基于深度学习算法的钞票印刷质量检查方法技术

一种基于深度学习算法的钞票印刷质量检查方法，包括：通过缺陷分割模块对图像中的缺陷进行分割，从而将缺陷从背景图像中检出，得到缺陷二值图b；将缺陷二值图b输入到基于blob分析的缺陷判废模块中进行连通域分析，提取每个连通域的特征，并根据设定的条件进行缺陷判废，从而判断是误废还是实废；将实废图像传入实废图像识别分类模块中进行缺陷类型的识别和分类。本发明专利技术通过分割网络模型，对印刷缺陷进行检出，结合blob分析技术将机检废品分为好品和废品，有效减少成像不稳定等因素造成的大量误报；利用分类网络模型对废品图像进行计废，自动将废品划分到作废工序和多种作废类型中，能够有效减少人员配置，提升生产质量，降低生产成本。生产成本。生产成本。

【技术实现步骤摘要】
基于深度学习算法的钞票印刷质量检查方法


[0001]本专利技术涉及人工智能和缺陷检测识别领域，特别涉及一种基于深度学习算法的钞票印刷质量检查方法。

技术介绍

[0002]钞票在印刷过程中，由于印刷工艺和机械精度以及一些的随机因素的影响，会出现图案颜色深浅失真、油墨污点、漏印、刮伤、套印偏差等各种缺陷。目前，钞票印刷质量检测受成像条件、套印偏差等因素影响，存在大量误报，加之各工序作废类型多，印刷缺陷本身又形态复杂、位置多变，使用传统算法对缺陷的分类、分级效果不好，印钞企业需依赖大量有经验的检查工通过肉眼人工进行复核。

