：2021-06-17;修回日期：2021-09-05;责任编辑：冯 民

基金项目：国家重点研发计划项目（2018YFB1308700）;河北省重大成果转化项目（19011826Z）;石家庄市科技计划项目（216010017A）

第一作者简介：张付祥（1973—），男，河北青县人，教授，博士，主要从事机电控制与机器人方面的研究。

E-mail：zhangfx@hebust.edu.cn

Study on character recognition algorithm for end face of bundled special steel bars

ZHANG Fuxiang1，GUO Wang1，HUANG Yongjian2，WANG Chunmei3，HUANG Fengshan1

（1.School of Mechanical Engineering，Hbebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;2.Shijiazhuang Iron & Steel Company Limited，Shijiazhuang，Hebei 050031;3.School of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China）

Abstract：In order to realize the traceability of the whole process of special steel bar production information，the production environment and shape characteristics of special steel bar were analyzed.The marking scheme based on double mark points was adopted，and the machine vision technology was used to realize the character recognition of the end face of the bundled special steel bars.First，Hough transform was used to segment the end face image of the bundle of special steel bars into single ones.Secondly，an image enhancement algorithm based on wavelet transform was used to enhance the end face image of a single special steel bar.Then，the MSER algorithm and the edge detection algorithm were combined to complete the detection of the character area of a single special steel bar，and the character segmentation was completed based on the projection method.Finally，the end face character recognition of each special steel bar was completed by creating and training an SVM classifier，and the end face character recognition results of the bundle of special steel bars were output and saved.The results show that the new algorithm can meet the requirements of character identification in the production process of bundles，and the accuracy of character recognition can reach 97.35%.With combination of the Hough transform，the wavelet transform image enhancement algorithm，MSER algorithm，edge detection algorithm，projection method，and SVM classifier and other algorithms to character identification of special steel bar end face，the new algorithm provides reference for information acquisition，information transfer and information traceability of special steel bar production.

Keywords：

computer image processing;special steel bar;information marking;image enhancement;character segmentation;character recognition

特钢是建筑、机械、汽车等行业不可或缺的材料，其强度、硬度更大，可塑性好，中国作为钢铁产量第一大国，特钢棒材年产量在1 500万t以上。为了加强特钢棒材产品的监管，引入机器视觉技术实现棒材生产信息全流程可追溯是重大战略需求[1-2]。信息追溯技术在多个领域已经有了成熟的应用，但针对特钢棒材产品的应用研究较少。在实现特钢棒材全流程可追溯研究的过程中，结合特钢棒材端面的特点，采用了基于竖直双标志点的标记方案并通过喷印的方式将信息码标记在特钢棒材端面[3]，该方案与其他标记方式相比有着更强的抗干扰能力。利用机器视觉技术依次完成特钢棒材端面图像增强、字符检测与分割、字符识别等工作，可实现特钢棒材生产信息全流程追溯。针对图像增强，研究人员提出了基于直方图均衡化图像增强算法、基于Retinex算法图像增强算法、基于小波变换图像增强算法等多种研究方法;针对字符检测与分割，研究人员提出了基于颜色信息字符检测算法、基于边缘检测字符检测算法等方法以及基于投影法的字符分割方法等;针对字符识别，为了提高模板匹配等传统字符识别方法的效率及准确率，目前研究人员结合神经网络技术提出了多种字符识别算法。

1 图像采集系统及字符识别算法流程

1.1 成捆特钢棒材端面字符图像采集系统

图像采集系统用于采集并保存特钢棒材端面的图像，由工业相机、镜头、光源及工控机组成，如图1所示。

特钢棒材精整线中存在多个工序，且各工序之间节拍配合尤为重要，对视觉检测系统有着较高的实时性要求。选用MER-500-14GM/C大恒千兆网相机，与相机配套的镜头型号为M0814-MP2，焦距f=8 mm，且该镜头的光圈与焦距可进行手动旋转调整。光源采用CST-RS12090-B蓝色环形光源，同时选取型号为CST-DPS24120C-4TD的网口数字控制器与光源配套使用。工控机是整个图像采集系统的控制单元，通过网口分别与光源和相机进行通讯，实现特钢棒材图像的实时采集。考虑到特钢棒材生产环境比较差，工控机担负着繁重的计算任务，选用研华工控机。该工控机采用CORE I5-6500（65 W）处理器、AIMB-505G2工控主板、256 G 2.5"SATA固态硬盘以及8 G DDR4内存。

