本发明专利技术实施例公开了一种结合机器视觉与深度学习技术的印刷品缺陷检测方法，包括步骤：对印刷制品表面图像高速在线采集，并实时传输至工控机等待检测处理；使用形态学算法对采集到的图像进行预处理，定位缺陷区域；提取缺陷区域图像输入到已经训练好的CRBM模型做深度学习，识别缺陷分类，最终输出识别结果完成印刷品缺陷识别。采用本发明专利技术，通过机器视觉的印刷品缺陷检测，实现印刷品表面套色检测、表面形状缺陷定位及特征提取、缺陷分类等功能，能够有效提高识别准确率及效率，降低误识别率，达到节省人力成本、提升生产效率、提升产品质量的目的。品质量的目的。品质量的目的。
【技术实现步骤摘要】
一种结合机器视觉与深度学习技术的印刷品缺陷检测方法
[0001]本专利技术涉及印刷
，尤其涉及一种结合机器视觉与深度学习技术的印刷品缺陷检测方法。
技术介绍
[0002]随着印刷行业的快速发展，人们对印刷品印刷质量的要求越来越高。由于印刷生产的工艺不成熟，受诸多不确定因素的影响，印刷过程中易出现表面形状缺陷，如：套色偏差、漏印、飞墨、墨点等，这是导致印刷品报废、成本增加的主要因素之一。
[0003]因此，印刷品的缺陷检测是印刷品生产与品质控制的必要环节。然而，目前大多数印刷外观都是人工检测，人工检测效率十分低下，检测质量也受到人为、环境等多干扰因素影响，导致了检测成本过高，检测精度无法得到有效保证，传统的人工检测印刷品质量的方法已不能保质保量的完成检测任务。
技术实现思路
[0004]本专利技术实施例所要解决的技术问题在于，提供一种结合机器视觉与深度学习技术的印刷品缺陷检测方法。可实现印刷品表面套色检测、表面形状缺陷定位及特征提取、缺陷分类等功能，能够有效提高识别准确率及效率，降低误识别率，达到节省人力成本、提升生产效率、提升产品质量的目的。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种结合机器视觉与深度学习技术的印刷品缺陷检测方法，包括以下步骤：
[0006]S1：对印刷制品表面图像高速在线采集，并实时传输至工控机等待检测处理；
[0007]S2：使用形态学算法对采集到的图像进行预处理，定位缺陷区域；
[0008]S3：提取缺陷区域图像输入到已经训练好的CRBM模型做深度学习，识别缺陷分类，最终输出识别结果完成印刷品缺陷识别。
[0009]其中，所述对印刷制品表面图像高速在线采集由印刷设备卷轴的编码器决定采集图像的幅度。
[0010]其中，所述形态学算法包括阈值分割、反灰度图像、膨胀腐蚀、傅里叶变换计算、反傅里叶变换计算、带通滤波处理方法。
[0011]其中，所述预处理的步骤包括：
[0012]S21：定位对齐待检图像与模板图像；
[0013]S22：作傅里叶变换计算得到频域图像；
[0014]S23：计算待检图像与模板图像频域图差异；
[0015]S24：将差图像作带通滤波去除噪声；
[0016]S25：再把去噪后图像作反傅里叶变换得到时域图像，即对应原图的缺陷图像。
[0017]所述傅里叶变换计算的公式如下：
[0018][0019]其中，所述训练好的CRBM模型的训练步骤包括：
[0020]S31：输入训练样本与参数；
[0021]S32：初始化CRBM模型，设置可视层；
[0022]S33：计算CRBM模型的隐藏层；
[0023]S34：对隐藏层进行采样；
[0024]S35：计算重构样本及误差；
[0025]S36：根据误差更新参数；
[0026]S37：判断CRBM模型的重构误差是否达到规定阈值，若达到规定值，则将训练得到的数据输入到池化层并输出结果；若达不到规定值，将重构样本设置为新可视层则并循环步骤S33、S34、S35、S36。
[0027]其中，所述步骤S31包括：采集不同类别缺陷图像和无缺陷图像,并做图片预处理作为训练样本,池化层常数为2,卷积核个数为4,卷积核大小为18x18。
[0028]其中，所述步骤S32包括设置可见层状态v
i
＝x
i
，连接权值W、可见层偏置、隐藏层偏置初始化为随机数。
[0029]其中，所述步骤S33的步骤包括使用以下公式进行计算：
[0030][0031]其中θ＝{Wij,ai,bj}为CRBM模型的参数；
[0032]从一个初始的状态(v,h)，通过交替计算P(v|h,θ)和P(h|v,θ),求出所有可见单元和隐藏单元的状态。
[0033]所述步骤S34的步骤包括：
[0034]利用Gibbs采样法对隐藏层采样，其公式为：
[0035]P(v
ij
＝1|h)＝σ((∑
k
W
k
*h
k
)
ij
+c)
[0036]所述步骤S36、S36的步骤包括：以训练的样本数据作为初始状态，经过一次Gibbs采样后获得的样本作重构，二者之间的差值作为重构误差，重构样本作新可视层，根据误差大小更新连接权值w、可见层偏置、隐藏层偏置。
