亮度不均勻低質(zhì)量圖像中壓印字符分割方法

閆曉燊，高 強(qiáng)，朱思萌，奚學(xué)程，趙萬生

上海交通大學(xué) 機(jī)械與動力工程學(xué)院 機(jī)械系統(tǒng)與振動國家重點(diǎn)實(shí)驗(yàn)室，上海200240

壓印序列號對產(chǎn)品質(zhì)量管控、零件溯源等具有重要意義。序列號識別過程可以劃分為圖像預(yù)處理、字符分割和字符識別三部分。字符分割效果對字符識別準(zhǔn)確率有較大影響[1]。

在字符分割方面，許多學(xué)者進(jìn)行了相關(guān)研究：趙永猛等人[2]針對道口車身字符識別，提出了Psauvola 二值化算法及像素投影圖的分割算法；段西利[3]分析了工件復(fù)雜表面的字符特點(diǎn)，提出了一種基于Wellner 算法的局部閾值方法；宋琦悅等人[4]針對驗(yàn)證碼在線識別問題，提出了一種基于改進(jìn)滴水算法的黏連字符分割方法；Zhou等人[5]針對紙幣序列號背景復(fù)雜的特點(diǎn)，提出了基于混合二值化和自適應(yīng)特征提取的新型字符分割方法；Qaroush等人[6]針對阿拉伯文本的分割難題，提出垂直投影與字符投影輪廓拓?fù)涮卣飨嘟Y(jié)合的分割方法；Tanzila等人[7]針對羅馬手寫字符的識別，提出一種基于遺傳算法的粘連羅馬字符分割方法。

上述算法在一定程度上提高了字符分割準(zhǔn)確率，但其本質(zhì)均為基于二值化圖片進(jìn)行處理，且僅適用于光照均勻及工件表面質(zhì)量穩(wěn)定等良好工況。然而，在工業(yè)實(shí)際應(yīng)用中，由于光照條件限制及工件表面反光等情況的存在，往往會產(chǎn)生低質(zhì)量亮度分布不均勻的圖像，嚴(yán)重影響序列號的分割識別。

針對上述問題，本文提出一種在灰度波形圖上，基于分割效果評價(jià)函數(shù)的迭代閉環(huán)反饋分割方法，省去二值化過程，直接對灰度圖像進(jìn)行處理。采用迭代平滑濾波算法對灰度波形圖進(jìn)行數(shù)據(jù)清洗，并基于廣義學(xué)習(xí)矢量量化算法（Generalized Learning Vector Quantization Algorithm，GLVQ）確定最優(yōu)濾波權(quán)重因子，在確保字符分割準(zhǔn)確率的同時(shí)提高濾波效率；建立分割效果評價(jià)函數(shù)，以此判斷是否進(jìn)一步迭代濾波和重新分割。

1 傳統(tǒng)字符分割方法及其局限性

傳統(tǒng)基于二值化圖像的分割算法，其原理是依據(jù)目標(biāo)像素點(diǎn)與背景像素點(diǎn)間的灰度差異，通過對比像素點(diǎn)與閾值b之間的相對關(guān)系，實(shí)現(xiàn)圖像二值化，進(jìn)而實(shí)現(xiàn)字符分割[8]。

閾值一般包含全局閾值和局部自適應(yīng)閾值兩種[9]。全局閾值，即全局采用同一閾值，如式（1）所示。該方法實(shí)現(xiàn)簡單，適用于目標(biāo)區(qū)域與背景區(qū)域灰度差異較大時(shí)的簡單情況。

式中，xij為第i行第j列像素點(diǎn)灰度值，yij為第i行第j列像素點(diǎn)二值化，b為全局閾值。

局部自適應(yīng)閾值，則是在鄰域內(nèi)按照相應(yīng)算法確定該鄰域內(nèi)的閾值，如式（2）所示。此方法考慮了不同區(qū)域內(nèi)灰度的差異性，對于單張復(fù)雜圖片具有較好的處理效果。

式中，wij為鄰域內(nèi)的像素點(diǎn)，wij∈W，F(xiàn)(w)為鄰域內(nèi)閾值確定算法，b0為鄰域內(nèi)的局部閾值。

然而，在實(shí)際生產(chǎn)，如批量渦輪葉片的序列號識別中，鑄造導(dǎo)致的不同葉片幾何誤差不同，使得葉片的修整量不盡相同，再加之劃痕等噪點(diǎn)的存在，葉片表面存在不同程度的反光情況，如圖1所示。