图2 算法流程图

Fig.2 Flow chart of the algorithm

1.2 成捆特钢棒材端面字符识别算法流程

为完成成捆特钢棒材端面字符识别工作，首先，将采集到的特钢棒材端面图像分割成单根并计数，与生产信息数据库中根数进行比较;其次，针对单根特钢棒材端面图像采用基于小波变换的图像增强算法完成图像增强;再次，基于MSER算法和边缘检测完成字符区域检测，并基于投影法完成字符分割;最后，通过设计和训练SVM分类器完成字符识别工作。算法流程图如图2所示。

2 成捆特钢棒材端面图像分割

成捆特钢棒材端面图像分割采用的方法是将补光后图像与补光前图像做减法得到每一根特钢棒材端面区域。在对补光后图像进行区域选取时，由于特钢棒材端面为圆形区域，采用Hough變换来完成单根特钢棒材端面区域的选取[4-5]。图3 a）为未补光的成捆特钢棒材，图3 b）为补光成捆特钢棒材，图3 c）为特钢棒材端面区域最终选取结果。

将得到的单根特钢棒材区域与未补光图像进行减法运算即可得到单根特钢棒材端面，图4为部分分割完成的单根棒材端面（为使图片有更佳的显示效果，对图像进行灰度拉伸以增强亮度）。

3 单根棒材字符图像处理

3.1 棒材端面图像增强

特钢棒材的生产车间光照条件较为复杂，导致图像采集系统得到的特钢棒材端面图像对比度较低，所以必须对采集到的图像进行增强。图像增强是为了将图像中相关区域进行增强显示，而非相关区域则需要弱化甚至去除。常用的图像增强算法包括灰度变换法、同态滤波法、Retinex增强方法等[6-8]。

经过对特钢棒材端面图像分析可知，在字符识别过程中字符与背景之间难以区分且存在噪声干扰。采用的基于小波变换的图像增强算法首先将特钢棒材端面图像进行一次二维小波分解，分别得到图像的低频信息、水平边缘信息、垂直边缘信息以及对角方向的高频信息;然后将得到的图像的低频信息进行Gamma校正，以提高字符区域与背景之间的对比度，其余信息分量通过中值滤波去除噪声;最后将处理后的各分量进行重构得到新的特钢棒材图像并对图像进行二次中值滤波，完成特钢棒材端面图像的增强。

3.1.1 图像小波分解

二维图像的小波变换是通过小波基函数将图像重新表示，小波有多种基函数，选择不同的基函数图像分解的效果也会有很大的不同[9-10]。经过对多种小波基函数的分析，采用Harr小波对特钢棒材端面图像进行分解。将特钢棒材端面图像进行一次小波分解，其结果如图5所示（为有更好的显示效果，将未分解的图像以及分解后的各分量进行灰度拉伸以增强亮度）。

从图5可以看出，特钢棒材端面图像经过小波分解后，其低频信息包含了图像的大部分信息，其余部分中包含的为噪声区域。但是由于字符以外区域亮度过大，仍然会对字符的检测与分割造成影响，因此需要将图像字符以外区域的亮度进行调整，并将高频信息分量中的噪声去除。

3.1.2 Gamma校正

Gamma校正是通过非线性灰度变换来实现图像对比度的调整[11-13]，其表达式为

Oij=max（Iij）（Iijmax（Iij））γ，i<M，j<N，（1）

式中：Iij为输入图像第i行j列处的灰度值;Oij为输出图像第i行j列处的灰度值;M为图像的行数;N为图像的列数;γ为校正系数。γ<1时，会使图像的亮度整体提高，这有助于提升较暗区域的亮度;当γ>1时，会使图像的整体亮度降低，这有助于调整亮度过强的区域。采用Gamma校正算法进行图像低频信息分量处理时γ选择尤为重要，为取得较好的效果，γ取3.5。特钢棒材端面图像低频分量信息处理结果如图6所示，从图6可以看出，经过Gamma校正的特钢棒材端面图像中非字符区域的亮度得到了抑制，字符区域与非字符区域之间的对比度得到了进一步增强。