技术实现思路

[0003]本专利技术提供了一种基于深度学习算法的钞票印刷质量检查方法，以解决至少一个上述技术问题。
[0004]为解决上述问题，作为本专利技术的一个方面，提供了一种基于深度学习算法的钞票印刷质量检查方法，包括：
[0005]步骤1，通过缺陷分割模块对图像中的缺陷进行分割，从而将缺陷从背景图像中检出，得到缺陷二值图b；
[0006]步骤2，将所述缺陷二值图b输入到基于blob分析的缺陷判废模块中进行连通域分析，提取每个连通域的特征，并根据设定的条件进行缺陷判废，从而判断是误废还是实废；
[0007]步骤3，将实废图像传入实废图像识别分类模块中进行缺陷类型的识别和分类。
[0008]优选地，步骤1包括：如果背景图像中不存在缺陷，那么最终输出的缺陷二值图b就是一张全0的图，流程结束；如果背景图像中存在缺陷，那么该模块将分割出缺陷的区域，定位缺陷的信息，输出的二值图b在缺陷对应的位置像素为1，其他无缺陷区域像素为0。
[0009]优选地，所述缺陷分割模块通过以下步骤对图像中的缺陷进行分割：
[0010]步骤a1，数据收集：通过传统的检测系统收集不同机台、不同产品线的缺陷样本数据集；
[0011]步骤a2，数据清理和标注：对于收集到的数据，首先，需要剔除掉噪声数据，然后，对缺陷位置进行像素级的标注从而生成标签图像，并对每一张包含缺陷的样本进行增强变换处理以达到扩充样本数据集的目的；
[0012]步骤a3，构建网络模型并训练：用增强变换处理后的训练样本数据集训练已建立的深度学习模型，该模型包含卷积层和全连接层，可以用以下公式描述：
[0013]y＝f(x；θ)
[0014]y(u,v)＝p(x(u,v))
[0015]其中f表示建立的网络模型，x表示输入的带缺陷的图像，θ表示模型参数，y表示输出的概率图，(u,v)表示图像中的像素位置索引，p表示某个像素是缺陷的概率，那么p(x(u,
v))就表示像素(u,v)是缺陷的概率；
[0016]训练的过程可以看作是一个求解最优化问题的迭代过程，可以用以下公式表示：
[0017][0018]其中gt为步骤a2中的标签数图像；
[0019]通过训练学习最优参数θ，以建立训练样本数据集中缺陷像素与缺陷概率的关系，以在正向推理的过程中，通过最优参数θ计算出当前图像中每个像素是缺陷的概率，继而输出一张与输入图像同分辨率的概率图；
[0020]步骤a4，模型部署和后处理：将步骤a3中训练好的最优模型参数部署在现场检测的服务器上，输入带缺陷的图像，经过模型正向推理后，得到一张对应的缺陷概率图，随后通过设定的阈值t对概率图进行阈值化，得到最终的缺陷二值图b，该过程可以用如下公式描述：
[0021][0022]优选地，所述模型包含了36个卷积单元，6个反卷积单元，以及多个基本的连接单元；每个单元根据功能的不同，由卷积层、反卷积层、批归一化层、非线性激活层、全连接层、特征聚合层、池化层以不同的形式组合而成。
[0023]优选地，所述基于blob分析的缺陷判废模块通过下述步骤进行连通域分析：
[0024]步骤b1，分析缺陷blob块的相关信息：首先对b图进行连通域分析，提取每个连通域的相关信息以及blob块对应缺陷位置的相关信息，所述相关信息包括：面积、周长、质心；所述blob块对应缺陷位置的相关信息包括：能量、色彩分布、缺陷位置信息等，综合上述两个相关信息中的特征形成一个n维特征向量，其中blob块是指缺陷二值图b中像素为1的连通域；
[0025]步骤b2，根据现场情况和客户需求对特征向量中的数据进行条件设定：具体手段主要通过设定阈值来实现，上述过程可以针对特征向量中的每一个特征操作，最终将所有特征的条件综合起来进行判断，满足条件的即为实废，不满足条件的就判为误废。
[0026]优选地，所述步骤b2中，对特征向量中的面积特征进行阈值设定，大于t1表示满足条件1，处于t1与t2之间表示满足条件2，小于t2表示满足条件3，其中t2<t1。
[0027]优选地，所述实废图像识别分类模块根据下述步骤进行缺陷类型的识别和分类：
[0028]步骤c1，数据收集：采用与步骤a1相同的方法；
[0029]步骤c2，数据清理和标注：数据清理过程采用与步骤a2相同的方法，但是标注方法需要将图像中的缺陷通过位置框标识出来，然后设定相应的类别，每张图像标注完成后生成一个对应的文本文件，距离本张图像中的缺陷位置和类别信息；
[0030]步骤c3，构建分类网络模型并训练：用增强后的训练样本数据集训练已建立的深度学习模型，该模型包含卷积层和全连接层，可以用以下公式描述：
[0031]c＝g(x；ω)