圖1 現(xiàn)場條件下，反光表面的序列號圖像

此時(shí)，傳統(tǒng)二值化分割算法不再適用：全局閾值，閾值選定后不再改變，在圖片亮度情況變化較大時(shí)，單一閾值無法實(shí)現(xiàn)精準(zhǔn)分割；局部閾值，雖能在鄰域范圍內(nèi)自適應(yīng)確定閾值，但鄰域范圍大小的確定、自適應(yīng)閾值計(jì)算方法的選擇，在處理亮度變化較大的批量圖片時(shí)，仍需手動調(diào)整。

2 應(yīng)用于亮度不均勻低質(zhì)量圖像中的壓印字符分割方法

為解決亮度不均勻低質(zhì)量圖像中壓印字符分割問題，提出一種在灰度波形圖上，基于分割效果評價(jià)函數(shù)的迭代閉環(huán)反饋?zhàn)址指罘椒?。技術(shù)流程如圖2所示。

圖2 技術(shù)方案流程圖

首先，將圖像高斯濾波、灰度化，并計(jì)算得到灰度波形圖；然后，結(jié)合廣義學(xué)習(xí)矢量量化算法（GLVQ），確定最優(yōu)濾波權(quán)重因子，在確保數(shù)據(jù)清洗質(zhì)量的同時(shí)提高濾波效率。其次，依據(jù)平滑濾波后的灰度波形圖波峰、波谷變化趨勢，結(jié)合字符分割函數(shù)，確定分割位置。最后，通過分割效果評價(jià)函數(shù)對分割效果進(jìn)行評價(jià)，若分割效果理想，則按照分割位置進(jìn)行分割，否則，進(jìn)一步迭代濾波和重新分割，直至分割效果理想為止。

2.1 圖像預(yù)處理及灰度波形圖統(tǒng)計(jì)

現(xiàn)場獲取的圖片中包含序列號、背景、劃痕等多種元素。在字符分割之前，需要對原始圖片進(jìn)行灰度化及濾波消噪等預(yù)處理，并計(jì)算灰度波形圖以便后續(xù)處理。將圖像的像素點(diǎn)按式（3）進(jìn)行灰度化。

式中，R、G、B為像素點(diǎn)顏色的三個(gè)分量，kr、kg、kb為三個(gè)分量對應(yīng)的權(quán)值，c為像素點(diǎn)經(jīng)灰度化后的灰度值。

濾波消噪包含高斯濾波、中值濾波、雙邊濾波等多種處理方式[10]。本文中，主要采用高斯濾波進(jìn)行圖像的背景噪聲處理，用以提高目標(biāo)區(qū)域清晰度，相關(guān)結(jié)果如圖3所示。

圖3 序列號圖像預(yù)處理

按照式（4）對經(jīng)過高斯濾波的灰度圖像進(jìn)行統(tǒng)計(jì)，得到如圖4所示的初始灰度波形圖。

式中，cij為第i行第j列像素點(diǎn)灰度值，Cj為第j列像素點(diǎn)灰度總值，m為像素總行數(shù)，n為像素總列數(shù)。

圖4 初始灰度波形圖

2.2 基于廣義學(xué)習(xí)矢量量化算法的最優(yōu)濾波權(quán)重因子確定

（1）加權(quán)移動平滑濾波算法

初始灰度波形圖中，由于字符自身結(jié)構(gòu)特征及噪聲等因素影響，波形圖中存在部分畸變區(qū)域，如圖5所示。

圖5 局部波形畸變放大圖

畸變波形的存在會嚴(yán)重影響字符分割準(zhǔn)確率，因此需采用加權(quán)移動平滑濾波算法對原始波形圖進(jìn)行數(shù)據(jù)清洗，具體如式（5）所示：

式中，C*j為平滑濾波后第j列灰度總值，p為平滑濾波鄰域范圍，kl為平滑濾波算子的權(quán)重因子。

（2）基于GLVQ的最優(yōu)濾波權(quán)重因子確定

加權(quán)移動平滑濾波算法中鄰域范圍p及濾波權(quán)重因子kl的選取對濾波結(jié)果有較大影響。鄰域范圍p，決定了濾波過程中參與運(yùn)算的元素?cái)?shù)目[11]。當(dāng)p取值過小時(shí)，單次濾波效果不顯著；當(dāng)p取值過大時(shí)，參數(shù)變化靈敏度降低，易導(dǎo)致數(shù)據(jù)失真，失去波形圖原有的波峰波谷特征。結(jié)合單次濾波效果及字符分割準(zhǔn)確率，將鄰域范圍p確定為5。