3.1.3 中值滤波

由于特钢棒材在生产过程中需要对其切割，其端面比较粗糙，加之生产环境光照复杂，导致采集到的特钢棒材端面图像会受到大量的噪声影响。经过对图像的小波分解可以发现，高频信息分量中存在大量噪声且大多为孤立的噪声点。对于孤立噪声点的去除，中值滤波有着很大的优势，该方法能够在消除噪声的同时不会使边缘模糊[14]。分别将水平边缘信息、垂直边缘信息和对角信息进行中值滤波，结果如图7所示。

从图7可以看出，各分量经过上述处理以后，绝大部分孤立的噪声得到了去除，只存在部分面积较大的区域，而这些区域则是字符区域在不同分量中的体现。

3.1.4 图像重构与二次中值滤波

图像重构是指将处理后的各分量信息通过逆小波变换重新组合成一个新图片的过程。将处理后得到的各分量信息进行逆小波变换得到的结果如图8所示。从图8可以看出，字符区域的对比度得到了增强，但是重构后的图像中仍然存在部分噪声。因此，将重构完成的图像进行二次中值滤波得到最终完成增强的特钢棒材端面图像，如图9所示。将图8与图9比较可以发现，图9中字符区域的边界更加光滑且图像更加清晰。

3.1.5 图像增强结果评价

对采集到的多组特钢棒材端面图像进行试验，随机选取1组特钢棒材端面图像进行分析。将本文算法与Retinex算法、同态滤波算法、直方图均衡化算法的处理结果进行比较，并从主观评价和客观评价2方面对实验结果进行分析。

1）主观评价

主观评价是指观察图像增强以后其亮度、对比度、细节信息是否得到了明显的改善，该方法可以比较直观地对图像做出评价，但是容易受到观察者主观意识的影响。图10分别为原始图像、Retinex算法处理结果、同态滤波算法处理结果、直方图均衡化处理结果及本文图像增强算法处理结果。从图10可以看出，本文算法能够更好地完成特钢棒材端面图像的增强。

2）客观评价

本文分别计算了各处理后图像的信息熵、峰值信噪比及平均梯度，结果如表1所示。从表1可以看出，本文图像增强算法的图像增强效果明显，能够满足后续工作的要求。

3.2 棒材端面字符检测与分割

字符检测是将字符区域从图像中分离出来，字符分割则主要是将字符区域分割为单个字符。由于棒材自身形状的原因，采集到的端面图像字符会呈现任意角度，这也给字符的分割带来了难度，因此，在进行字符分割时需要将图像旋正后再进行分割。

3.2.1 基于MSER算法的字符检测

MSER的原理是根据给定的一个阈值范围对图像进行二值化处理[15-17]。该方法类似于分水岭算法，不断向区域内注水，随着水平面的上升低洼的盆地区域会被水面淹没，从上往下看，则只存在水域和陆地2部分。在最终得到的图像中几乎不变的区域为最大稳定极值区域。针对增强后的特钢棒材端面图像，结合MSER算法进行字符检测可按以下步骤进行。

1）字符区域初次检测 字符区域的初次筛选是采用基于MSER的方法完成图像中类似字符区域的筛选，初次检测时会出现图11所示几种情况，针对不同情况需要进行不同的处理。

首先，针对检测到的各区域进行开运算，将干扰区域去除，剩下疑似字符区域;然后，根据疑似字符区域的数目及面积来区分上述3种情况;最后，针对3种情况再进行不同处理，完成字符区域的初次筛选。针对图11 a）中所示情况，首先通过开运算将字符区域周围较小的干扰区域去除，然后通过闭运算将字符区域进行一定程度的膨胀，得到新的字符区域，如图12 a）所示;针对图11 b）中所示情况，大面积干扰区域与字符区域相连，在进行字符区域筛选时，首先通过开运算将字符区域与干扰区域分离，然后通过闭运算对字符区域的腐蚀进行补偿，得到新的字符区域，如图12 b）所示;针对图11 c）中所示情况，字符区域被分割成单独的连通域，因此可以通过闭运算对单独的连通域进行膨胀操作，得到新的字符区域，结果如图12 c）所示。

2）字符区域二次筛选 字符区域的二次筛选是根据字符区域的长宽比rz、面积占比pz、连通域中心坐标（xz，yz）等特征，从初次筛选的区域中最终完成区域的筛选，需满足式（2）。

