随着社会经济的快速发展,人民生活水平的日益提高,消费者对食品、药品等产品品质、安全和溯源方面的需求日益加大,各国政府都在不断推进“三码合一、一物一码”的进程。为此,所有产品在生产过程中均要求喷印诸如生产日期、溯源二维码等时效性要求较高的产品信息,完成此项环节的关键设备是喷码机。喷码机被广泛应用于现代食品工业、化妆品工业、医药品工业、汽车等零件加工行业。所以,喷码字符的识别研究是工业领域实现自动化技术的重要一环。食品包装盒上的喷码字符一般都包含着生产日期、生产批次及产地等重要信息。因此,为确保喷码字符信息在出厂时是完整的且符合市场的准入原则,有必要对这些喷码字符进行检测。传统的喷码字符检测是靠人工检测完成的,存在效率低下、人力成本浪费等问题,且这在大规模生产流水线上是不可取的。随着计算机技术的发展,工业生产逐渐向自动化发展转变,利用计算机自动识别点阵喷码字符不仅能提高生产效率,还能减少人工检测时的误差。本文对食品包装盒点阵喷码字符的识别方法展开研究,完成的主要研究工作如下:1.针对当食品包装盒上的点阵喷码字符周围有其他图形、连续字符干扰时,现有点阵喷码字符定位方法不适用的问题,本文提出了一种基于FAST(Features from Accelerated Segment Test,FAST)角点检测算法的点阵喷码字符定位方法。该方法首先以FAST角点检测为基础,检测图像中的所有FAST角点。然后,根据点阵喷码字符的角点强度值和空间分布情况,确定图像中的干扰角点并将其删除。最后,保存剩余角点的位置坐标,实现对点阵喷码字符的正确定位。2.研究了字符识别过程中特征提取的相关算法。在字符特征提取环节,本文研究了方向梯度直方图(Histogram of Oriented Gradient,HOG)特征、基于主成分分析(Principal Component Analysis,PCA)的逐像素特征、网格特征,将这三种特征的联合应用到字符识别算法中。实验表明,本文方法提取的字符特征对于点阵喷码字符的准确识别是有效的。3.针对单一的模板匹配和支持向量机(Support Vector Machine,SVM)方法识别率不高的问题,本文研究了一种基于模板匹配和SVM的点阵喷码字符识别方法。这种方法由以下三个步骤组成:首先,利用基于灰度的模板匹配方法识别字符;然后,利用基于特征的模板匹配方法识别字符;最后,比较两者的识别结果是否相同。若不同,则利用SVM进行再次识别;若相同,输出字符识别结果。通过实验验证,本文研究的组合识别方法其识别准确率高于单一的模板匹配方法和单一的SVM方法。4.针对利用传统人工神经网络实现点阵喷码字符识别时,神经网络的网络结构复杂和训练参数难以确定的问题,本文研究了基于概率神经网络(Probabilistic Neural Network,PNN)的点阵喷码字符识别方法。该方法在特征提取部分,采用HOG特征和网格特征相联合的方法。通过实验验证,该方法在网络训练的快速性上具有一定的优势,且识别准确率高。