濾波權(quán)重因子K為含有p個(gè)元素的一維向量，即K=[k1,k2,…,kp]，其元素kl表示第l個(gè)元素在濾波中所占權(quán)重[12]。適當(dāng)提高新采樣元素在滑動濾波中的權(quán)重，可提高系統(tǒng)對當(dāng)前采樣值的靈敏度[13]；但若過度增大，則會導(dǎo)致波形失真。

為此，基于廣義學(xué)習(xí)矢量量化算法（GLVQ），建立應(yīng)用于批量灰度波形圖的最優(yōu)加權(quán)移動平滑濾波參數(shù)確定模型。GLVQ是一種有監(jiān)督式、競爭性神經(jīng)網(wǎng)絡(luò)算法[14]，可用于模式分類等領(lǐng)域。GLVQ 的拓?fù)浣Y(jié)構(gòu)如圖6 所示，競爭層神經(jīng)元與輸入層神經(jīng)元對應(yīng)連接，整體連接權(quán)重構(gòu)成競爭層的權(quán)重矩陣；在輸出方面，競爭層神經(jīng)元與輸出層神經(jīng)元一一對應(yīng)。訓(xùn)練時(shí)GLVQ 通過迭代更新競爭層的權(quán)重矩陣，實(shí)現(xiàn)樣本輸入與輸出的最佳匹配[15]。

圖6 GLVQ神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

為獲取不同反光情況下，加權(quán)濾波時(shí)對應(yīng)的最優(yōu)濾波權(quán)重因子，以灰度波形圖各列灰度值構(gòu)成的序列CN作為GLVQ 輸入，以權(quán)重因子K中ki的不同組合作為輸出，進(jìn)行模型建立及訓(xùn)練，具體步驟如下：

①獲取訓(xùn)練樣本。前期通過遍歷等方式，確定不同圖片各自對應(yīng)的最優(yōu)濾波權(quán)重因子，組建訓(xùn)練樣本數(shù)據(jù)集。該數(shù)據(jù)集中的輸入向量為C=(C1,C2,…,Cm)T，其中m為輸入層神經(jīng)元數(shù)目。

②網(wǎng)絡(luò)初始化。設(shè)置訓(xùn)練過程的迭代次數(shù)T，同時(shí)設(shè)定初始學(xué)習(xí)速率η0和競爭層的初始權(quán)重矩陣W={W1,W2,…,Wp}，其中p為競爭層神經(jīng)元的數(shù)目，Wi=(wi1,wi2,…,wim)T∈W表示競爭層第i個(gè)神經(jīng)元與輸入層連接的權(quán)重向量。

③計(jì)算訓(xùn)練樣本中輸入向量C與競爭層權(quán)重向量Wi之間的距離di：

式中，t為迭代次數(shù)，初始值t=1，Wi(t)為第t次迭代時(shí)競爭層神經(jīng)元i對應(yīng)的權(quán)重向量。

④更新權(quán)重矩陣。尋找di值最小時(shí)，對應(yīng)的權(quán)重向量Wmin(t)，并確定該權(quán)重向量所屬競爭層神經(jīng)元對應(yīng)的輸出類別k(Wmin(t))。根據(jù)所屬類別不同，按照不同規(guī)則對競爭層神經(jīng)元的權(quán)重向量Wi(t+1)(i=1,2,…,p)進(jìn)行更新[16]，如式（7）所示：

式中，

⑤迭代條件判斷。計(jì)算權(quán)重矩陣更新后網(wǎng)絡(luò)的輸出誤差，若滿足要求則停止迭代，否則令t=t+1 重復(fù)上述步驟。

GLVQ訓(xùn)練完成后，保存最終模型。在實(shí)際濾波過程中，無需再次訓(xùn)練，可通過該模型直接確定移動加權(quán)平滑濾波的最優(yōu)權(quán)重因子。