0.3<rz<3，pz>0.6，|x0-xz|<Δ，|y0-yz|<Δ。（2）

其中（x0，y0）为筛选区域边框的中心坐标，Δ为连通域中心点与筛选区域边框中心点的允许偏差。按照上述要求最终筛选结果如图13所示。

3）字符区域获取 将筛选出的字符区域与图像相减即可得到字符区域，如圖14所示。

3.2.2 基于投影法字符分割

在将字符区域分割成单个字符时，字符区域角度随机，需要通过双标志点将其矫正，即字符区域处于水平位置。首先，通过边缘检测找到图像中字符及标志点的边缘;然后，通过闭运算将未形成闭合区域的标志点边缘进行调整并将检测到的闭合区域进行填充;最后，通过连通域分析找到双标志点。

1）边缘检测 常用的边缘检测算子包括Robert算子、Sobel算子、Prewitt算子、LOG算子和Canny算子。将图14 b）所示字符图像采用几种边缘检测算子进行处理，结果如图15所示。

由图15可以看出，Robert算子、Sobel算子和Prewitt算子检测到的边缘信息断点太多，不利于提取标志点的边缘信息;LOG算子虽然检测到的边缘信息断点少，但是不能将字符的边缘信息完全检测到;Canny算子能够检测比较完整的边缘信息，便于标志点的提取。因此，选取Canny算子进行字符边缘的检测。

2）闭合区域填充及标志点选取 经过边缘检测得到的标志点区域会存在不闭合的情况，因此，先通过形态学运算将标志点边缘闭合，再将图像中的区域进行填充，填充结果如图16所示。

由图16可以看出，通过双标志点连通域的面積s和距离d可以完成双标志点的选择，需满足式（3），其中dij为任意2个连通域中心坐标之间的距离，经过对大量双标志点面积统计发现其面积为20～80。

d=max（dij），20<s<80。（3）

3）图像校正 由所采用的喷码方案可知，字符左侧为方形标志点，右侧为圆形标志点，且二者面积不同，前者大于后者。因此，可以根据面积的大小确定标志点的类型，从而保证矫正后的字符为从左到右依次水平排列。首先，以方形标志点为起点、圆形标志点为终点构建一向量A;其次，过2个标志点连线的中点构造水平向量B，方向从左到右;再次，计算向量A与向量B的夹角θ;最后，将字符图像旋转θ，得到校正后的图像，结果如图17所示。

基于投影的字符分割是指基于图像灰度值分布直方图进行分析，找到字符之间的分割点，以此为界限进行字符分割[18]。以图17 a）为例，基于投影法的字符分割步骤如下。

1）计算水平和竖直投影 分别对图像每行像素灰度值、每列像素灰度值求和，计算结果如图18所示。

2）字符水平分割 由于字符灰度值比背景灰度值要大，因而在进行字符分割时选择投影图中的波谷为分割点。从图18 a）可以看出存在多个波谷，可根据相邻波谷之间的灰度差Δ水平进行波谷的筛选，在此基础上分别找到第1个和最后1个波谷，以此作为字符水平分割的边界，波谷筛选结果如图18 a）中圆点所示。

3）字符竖直分割 从图18 b）可以看出，同样需要从多个波谷中筛选出标志点及字符的分割点。经过对多幅图像竖直投影图分析发现，标志点的宽度W标范围为[6，10]，字符“1”的宽度范围W1为[9，11]，字符“0”“2”“3”“4”“5”“6”“7”“8”“9”的宽度W其他范围为[17，23]。根据3个范围筛选出标志点及字符的分割点，如图18 b）中圆点所示。

字符分割的最终结果如图19 a）所示。将图17 b）和图17 c）根据上述步骤进行分割，也可顺利完成，结果如图19 b）、图19 c）所示。

3.3 棒材端面字符识别

3.3.1 SVM理论

SVM理论，即支持向量机理论，是一种基于统计学理论和结构风险最小原理通过最大化分类间隔来获得最佳分类的方法[19-20]。SVM函数形式上和神经网络结构相似，输出为中间层各节点的线性组合，每个中间层节点均和一个支持向量y相对应，其结构可以用式（4）表示。

y=sgn（∑ni=1αiyiK（xi，x）+b），（4）

式中：n为输入向量个数;x=（x1，x2，…，xn）为输入向量;αiyi为权重;K（xi，x）为基于n个向量x1，x2，…，xn的非线性变换。

3.3.2 SVM分类器的创建和训练

SVM分类器的创建和训练具体步骤如下。

1）准备字符训练集图像，首先采集特钢棒材端面图像，并采用图像增强算法和字符分割算法对其进行处理以得到单个字符的图像，然后对图像进行归一化处理并分类存放在不同文件夹中。

