【技术实现步骤摘要】
一种基于深度学习的印刷品瑕疵检测方法及检测设备
本专利技术涉及印刷品瑕疵检测，具体涉及一种基于深度学习的印刷品瑕疵检测方法及检测设备。
技术介绍
印刷品的瑕疵检测是印刷流程的必须环节。然而，由于印刷品的瑕疵尺寸较小、差别细微，现有的自动化检测设备还存在瑕疵检测错误率高、误报多的问题。BatchNormalization(批次归一化)是一项用于人工智能神经网络训练及推理的技术，可以加速实现过程，增加系统的稳定性。它的核心思想就是将用于训练或推理的数据按照每个批次进行归一化，这样可以防止少数异常数据对整个神经网络产生过度影响。Batchnormalization是在2015年由下面这篇文章提出来的：Ioffe,Sergey；Szegedy,Christian(2015)."BatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift".arXiv:1502.03167[cs.LG].ResNet残差网络...
【技术保护点】
1.一种基于深度学习的印刷品瑕疵检测方法，其特征在于：利用高清摄像头收集原始照片样本，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：/nS1、将印刷品放置于分页器内，由分页器将印刷品逐张分发到分页工作台上，利用高清摄像头对印刷页进行拍照采样，并借助工业计算机对照片样本进行检测分析；/nS2、读取原始照片样本，对原始照片样本进行拆分；/nS3、对拆分后的各张照片样本进行归一化处理，对拆分后的各张照片样本进行卷积、残差操作，抽取图像特征；/nS4、在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量；/nS...
【技术特征摘要】
1.一种基于深度学习的印刷品瑕疵检测方法，其特征在于：利用高清摄像头收集原始照片样本，抽取图像特征并将特征区域映射到一维向量，再将多条一维向量按最大概率进行排序，具体包括以下步骤：
S1、将印刷品放置于分页器内，由分页器将印刷品逐张分发到分页工作台上，利用高清摄像头对印刷页进行拍照采样，并借助工业计算机对照片样本进行检测分析；
S2、读取原始照片样本，对原始照片样本进行拆分；
S3、对拆分后的各张照片样本进行归一化处理，对拆分后的各张照片样本进行卷积、残差操作，抽取图像特征；
S4、在图像上按一定间距和大小对特征区域进行矩阵乘运算，并将特征区域映射到一维向量；
S5、对一维向量进行处理，并保持最大值仍然最大；
S6、重复S4和S5，直到特征图像上的所有区域都被覆盖，获得多条一维向量，并将多条一维向量按最大概率从大到小排序；
S7、将多条一维向量按最大概率从大到小排序中，排在首位一维向量的位置代表确认瑕疵种类，排在首位一维向量的区域代表瑕疵区域，排在首位一维向量的数值代表瑕疵概率。
2.根据权利要求1所述的基于深度学习的印刷品瑕疵检测方法，其特征在于：所述对原始照片样本进行拆分包括：
将4K分辨率的原始照片样本拆分为16张960*540的图片。
3.根据权利要求1所述的基于深度学习的印刷品瑕疵检测方法，其特征在于：所述对拆分后的各张照片样本进行归一化处理中采用batch_normalization算法。
4.根据权利要求1所述的基于深度学习的印刷品瑕疵检测方法，其特征在于：采用Densenet、ResNet、VGG中的一种算法对所述拆分后的各张照片样本进行卷积、残差操作，抽取图像特征。
5.根据权利要求1所述的基于深度学习的印刷品瑕疵检测方法，其特征在于：所述特征区域映射到长度为1000的一维向量。
6.根据权利要求1所述的基于深度学习的印刷品瑕疵检测方法，其特征在于：采用softmax算法对所述一维向量进行处理，并保持最大值仍然最大。
7.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：陶进，郭景锋，周向明，周启辰，
申请(专利权)人：安徽安视智能科技有限公司，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。