（3）加權(quán)移動平滑濾波算法與其他算法對比

除加權(quán)移動平滑濾波之外，同樣也存在其他濾波算法如滑動中值濾波與滑動平均濾波。

滑動中值濾波建立由N個(gè)采樣值確定的固定長度序列，每將一個(gè)新采樣值插入序列隊(duì)尾，便將序列隊(duì)首的采樣值去除，從而始終保證序列長度為N。將序列內(nèi)N個(gè)采樣值的中值，作為濾波結(jié)果。滑動中值濾波可以有效消除由于偶然因素所造成的波形畸變，對于規(guī)律性漸變波形有較好的濾波效果。但是，對于非周期性快速變換的波形則無法達(dá)到理想的濾波效果。

滑動平均濾波則是將序列內(nèi)N個(gè)采樣值的平均值，作為濾波結(jié)果?；瑒悠骄鶠V波對于周期性噪聲有較好的濾波效果，但是靈敏度較低，無法對脈沖干擾引起的波形畸變進(jìn)行有效濾波。

加權(quán)移動平滑濾波是對滑動平均濾波的改進(jìn)，具體如式（5）所示，其通過賦予序列中不同時(shí)刻采樣值不同的權(quán)重，可實(shí)現(xiàn)在保留原有數(shù)據(jù)特征的同時(shí)提高濾波靈敏度，從而達(dá)到濾波目的。

2.3 基于分割效果評價(jià)函數(shù)的迭代閉環(huán)反饋

（1）分割函數(shù)

在濾波后的灰度波形圖上，結(jié)合分割函數(shù)g(n)，基于梯度函數(shù)，從灰度波形圖波峰波谷變化趨勢角度出發(fā)，確定分割位置Vj，并將其存入數(shù)組V中。

式中，g(n)為字符分割函數(shù)，f(j)為平滑濾波后第j列灰度總值，f '(j)為灰度波形函數(shù)一階導(dǎo)數(shù)。

（2）分割效果評價(jià)函數(shù)

采用迭代移動加權(quán)平滑濾波的方式對灰度波形圖進(jìn)行降噪處理。迭代次數(shù)與平滑效果密切相關(guān)。迭代次數(shù)過少，噪點(diǎn)清洗不完全，字符分割效果受影響；迭代次數(shù)過多，波形過擬合，同樣影響分割效果，如圖7 所示。因此，迭代次數(shù)的確定，對于字符的準(zhǔn)確分割具有重要意義。

為確定最優(yōu)迭代濾波次數(shù)，保證濾波效果及字符分割準(zhǔn)確率，本文依據(jù)先驗(yàn)經(jīng)驗(yàn)及序列號編排規(guī)則，設(shè)置分割效果評價(jià)函數(shù)h(n)，如式（9）所示：

式中，n為分割點(diǎn)總個(gè)數(shù)，Vi為第i個(gè)切分位置，l為單個(gè)字符平均寬度，，q為序列號字符總數(shù)。

圖7 迭代平滑濾波灰度波形圖

當(dāng)lim(h(n))→0 時(shí)，字符分割效果較好，可以進(jìn)行分割；否則，需要進(jìn)一步迭代濾波、重新分割，直至分割效果達(dá)到評價(jià)函數(shù)標(biāo)準(zhǔn)。具體如圖8所示。

圖8 基于分割效果評價(jià)函數(shù)的迭代反饋閉環(huán)流程圖

分割效果評價(jià)函數(shù)h(n)具體主要從以下兩方面對分割效果進(jìn)行評價(jià)：

①分割點(diǎn)個(gè)數(shù)n與序列號字符總數(shù)q之間關(guān)系。只有n=q-1 時(shí)，才有可能實(shí)現(xiàn)準(zhǔn)確分割。

②分割字符寬度(Vi+1-Vi)與單個(gè)字符平均寬度l間關(guān)系。利用切割寬度與平均寬度偏差的絕對值衡量分割效果，絕對值越小，分割越精確。

字符分割后，依據(jù)序列號編排先驗(yàn)知識，設(shè)置識別白名單，限制特定位置字符的識別范圍。并對識別結(jié)果合理性進(jìn)行判斷，若不符合序列號編排規(guī)則，則進(jìn)行進(jìn)一步迭代濾波、重新分割，直至符合編排規(guī)則為止，分割位置如圖9所示。

圖9 字符分割位置

3 字符分割對比實(shí)驗(yàn)及分析

為驗(yàn)證本文算法的有效性及具體效果，選取垂直投影分割法、連通域分割法以及本文算法等三種不同算法，分別在貴陽×××廠現(xiàn)場采集數(shù)據(jù)集、GitHub 開源數(shù)據(jù)集上進(jìn)行分割對比實(shí)驗(yàn)；同時(shí)，對比不同濾波算法的濾波效果。