2）创建SVM字符分类器，首先遍历每个文件夹中的字符图像，创建训练文件，然后根据遍历文件夹的顺序设置字符分类为“0”“1”“2”“3”“4”“5”“6”“7”“8”“9”。

3）训练SVM字符分类器，选择RBF核函数，结合设置的字符分类和读取的训练文件进行分类器的训练。进行训练时所选择的特征为具有灰度值最大缩放的字符图像的灰度值、图像的宽高比。

4）保存SVM字符分类器，将训练完成的相关数据保存，以便用于后续的字符识别工作。

3.3.3 SVM分类器参数选择

选用RBF核函数，RBF核函数中的参数δ=0.02。SVM分类器的正则化常数η的取值对SVM分类器字符识别的准确率的影响也比较大，因此令η取不同的数值进行分析，从中找到最优的取值。采用500张单根特钢棒材端面图像进行SVM分类器的训练，100张单根特钢棒材端面图像进行测试。表2为η取不同值时的准确率。

由表2可以看出，识别准确率在η取0.000 1时最高，可达到98.58%，因此最终选择η的取值为0.000 1。

3.3.4 试验结果与评价

采用基于SVM分类器的字符识别方法，对100张成捆特钢棒材端面图像进行处理，

准确率为97.35%，图20为某捆特钢棒材端面字符识别结果。成捆特钢棒材字符识别准确率略低于单根特钢棒材，经过分析发现其原因在于：成捆特钢棒材存放时端面不平齐，存在遮挡，使棒材端面光线发生变化，导致图像质量降低，字符识别成功率也随之降低。

4 结 语

通过分析复杂光照条件下特钢棒材端面图像的特点，提出了一种成捆特钢棒材端面字符识别算法。该算法采用基于小波变换的图像增强算法完成了成捆特钢棒材端面图像增强，基于MSER和边缘检测算法完成了图像中字符的检测，基于投影法将字符图像分割为单个字符图像，基于SVM分类器最终完成棒材端面字符识别，字符识别准确率可达到97.35%。将机器视觉技术融入到特钢棒材生产过程中，可使特钢棒材的生产信息实现一一对应，有助于特钢棒材生产信息全流程可追溯目标的实现，减少由于特钢棒材生产信息无法查询而造成的损失。

本文算法的字符識别准确率还存在提升空间，未来研究将把深度学习的相关理论与方法应用于特钢棒材端面字符图像的增强和字符识别，进一步提高字符识别准确率，更好地满足实际生产的需要。

参考文献/References：

[1] 张付祥，蔡立强，李伟峰，等.成捆圆钢端面自动贴标系统设计[J].河北科技大学学报，2016，37（6）：601-608.

ZHANG Fuxiang，CAI Liqiang，LI Weifeng，et al.Design of automatic labeling system on the end surfaces of bundles of round steels[J].Journal of Hebei University of Science and Technology，2016，37（6）：601-608.

[2] 葛宵烨，郭英军，孙梓钧，等.冷轧带钢表面缺陷图像预处理研究[J].河北科技大学学报，2016，37（3）：262-267.

GE Xiaoye，GUO Yingjun，SUN Zijun，et al.Study on preprocessing of surface defect images of cold steel strip[J].Journal of Hebei University of Science and Technology，2016，37（3）：262-267.

[3] 张付祥，赵阳，黄永建，等.特钢棒材标记方案设计与信息码识别[J].中国冶金，2020，30（3）：28-34.

ZHANG Fuxiang，ZHAO Yang，HUANG Yongjian，et al.Marking scheme design and information code recognition of special steel bars[J].China Metallurgy，2020，30（3）：28-34.

[4] 王春梅，黄风山，任玉松，等.成排连铸坯端面中心坐标视觉自动提取方法[J].河北科技大学学报，2018，39（3）：268-274.

WANG Chunmei，HUANG Fengshan，REN Yusong，et al.Center-point coordinate vision automatic extraction method for row billet end face[J].Journal of Hebei University of Science and Technology，2018，39（3）：268-274.

[5] 杜静，魏鸿磊，樊双蛟，等.基于HOUGH变换的指针式压力表自动识别算法[J].机床与液压，2020，48（11）：70-75.

DU Jing，WEI Honglei，FAN Shuangjiao，et al.Automatic recognition algorithm of pointer pressure gauge based on HOUGH transform[J].Machine Tool & Hydraulics，2020，48（11）：70-75.

