【技术实现步骤摘要】
印版缺陷分级分类模型训练方法及印版缺陷分级分类方法
[0001]本专利技术涉及机器视觉检测
,具体涉及一种印版缺陷分级分类模型训练方法及印版缺陷分级分类方法。
技术介绍
[0002]在钞券制版机器视觉检测领域,现有的凹印版机器视觉检测采用的是利用相机与光源组成的成像系统,对凹印版图纹图像进行采集,建模,对比的检测方法,根据差异程度和面积大小参数,区分正常图纹与异常缺陷,但是会因为图纹的复杂情况,产生大量的误报,而此类误报难以通过传统算法进行识别和过滤,因此在生产中,手工人员需要消耗大量时间对检测结果进行人工识别与判级,难以提升工作效率。
[0003]在机器视觉领域,深度学习技术源于人工神经网络的研究,相比较于传统的机器视觉需要人工手动提取特征,深度神经网络技术可以有效自动识别图像特征,通过卷积分解处理图像,从图像中提取不同层次的概念,根据目标图像纹理,梯度,抽象概念等,自动建立图像的抽象特征模型,通过模型可以实现对图像进行准确分类,相较传统机器视觉方法,明显提升检测准确率,同时由于机检可以积累大量的数据,可以为深度学习模型提供样本,充分满足使用深度学习技术的条件。
[0004]通过将深度学习的图像分级分类技术与传统机器视觉缺陷检测技术相结合,可以有效弥补传统机器视觉缺陷检测技术的不足,因此基于深度学习的钞券凹印版在线检测分类分级方法是非常必要的。
技术实现思路
[0005]因此,本专利技术要解决的技术问题在于克服现有技术中的对印版检测结果进行人工识别与判级效率较低的缺陷,从而提供 ...
【技术保护点】
【技术特征摘要】
1.一种印版缺陷分级分类模型训练方法,其特征在于,包括:利用传统机器视觉检测方法获取待检测凹印版的缺陷数据,所述缺陷数据中包括所述待检测凹印版的缺陷图片、残点图片、高模板图片、低模板图片、缺陷信息文本文件;对所述缺陷数据进行分级标注和分类标注,形成训练集;将所述训练集中的缺陷图片分别与高模板图片、低模板图片做差,得到第一模板差分图和第二模板差分图;将所述第一模板差分图、第二模板差分图,以及训练集中的残点图片、高模板图片、低模板图片分别输入至分级深度学习网络模型和分类深度学习网络模型中,对所述分级深度学习网络模型和所述分类深度学习网络模型分别进行训练,直至分级模型损失函数的模型损失值小于分级损失阈值,且所述分级深度学习网络模型的准确率和召回率满足分级模型性能指标,得到印版缺陷分级模型,分类模型损失函数的模型损失值小于分类损失阈值,且所述分类深度学习网络模型的准确率和召回率满足分类模型性能指标,得到印版缺陷分类模型。2.根据权利要求1所述的印版缺陷分级分类模型训练方法,其特征在于,所述缺陷信息文本文件中包括缺陷大小、位置、平均灰度、缺陷形状。3.根据权利要求1所述的印版缺陷分级分类模型训练方法,其特征在于,对所述缺陷数据进行分级标注和分类标注,形成训练集,包括:对所述缺陷数据中的缺陷图片、残点图片、高模板图片、低模板图片和缺陷信息文本文件进行缺陷级别的数据样本标记,得到分级数据文件夹;对所述分级数据文件夹中的数据进行分类,得到多个分级分类文件夹,所述分级分类文件夹的文件夹名称用于标记训练数据的级别和种类。4.根据权利要求1所述的印版缺陷分级分类模型训练方法,其特征在于,所述分级深度学习网络模型,和/或,所述分类深度学习网络模型包括依次连接的独立卷积层、最大池化层、残差网络、平均池化层、全连接输出层,其中,所述残差网络中包括四种不同类型的卷积残差模块。5.根据权利要求4所述的印版缺陷分级分类模型训练方法,其特征在于,所述独立卷积层中包括64个大小为7
×
7、步长为2的卷积核,所述独立卷积层输出的大小为128
×
128,将所述第一模板差分图、第二模板差分图,以及训练集中的残点图片、高模板图片、低模板图片转化为tensor格式的五通道数据,输入所述独立卷积层中。6.根据权利要求4所述的印版缺陷分级分类模型训练方法,其特征在于,所述最大池化层的池化窗口为3
×
3;所述最大池化层的步长为2。7.根据权利要求4所述的印版缺陷分级分类模型训练方法,其特征在于,残差网络中包括的四种卷积残差模块分别为:2个conv2_x类型的卷积残差模块、2个conv3_x类型的卷积残差模块、2个conv4_x类型的卷积残差模块和2个conv5_x类型的卷积残差模块;各所述卷积残差模块由2个卷积层和跨越所述卷积层的连接组成;conv2_x类型的卷积残差模块包含...
【专利技术属性】
技术研发人员:张鹤锐,王觅,张临垣,孟繁耀,臧威,夏小东,
申请(专利权)人:中国印钞造币集团有限公司,
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。