3.1 字符分割實(shí)驗(yàn)數(shù)據(jù)集

為充分驗(yàn)證算法可行性，采用如下兩種數(shù)據(jù)集進(jìn)行字符分割實(shí)驗(yàn)：

（1）貴陽×××廠現(xiàn)場采集數(shù)據(jù)集。

（2）GitHub開源車牌識別數(shù)據(jù)集。

貴陽×××廠現(xiàn)場采集數(shù)據(jù)集，采用的圖像采集系統(tǒng)，主要由HIKVISIONCCD 相機(jī)、機(jī)器視覺輔助光源、固定支架等三部分組成。字符分割測試對象為貴陽×××廠所生產(chǎn)的某型號渦輪葉片表面的壓印序列號，具體如圖3所示。分析該壓印序列號，其特點(diǎn)如下：

（1）不同葉片序列號所在表面反光率情況差異較大。

（2）葉片零件表面存在不規(guī)則劃痕等噪聲。

（3）序列號均由10個(gè)字符構(gòu)成，字體固定。

GitHub開源車牌識別數(shù)據(jù)集，主要應(yīng)用于車牌識別算法的有效性檢驗(yàn)，具體如圖10所示。分析該數(shù)據(jù)集，其特點(diǎn)如下：

（1）車牌亮度變化情況較大，且清晰度較低。

圖10 GitHub開源車牌識別數(shù)據(jù)集

（2）每個(gè)車牌均由7個(gè)字符構(gòu)成，字體固定。

3.2 字符分割實(shí)驗(yàn)對比算法

基于二值化的分割方法主要包含以下兩種：

（1）垂直投影分割法。

（2）連通域字符分割法。

垂直投影分割法，是在二值化圖像的基礎(chǔ)上，利用目標(biāo)字符區(qū)域與背景區(qū)域之間像素信息在垂直投影方向上的差異，進(jìn)行字符分割的方法[17]。其主要步驟如下：

（1）圖片二值化。確定二值化閾值b，按照式（1）將圖片中的像素二值化。

（2）垂直投影統(tǒng)計(jì)。逐列統(tǒng)計(jì)每一列像素信息，如式（10）所示：

式中，yij為第i行第j列二值化像素，Yj為第j列中值為1的像素點(diǎn)總數(shù)，m為像素總行數(shù)，n為像素總列數(shù)。

（3）字符分割。在像素列分布情況統(tǒng)計(jì)基礎(chǔ)上，按照式（11）對每列像素進(jìn)行分類：

式中，φ為字符列與背景列的區(qū)分判斷閾值。

連通域字符分割法，同樣是在二值化圖像基礎(chǔ)上，通過標(biāo)記分析字符所在連通域，實(shí)現(xiàn)字符的分割[18]。其具體步驟如下所示：

（1）圖片二值化：確定二值化閾值b，按照式（1）將圖片中的像素二值化。

（2）連通域確定：

①連通域初始種子確定：遍歷像素點(diǎn)，直至搜索到像素值為1的目標(biāo)字符像素點(diǎn)B(x,y)，則該像素點(diǎn)位置即為種子。賦予B(x,y)新標(biāo)記label，并將種子的相鄰像素位置壓入棧中。

②連通域種子生長：彈出步驟①中的棧頂元素，賦予相同標(biāo)記label，然后再將該棧頂元素的鄰近像素壓入棧中。

③重復(fù)步驟①、②，直至棧中無元素為止。

（3）重復(fù)步驟（2），直至掃描結(jié)束。

（4）按照連通域標(biāo)記label的不同，將圖像分割為單個(gè)字符。

3.3 字符分割實(shí)驗(yàn)結(jié)果分析

（1）不同分割算法準(zhǔn)確率對比分析

在貴陽×××廠現(xiàn)場采集的某型號渦輪葉片壓印序列號數(shù)據(jù)集和GitHub 開源車牌識別數(shù)據(jù)集上，采用垂直投影分割法、連通域分割法與基于評價(jià)函數(shù)的迭代閉環(huán)反饋?zhàn)址指罘椒?，分別進(jìn)行字符分割實(shí)驗(yàn)。實(shí)驗(yàn)對比結(jié)果如表1所示。