[6] FENG S，BO L.Low-light color image enhancement based on Retinex[C]//2020 5th International Conference on Automation，Control and Robotics Engineering（CACRE）.Dalian：IEEE，2020：570-574.

[7] 蔡秀梅，马今璐，吴成茂，等.基于模糊同态滤波的彩色图像增强算法[J].计算机仿真，2020，37（6）：342-346.

CAI Xiumei，MA Jinlu，WU Chengmao，et al.Color image enhancement algorithm based on fuzzy homomorphic filtering[J].Computer Simulation，2020，37（6）：342-346.

[8] 徐小来，彭晖，邬书跃.基于直觉模糊集和直方图均衡的图像增强方法[J].电光与控制，2021，28（4）：70-72.

XU Xiaolai，PENG Hui，WU Shuyue.Image enhancement based on intuitionistic fuzzy sets and histogram equalization[J].Electronics Optics & Control，2021，28（4）：70-72.

[9] QIN Y Y，CUI W，LI Q，et al.Traffic sign image enhancement in low light environment[J].Procedia Computer Science，2019，154：596-602.

[10]MITTAL N，RAJ A，GOYAL H.Enhancement and removal of noise from medical images by wavelet transform method[C]//2019 3rd International Conference on Electronics，Communication and Aerospace Technology （ICECA）.Coimbatore：IEEE，2019：1126-1130.

[11]陆涛.基于统计特征分类耦合自适应Gamma校正的图像增强算法[J].电子测量与仪器学报，2020，34（6）：154-162.

LU Tao.Image enhancement based on image classification coupled adaptive gamma correction[J].Journal of Electronic Measurement and Instrumentation，2020，34（6）：154-162.

[12]JEONG I，LEE C.An optimization-based approach to gamma correction parameter estimation for low-light image enhancement[J].Multimedia Tools and Applications，2021，80（12）：18027-18042.

[13]SHARMA A，PANDEY A K，KHICHI D，et al.Methylene diphosphonate bone scan scintigraphic image enhancement using gamma correction and optimizing the value of gamma[J].Indian Journal of Nuclear Medicine，2020，35（1）：21-27.

[14]董林鹭，向洋，林国军，等.一种基于椒盐噪声密度的滤波算法[J].四川师范大学学报（自然科学版），2021，44（2）：277-284.

DONG Linlu，XIANG Yang，LIN Guojun，et al.A filtering algorithm based on salt and pepper noise density[J].Journal of Sichuan Normal University（Natural Science），2021，44（2）：277-284.

[15]KHAYEAT A R H，ABDULMUNEM A A，Al-SHAMMARI R F N，et al.Traffic sign detection and classification based on combination of MSER features and multi-language OCR[J].Webology，2020，17（2）：394-403.

[16]王大千，崔榮一，金璟璇.基于视觉关注模型与多尺度MSER的自然场景文本检测[J].应用科学学报，2020，38（3）：496-506.

WANG Daqian，CUI Rongyi，JIN Jingxuan.Text detection in natural scene based on visual attention model and multi-scale MSER[J].Journal of Applied Sciences，2020，38（3）：496-506.

[17]AGRAHARI A，GHOSH R.Multi-oriented text detection in natural scene images based on the intersection of MSER with the locally binarized image[J].Procedia Computer Science，2020，171：322-330.

[18]方徐伟，付晓薇.基于投影法和Caffe框架的身份证分割算法[J].计算机工程与应用，2017，53（23）：113-117.

FANG Xuwei，FU Xiaowei.ID card segmentation based on projection method and Caffe framework[J].Computer Engineering and Applications，2017，53（23）：113-117.

[19]祝磊，韩自营，阮宇静，等.基于机器视觉的轮胎胎面检测系统设计与实现[J].计算机工程与设计，2018，39（6）：1782-1787.

ZHU Lei，HAN Ziying，RUAN Yujing，et al.Design and implementation of tire tread detection system based on machine vision[J].Computer Engineering and Design，2018，39（6）：1782-1787.

[20]刘昶，徐超远，张鑫，等.液晶字符识别的CNN和SVM组合分类器[J].图学学报，2021，42（1）：15-22.

LIU Chang，XU Chaoyuan，ZHANG Xin，et al.A combined classifier based on CNN and SVM for LCD character recognition[J].Journal of Graphics，2021，42（1）：15-22.