[发明专利]一种标签质量检测方法及装置

说明书

本发明公开了一种标签质量检测方法及装置，该方法包括以下步骤：通过图像采集装置获取标签图片，并根据所述标签图片获得样本数据；对深度置信网络参数初始化赋值；对深度置信网络进行学习训练获得检测模型；将图像采集装置实时获得的测试数据输入检测模型得到检测结果。本发明代替了现有技术中的人工检测标签获得标签质量是否合格的结果，不仅节省了人力，而且检测精度高。

技术领域

本发明涉及计算机技术领域，特别涉及一种基于深度置信网络的标签质量检测方法及装置。

背景技术

深度置信网络(英文：Restricted Boltzmann Machine,RBM)是一种可通过输入数据集学习概率分布的随机生成神经网络。

BM的原理起源于统计物理学，是一种基于能量函数的建模方法，能够描述变量之间的高阶相互作用，BM的学习算法较复杂，但所建模型和学习算法有比较完备的物理解释和严格的数理统计理论作基础。BM是一种对称耦合的随机反馈型二值单元神经网络，由可见层和多个隐层组成，网络节点分为可见单元(visible unit)和隐单元(hidden unit)，用可见单元和隐单元来表达随机网络与随机环境的学习模型，通过权值表达单元之间的相关性。

生活中，许多产品都贴有标签，但是许多产品的标签成品都不合格，需要筛选，而现有技术中一般通过人工筛选，即浪费人力，工作效率又低。

发明内容

本发明要解决的技术问题是提供一种基于深度置信网络的标签质量检测方法及装置，以解决现有技术中人工检测满效率低的问题。

为了解决上述技术问题，本发明的技术方案为：

一种标签质量检测方法，包括以下步骤：

步骤1、通过图像采集装置获取标签图片，并根据所述标签图片获得样本数据，

所述样本数据包括标签的边长、标签上的图形和图形的位置，

所述深度置信网络为六层，前五层由五个受限玻尔兹曼机模型堆叠构成，第六层为BP 网络，前五层用于训练提取特征，第六层用于微调获得检测模型；

步骤2、对深度置信网络参数初始化赋值；

步骤3、对深度置信网络进行学习训练获得检测模型；

步骤4、将图像采集装置实时获得的测试数据输入检测模型得到检测结果，所述检测结果包括合格和不合格。

可选的：所述对深度置信网络参数初始化赋值包括以下步骤：

设置深度置信网络输入层节点个数为样本数据个数；

设置深度置信网络输出层节点个数为检测结果个数，

设置BP网络的输入层节点个数为样本数个数与提取的特征的个数之和；

设置每层受限玻尔兹曼机模型的隐藏层节点个数为100，

设置深度置信网络输入层初始状态为随机最小值；

设置训练精度和训练次数。

可选的：对深度置信网络进行学习训练获得检测模型具体包括以下步骤：

步骤301、将深度置信网络输入层作为第一层受限玻尔兹曼机模型的可视层，训练第一层受限玻尔兹曼机模型，获得第一层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；

步骤302、以第一层受限玻尔兹曼机模型的隐藏层作为第二层受限玻尔兹曼机模型的可视层，训练训练第二层受限玻尔兹曼机模型，获得第二层受限玻尔兹曼机的隐藏层和可视层之间的最优映射；