基于深度学习的印刷品背景异色缺陷检测方法技术

本发明专利技术涉及一种基于深度学习的印刷品背景异色缺陷检测方法，包括：采集印刷品无缺陷图像，将采集到的图像进行前景灰度值置零处理，然后再将图像裁剪成M*N个K*K像素的子图像，收集一定数量的上述样本，作为训练样品集，建立深度学习网络，输入训练样品集，利用训练的深度学习网络对实际产品图像进行检测，根据各个小图匹配比率，生成M*N的二维矩阵，根据二维矩阵结果判断产品是否有无异色缺陷。本发明专利技术提高了异色缺陷的检出率，简化了深度学习训练流程。

Detection method of printing background heterochromatic defects based on deep learning

【技术实现步骤摘要】
基于深度学习的印刷品背景异色缺陷检测方法
本专利技术涉及印刷品表面缺陷检测领域，尤其是一种采用深度学习对印刷品表面低对比度的异色缺陷进行检测的方法。
技术介绍
印刷品表面在印刷过程中，受到操作以及工艺等原因的影响，容易造成印刷品出现一种低对比度、面积较大不同于印刷品表面颜色的缺陷，由于印刷品表面复杂前景的影响，此类缺陷不能够很好的进行检测。现有技术中所采用的方式通常是对图像进行去噪处理后，图像进行二值化，分割得到前景和背景，然后进行连通区域分析，从而得到具体的特征区块；上述算法的核心在于找到“灰度突变”的区域，而背景异色这类缺陷与周围领域灰度值一般相差不大，图像在进行二值化时，较难分割出缺陷区域。并且传统的机器视觉算法比较依赖光源成像，参数设置较为严格时，存在大量好品误检，参数较为宽松时，会造成大量缺陷漏检。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于深度学习的印刷品背景异色缺陷检测方法，具有检出率高、误检率低等特点。本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：包括以下步骤：1）收集原始训练图像C，并进行预处理，得到图像A；2）对预处理后的图像A进行分割处理，得到小图像a，并对每个小图像a进行编号；3）将上述编号处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体为：A、采用多个受限玻尔兹曼机RBM对分割后的小图a包含的R、G、B三个通道分别进行独立训练，然后对小图a的R、G、B三个通道分别进行特征提取；B、无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法微调，对深度学习网络的参数不断进行调整，使模型收敛到局部最优点，完成卷积神经网络的训练；4）将采集到的实际产品图像B以步骤2）中同样的方式分割为多个大小与小图像a一致的小图像b，并对每个小图像b编号；编号后的每个小图像b分别对应与每个编号后训练好的小图像a的模型进行匹配度比对；并根据匹配度比对结果判别有无异色缺陷。进一步的说，本专利技术所述的步骤1）中，原始训练图像C为没有任何缺陷的标准印刷品彩色图像；所述的预处理为对彩色图像的非检测区域的前景进行前景灰度值置零处理。进一步的说，本专利技术所述的步骤2）中，对分割后的小图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。进一步的说，本专利技术所述的步骤3）中的训练步骤包括：A、初始化小图像a的状态为，其中是可视层的样本的状态向量，M为小图像a的数目。B、基于已知可视层的情况，根据隐含层的条件概率函数计算隐藏单元的状态分布，从条件分布中抽取。C、基于隐含层的状态，根据可视层的条件概率函数计算可视单元的状态分布，从条件分布中抽取。D、计算隐藏单元的状态分布函数。E、依据可视层和隐含层重构前后的状态对参数进行更新，各个参数更新公式如下：其中，受限玻尔兹曼机RBM的模型参数为：，为sigmoid函数；为学习率，表示原始输入数据的分布，表示重构后模型定义的一个分布，Δw、Δa、Δb分别为更新后的模型参数。进一步的说，本专利技术所述的步骤4）中，匹配度比对包括以下步骤：A、利用训练好的深度学习网络检测实际产品，得到属于正常产品和异色产品的比率，设定当比率小于40%为异色缺陷，进而判断图像B中的每个小图b是否存在异色缺陷，1表示当前小图像b存在异色缺陷，0表示当前小图像b为正常产品，然后输出M*N的二维矩阵，其中M表示横向小图的个数，N表示纵向小图的个数。B、根据M*N二位矩阵是否存在元素1，存在则表示有异色缺陷产品，反之为正常产品。本专利技术的有益效果是，解决了
技术介绍
中存在的缺陷，将原始图像分割为固定尺寸的小图，对其进行编号，然后采用DBN（深度置信网络-DeepBeliefNetwork）深度学习算法，分别对小图进行训练，提取好品图像固有的特征，实际检测时，待检测图分割为小图，分别与小图对应编号的训练好的模型进行比对，然后判别有无异色缺陷；提高了异色缺陷的检出率，简化了深度学习训练流程。附图说明图1印刷品深度学习训练及实际印刷品图像缺陷检测流程图。图2对采集到的原始图像A按照箭头方向依次裁剪成小图像a。图3受限玻尔兹曼机（RBM）结构图（箭头表示双向全连接）。具体实施方式现在结合附图和优选实施例对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。如图1所示的一种基于深度学习的印刷品背景异色缺陷检测方法，采集印刷品无缺陷图像，将采集到的图像进行前景灰度值置零处理，然后再将图像裁剪成M*N个K*K像素的子图像，收集一定数量的上述样本，作为训练样品集，建立深度学习网络，输入训练样品集，利用训练的深度学习网络对实际产品图像进行检测，根据各个小图匹配比率，生成M*N的二维矩阵，根据二维矩阵结果判断产品是否有无异色缺陷。具体步骤如下：1、收集原始训练图像，并进行预处理。1.1收集没有任何缺陷的标准印刷品彩色图像C，共p张（p>100），其大小为1280*768；1.2对彩色图像的非检测区域的前景（文字、图案）进行前景灰度值置零处理，变成图像A；1.3对上述图像A进行分割处理，每个小图像a的尺寸为128*128；1.4对分割后的图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。编号具体步骤为，1.4.1从编号为1的小图像a开始，从左向右进行依次编号，到达图像最右端时，向下进行编号，此时从右向左进行编号，到达最左端时，再次从左向右编号（参见图2）；1.4.2重复上述步骤，直到最后一个编号的小图像a。2、将上述处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体如下：2.1采用多个RBM-限制玻尔兹曼机（RestrictedBoltzmannMachines）对分割后的小图a包含的R、G、B三个通道分别进行独立训练，然后对小图a的R、G、B三个通道分别进行特征提取，流程图参见图3。2.1.1RBM有两层，可视层表示输入，用于输入图像a，隐藏层用于提取特征，RBM的能量函数表示为；其中是受限玻尔兹曼机RBM的模型参数，是可视单元i与隐藏单元j之间的连接权重；、分别为可视层和隐含层的偏置；2.1.2RBM同层节点之间相互独立，隐含层的条件概率函数为，可视层条件概率为，其中为sigmoid函数；2.1.3RBM采用对比散度快速训练算法，通过将分割小图映射给隐含层，重复执行上述步骤，完成对网络参数的预训练。对RBM的权重学习步骤如下：A、初始化小图像a的状态为，其中是可视层的样本的状态向量，M为小图像a的数目；（此处可以理解为，例如本文档来自技高网...