表1 不同分割算法準(zhǔn)確率對比結(jié)果

從實(shí)驗(yàn)數(shù)據(jù)看，相較于垂直投影和連通域分割算法，本文提出的基于評價(jià)函數(shù)的迭代反饋閉環(huán)字符分割方法在批量處理亮度不均勻低質(zhì)量圖像中的壓印字符時(shí)，能夠顯著提高字符分割準(zhǔn)確率。

通過對傳統(tǒng)算法分割失敗的字符進(jìn)行分析可知，垂直投影法及連通域分割法均為基于二值化圖像進(jìn)行處理的算法，對于亮度均勻、質(zhì)量清晰圖像中的字符有較好的分割效果，但在批量處理亮度不均勻低質(zhì)量圖像中壓印字符時(shí)，難以確定最優(yōu)二值化閾值，導(dǎo)致二值化圖像中目標(biāo)信息大量丟失，進(jìn)而影響字符分割精度。此外，連通域算法在處理粘連字符時(shí)，無法實(shí)現(xiàn)有效分割，這也是影響連通域算法字符分割準(zhǔn)確率的另一因素。

（2）不同分割算法時(shí)間復(fù)雜度對比分析

為測試不同分割算法的實(shí)時(shí)性及時(shí)間復(fù)雜度，在表2所示計(jì)算機(jī)硬件測試環(huán)境中，分別統(tǒng)計(jì)垂直投影分割法、連通域分割法和本文算法在處理貴陽×××廠現(xiàn)場采集數(shù)據(jù)的耗時(shí)情況。

表2 分割算法硬件測試環(huán)境

三種不同算法的具體用時(shí)及時(shí)間復(fù)雜度分析，如表3所示。

表3 不同分割算法運(yùn)行時(shí)間及時(shí)間復(fù)雜度

在算法時(shí)間復(fù)雜度方面，垂直投影分割算法與本文算法均為平方階O(n2)，在處理現(xiàn)場采集單張圖像時(shí)，運(yùn)行時(shí)間分別為432 ms 和489 ms，實(shí)時(shí)性較好；連通域算法時(shí)間復(fù)雜度為指數(shù)階O(2n)，單張圖像處理時(shí)長為1 451 ms，運(yùn)算量較大，實(shí)時(shí)性較差。

（3）不同濾波算法分割準(zhǔn)確率對比分析

本文所述的基于分割效果評價(jià)函數(shù)的迭代閉環(huán)反饋分割方法，采用加權(quán)移動平滑濾波算法進(jìn)行濾波，并通過廣義學(xué)習(xí)矢量量化算法（GLVQ）確定最優(yōu)的濾波權(quán)重因子。為了對比加權(quán)移動平滑濾波、移動中值濾波與移動平均濾波這三種不同濾波算法，以本文所提出的字符分割算法為框架，分別用三種不同濾波算法在貴陽×××廠現(xiàn)場數(shù)據(jù)集及GitHub 開源數(shù)據(jù)集上進(jìn)行分割實(shí)驗(yàn)，結(jié)果如表4所示。

表4 不同濾波算法分割準(zhǔn)確率對比結(jié)果

實(shí)驗(yàn)結(jié)果表明，相比于移動中值濾波、移動均值濾波，加權(quán)移動平滑濾波能更為有效地去除灰度波形圖中由于反光、劃痕等因素造成的波形畸變，同時(shí)較好地保持原有數(shù)據(jù)的變化趨勢，進(jìn)而提高字符分割準(zhǔn)確率。

4 結(jié)束語

針對傳統(tǒng)基于二值化圖像的字符分割算法，在批量處理亮度不均勻低質(zhì)量圖像中的壓印字符時(shí)，存在的分割準(zhǔn)確率較低的問題，提出在灰度波形圖基礎(chǔ)上，基于分割效果評價(jià)函數(shù)的迭代閉環(huán)反饋?zhàn)址指罘椒?，并通過廣義學(xué)習(xí)矢量量化算法（GLVQ）確定最優(yōu)濾波權(quán)重因子，提高濾波效率。建立基于閉環(huán)反饋的評價(jià)函數(shù)，對分割效果進(jìn)行實(shí)時(shí)評價(jià)，并以此為依據(jù)判斷是否進(jìn)行迭代濾波及重新分割，確保分割準(zhǔn)確率。通過對比實(shí)驗(yàn)可知，該算法的字符分割識別準(zhǔn)確率可達(dá)98.5%?？蔀閷?shí)際生產(chǎn)現(xiàn)場、多種復(fù)雜工況下的壓印序列號批量識別提供一種新的技術(shù)思路。