Automatisches Lesen von verzerrten und verschmierten Aufdrucken mit Hilfe neuronaler Netze

Während der industriellen Fertigung und Verpackung unterschiedlichster Produkte werden individuelle Seriennummern, Haltbarkeits- oder Herstellungsdaten, Chargennummern und ähnliche Informationen aufgedruckt oder -geprägt. Es ist oftmals während der Warenverfolgung und der Qualitätskontrolle notwendig, diese Daten wieder zu lesen. Existierende Schrifterkennungsalgorithmen sind aber in den meisten Fällen dazu nicht in der Lage, so dass ein menschlicher Bediener diese Arbeit verrichten muss.

Die Probleme entstehen zum Teil durch die Eigenschaften der bedruckten Oberfläche, die einen schlechten Kontrast zur aufgedruckten Schrift bietet, und dadurch, dass die Schrift verzerrt oder verschmiert ist. Verzerrungen treten durch unkontrollierte Bewegungen des zu bedruckenden Objekts auf. Eine verschmierte Schrift entsteht bei Tintenstrahldruckköpfen, wenn Fremdkörper die noch nicht getrocknete Schrift berühren.Auch kommt es häufig vor, dass einzelne Düsen im Druckkopf verstopft sind und nicht mehr arbeiten.

Abgesehen von diesen drucktechnischen Problemen, die eine Schriftzeichenerkennung erschweren, ist auch schon einen sauber gedruckte Dot-Matrix-Schrift, die in der Industrie hauptsächlich eingesetzt wird, für normale vektor- oder kantenorientierte OCR-Software nicht lesbar.

Neues Verfahren

Deshalb wurde ein Verfahren konzeptioniert und entwickelt, dass mit Hilfe von Bildverarbeitung und Soft-Computing Methoden einen möglichst breite Palette derartiger verzerrter oder verschmierter maschinengeschriebener Schriftzeichen erkennen kann. Dabei war eine Anforderung an das System, dass es leicht an neue Bedingungen angepasst werden kann.

Im Rahmen der Entwicklung wurde mit verschiedenen Kameratypen gearbeitet und eine jeweils auf die Sensorart angepasste Objektbeleuchtung gewählt. Die richtige Wahl der Bildaufnahmekomponenten trägt entscheidend zu dem erzielbaren Ergebnis bei.

Für die Schriftzeichenseparation und nachfolgende Erkennung wurden die Prinzipien eines komplexen, modularisierten Klassifikationssystems übernommen. Das aufgenommene Bild durchläuft Bildaufbereitungsroutinen, die die separierten Schriftzeichen der Klassifizierung zuführen. Für die eigentliche Klassifizierung wird ein neuronales Netz eingesetzt. Diese Art der Klassifikation erlaubt eine sehr leichte Anpassung an andere Schriftarten oder Bedingungen. Es wurden verschiedene Netztypen untersucht, um Vergleiche bezüglich der Lerngeschwindigkeit und -güte anstellen zu können.

Ein generelles Problem neuronaler Netze ist die lange Trainingsphase und der hohe Ressourcenbedarf, insbesondere wenn die Dimensionen der Eingangs- (Anzahl der Merkmale) und Ausgangsvektoren (Anzahl der Fehlerklassen) groß ist. Je allgemeingültiger eine Lösung sein muss, desto aufwendiger ist das Netzwerk. Da das neuronale Netzwerk vor dem eigentlichen Einsatz trainiert werden muss, ist das Vorhandensein aller möglichen Fehler vorab notwendig. Das entwickelte Verfahren der Klassifizierung mittels neuronaler Netze ist dabei deutlich fehlertoleranter als klassische Schrifterkennungsmethoden.

Einsatzgebiete

Neben dem Einsatz bei der Warenverfolgung und Qualitätssicherung im produzierenden Gewerbe lassen sich die hier erarbeiteten Methoden auch auf Anwendungsgebiete übertragen, bei denen Schriftzeichen oder ähnlich geartete Objekte unter ungünstigen Bedingungen erkannt werden müssen.Als ein Beispiel seien hier Fahrerassistenzsysteme für den Straßenverkehr genannt.

Dieses Projekt wurde finanziert durch die Arbeitsgruppe Innovative Projekte (AGIP) des Ministeriums für Wissenschaft und Kultur des Landes Niedersachsen.