[0032]其中，g表示建立的分类网络模型，x表示输入的带缺陷的图像，ω表示模型参数，c表示一个n维向量，其中：
[0033]n＝c1+c2
[0034]c1和c2分别表示计废类型总的类别数和缺陷类型总的类别数；
[0035]训练的过程可以看作是一个求解最优化问题的迭代过程，可以用以下公式表示：
[0036][0037]其中，c[i]和c[j]表示c向量的元素，pos表示当前图像的真实标签集合，neg表示其他非真实标签集合；
[0038]通过训练学习最优参数ω，以建立训练样本数据集中缺陷图像与工艺类别和缺陷类型之间的关系；
[0039]步骤c4，模型部署和后处理：将步骤c3中训练好的最优模型参数部署在现场检测的服务器上，输入带缺陷的图像，输出一个n维向量，取前c1维中最大元素的索引为工艺计废标签，剩下c2维中最大元素的索引为缺陷类型标签。
[0040]优选地，所述c2中的类别包括工序计废标签和缺陷类别标签，工序计废标签包括：凹印、胶印、丝印、白纸等；缺陷类别标签包括：脏、点、缺、浅、串色等。
[0041]优选地，所述c3中的模型包含了24个卷积单元，每个单元根据功能的不同，由卷积层，批归一化层，非线性激活层，全连接层，特征聚合层，池化层以不同的形式组合而成。
[0042]由于采用了上述技术方案，本专利技术可利用深度学习算法对钞票图像进行检测分析，一方面通过分割网络模型，对印刷缺陷进行检出，结合blob分析技术将机检废品分为好品和废品，有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的钞票印刷质量检查方法，其特征在于，包括：步骤1，通过缺陷分割模块对图像中的缺陷进行分割，从而将缺陷从背景图像中检出，得到缺陷二值图b；步骤2，将所述缺陷二值图b输入到基于blob分析的缺陷判废模块中进行连通域分析，提取每个连通域的特征，并根据设定的条件进行缺陷判废，从而判断是误废还是实废；步骤3，将实废图像传入实废图像识别分类模块中进行缺陷类型的识别和分类。2.根据权利要求1所述的基于深度学习算法的钞票印刷质量检查方法，其特征在于，步骤1包括：如果背景图像中不存在缺陷，那么最终输出的缺陷二值图b就是一张全0的图，流程结束；如果背景图像中存在缺陷，那么该模块将分割出缺陷的区域，定位缺陷的信息，输出的二值图b在缺陷对应的位置像素为1，其他无缺陷区域像素为0。3.根据权利要求1所述的基于深度学习算法的钞票印刷质量检查方法，其特征在于，所述缺陷分割模块通过以下步骤对图像中的缺陷进行分割：步骤a1，数据收集：通过传统的检测系统收集不同机台、不同产品线的缺陷样本数据集；步骤a2，数据清理和标注：对于收集到的数据，首先，需要剔除掉噪声数据，然后，对缺陷位置进行像素级的标注从而生成标签图像，并对每一张包含缺陷的样本进行增强变换处理以达到扩充样本数据集的目的；步骤a3，构建网络模型并训练：用增强变换处理后的训练样本数据集训练已建立的深度学习模型，该模型包含卷积层和全连接层，可以用以下公式描述：y＝f(x；θ)y(u,v)＝p(x(u,v))其中f表示建立的网络模型，x表示输入的带缺陷的图像，θ表示模型参数，y表示输出的概率图，(u,v)表示图像中的像素位置索引，p表示某个像素是缺陷的概率，那么p(x(u,v))就表示像素(u,v)是缺陷的概率；训练的过程可以看作是一个求解最优化问题的迭代过程，可以用以下公式表示：其中gt为步骤a2中的标签数图像；通过训练学习最优参数θ，以建立训练样本数据集中缺陷像素与缺陷概率的关系，以在正向推理的过程中，通过最优参数θ计算出当前图像中每个像素是缺陷的概率，继而输出一张与输入图像同分辨率的概率图；步骤a4，模型部署和后处理：将步骤a3中训练好的最优模型参数部署在现场检测的服务器上，输入带缺陷的图像，经过模型正向推理后，得到一张对应的缺陷概率图，随后通过设定的阈值t对概率图进行阈值化，得到最终的缺陷二值图b，该过程可以用如下公式描述：4.根据权利要求3所述的基于深度学习算法的钞票印刷质量检查方法，其特征在于，所述模型包含了36个卷积单元，6个反卷积单元，以及多个基本的连接单元；每个单元根据功
能的不同，由卷积层、反卷积层、批归一化层、非线性激活层、全连接层、特征聚合层、池化层以不同的形式组合而成。5.根据权利要求3或4所述的基于深度学习算法的钞票印刷质量检查方法，其特征在于，所述基于blob分析的缺陷判废模块通过下述步骤进行连通域分析：步骤b1，...

【专利技术属性】
技术研发人员：张绍兵，付茂栗，吴俊，张洋，王斌，夏小东，赵伟君，李腾蛟，祝文培，魏麟，王觅，
申请(专利权)人：深圳市中钞科信金融科技有限公司，
类型：发明
国别省市：