【技术保护点】
1.一种基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：包括以下步骤：/n1）收集原始训练图像C，并进行预处理，得到图像A；/n2）对预处理后的图像A进行分割处理，得到小图像a，并对每个小图像a进行编号；/n3）将上述编号处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体为：/nA、采用多个受限玻尔兹曼机RBM对分割后的小图像a包含的R、G、B三个通道分别进行独立训练，然后对小图像a的R、G、B三个通道分别进行特征提取；/nB、无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法微调，对深度学习网络的参数不断进行调整，使模型收敛到局部最优点，完成卷积神经网络的训练；/n4）将采集到的实际产品图像B以步骤2）中同样的方式分割为多个大小与小图像a一致的小图像b，并对每个小图像b编号；编号后的每个小图像b分别对应与每个编号后训练好的小图像a的模型进行匹配度比对；并根据匹配度比对结果判别有无异色缺陷。/n

【技术特征摘要】
1.一种基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：包括以下步骤：
1）收集原始训练图像C，并进行预处理，得到图像A；
2）对预处理后的图像A进行分割处理，得到小图像a，并对每个小图像a进行编号；
3）将上述编号处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体为：
A、采用多个受限玻尔兹曼机RBM对分割后的小图像a包含的R、G、B三个通道分别进行独立训练，然后对小图像a的R、G、B三个通道分别进行特征提取；
B、无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法微调，对深度学习网络的参数不断进行调整，使模型收敛到局部最优点，完成卷积神经网络的训练；
4）将采集到的实际产品图像B以步骤2）中同样的方式分割为多个大小与小图像a一致的小图像b，并对每个小图像b编号；编号后的每个小图像b分别对应与每个编号后训练好的小图像a的模型进行匹配度比对；并根据匹配度比对结果判别有无异色缺陷。


2.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤1）中，原始训练图像C为没有任何缺陷的标准印刷品彩色图像；所述的预处理为对彩色图像的非检测区域的前景进行前景灰度值置零处理。


3.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤2）中，对分割后的小图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。
<...

【专利技术属性】
技术研发人员：王岩松，和江镇，方志斌，韩飞，张奔，
申请(专利权)人：征图新视江苏科技股份有限公司，
类型：发明
国别省市：江苏;32