[0037]实施本专利技术实施例，具有如下有益效果：本专利技术通过机器视觉的印刷品缺陷检测，实现印刷品表面套色检测、表面形状缺陷定位及特征提取、缺陷分类等功能，能够有效提高识别准确率及效率，降低误识别率，达到节省人力成本、提升生产效率、提升产品质量的目的。
附图说明
[0038]图1是本专利技术的检测流程图；
[0039]图2是预处理方法的流程示意图；
[0040]图3是模型训练方法。
具体实施方式
[0041]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。
[0042]本专利技术实施例的一种结合机器视觉与深度学习技术的印刷品缺陷检测方法，用于印刷制品套色偏差、漏印、飞墨、墨点等问题，其步骤包括如下：
[0043]1、使用工业相机与高速采集卡，对印刷制品表面图像高速在线采集。所采集到的图像经高速采集卡实时传输至工控机等待检测处理。
[0044]工业相机为线阵CCD工业相机，采集图像时需配合使用机器视觉专用光源，并由印刷设备卷轴的编码器决定采集图像幅度。
[0045]2、首先采用机器视觉技术的形态学算法对采集到的图片进行预处理，定位缺陷区域。
[0046]机器视觉技术形态学算法，具体包括阈值分割、反灰度图像、膨胀腐蚀、傅里叶变换计算、反傅里叶变换计算、带通滤波等图像处理算法。
[0047]预处理的具体步骤为：
[0048]S1.定位对齐待检图像与模板图像；
[0049]S2.作傅里叶变换计算得到频域图像；
[0050]S3.计算待检图像与模板图像频域图差异；
[0051]S4.将差图像作带通滤波去除噪声；
[0052]S5.再把去噪后图像作反傅里叶变换得到时域图像，即对应原图的缺陷图像。
[0053]傅里叶变换计算公式如下：
[0054][0055]其中，其中，M，N是表示矩阵大小的参数，在图像算法中相当于图像的长和宽；i是数学中代表虚部的字母，i2＝
‑
1；
[0056]F(m,n)是输出结果图像，f(k,l)是输入图像，m,n是输出图像坐标，k,l是输入图像坐标，m和k的取值范围均在0～M
‑
1间的整数，n,l的取值范围均在0～N
‑
1间的整数,即m＝0,1,2,
…
,M
‑
1；n＝0,1,2,
…...
【技术保护点】
【技术特征摘要】
1.一种结合机器视觉与深度学习技术的印刷品缺陷检测方法，其特征在于，包括以下步骤：S1：对印刷制品表面图像高速在线采集，并实时传输至工控机等待检测处理；所述对印刷制品表面图像高速在线采集由印刷设备卷轴的编码器决定采集图像的幅度；S2：使用形态学算法对采集到的图像进行预处理，定位缺陷区域；S3：提取缺陷区域图像输入到已经训练好的CRBM模型做深度学习，识别缺陷分类，最终输出识别结果完成印刷品缺陷识别。2.根据权利要求1所述的结合机器视觉与深度学习技术的印刷品缺陷检测方法，其特征在于，所述形态学算法包括阈值分割、反灰度图像、膨胀腐蚀、傅里叶变换计算、反傅里叶变换计算、带通滤波处理方法。3.根据权利要求2所述的结合机器视觉与深度学习技术的印刷品缺陷检测方法，其特征在于，所述预处理的步骤包括：S21：定位对齐待检图像与模板图像；S22：作傅里叶变换计算得到频域图像；S23：计算待检图像与模板图像频域图差异；S24：将差图像作带通滤波去除噪声；S25：再把去噪后图像作反傅里叶变换得到时域图像，即对应原图的缺陷图像。4.根据权利要求3所述的结合机器视觉与深度学习技术的印刷品缺陷检测方法，其特征在于，所述傅里叶变换计算的公式如下：其中，其中，M，N是表示矩阵大小的参数，在图像算法中相当于图像的长和宽；F(m,n)是输出结果图像，f(k,l)是输入图像，m,n是输出图像坐标，k,l是输入图像坐标，m和k的取值范围均在0～M
‑
1间的整数，n,l的取值范围均在0～N
‑
1间的整数,c和s均为常量。5.根据权利要求4所述的结合机器视觉与深度学习技术的印刷品缺陷检测方法，其特征在于，所述训练好的CRBM模型的训练步骤包括：S31：输入训练样本与参数；S32：初始化CRBM模型，设置可视层；S33：计算CRBM模型的隐藏层；S34：对隐藏层进行采样；S35：计算重构样本及误差；S36：根据误差更新参数；S37：判断CRBM模型的重构误差是否达到规定阈值，若达到规定值，则将训练得到的数据输入到池化层并输出结果；若达不到规定值，将重构样本设置为新可视层则并循环步骤S33、...
【专利技术属性】
技术研发人员：彭雄斌，杨时源，曾昭杰，
申请(专利权)人：广东山河实业有限公司，
类型：发明
国别省市：
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。