[发明专利]有价票据的缺陷分类方法及缺陷分类系统

说明书

本发明提供了一种有价票据的缺陷分类方法及有价票据的缺陷分类系统，其中，所述有价票据的缺陷分类方法，包括：根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。通过本发明的技术方案，使得分类精度得到了有效提高，计算速度也降到了可以接受的范围，提高了算法效率。

技术领域

本发明涉及有价票据技术领域，具体而言，涉及一种有价票据的缺陷分类方法和一种有价票据的缺陷分类系统。

背景技术

随着机器视觉技术的快速发展，在有价票据印刷行业中印刷检测已日趋自动化，但是由于受一些人为和环境因素的影响，有价票据在印刷过程中会产生各种缺陷。对产品缺陷的分类是整个过程中的重要部分，精确的缺陷分类有利于对提高检测能力，同时缺陷的精确分类能为前工序提供重要的反馈信息，帮助提升印刷质量。常用的分类方法包括：决策树，神经网络，朴素贝叶斯，SVM(Support Vector Machine，支持向量机)等。在实际应用中都具有各自的优缺点，比如：

一、决策树分类方法，优点：

1)决策树的构造不需要任何领域知识或参数设置，因此适合于探测式知识发现；

2)决策树可以处理高维数据，且处理速度相对较快；

3)决策树归纳的学习步骤简单快速；

缺点：

1)分类鲁棒性不强；

2)当类别太多时，错误可能就会增加的比较快；

二、神经网络，优点：

1)算法鲁棒，抗噪音数据，具有对未经训练的数据进行分析的能力；

2)可以处理离散、连续、向量等多种数据形式；

3)算法固有并行性，适用于并行计算加快计算过程；

缺点：

1)网络训练时间长；

2)网络模型缺乏可解释性，隐含层和权值中包含的信息难以理解；

3)由于sigmoid型的激励函数都存在饱和区，网络训练容易产生麻痹现象；

三、SVM使用非线性映射，将原始数据映射到更高维的空间，然后再高维空间中找到一个超平面原始数据被分离的最好，

其优点：

1)分类鲁棒性强；

2)具有很强的泛化和学习能；

3)能很好克服传统算法的维数空间和过学习问。

缺点：当数据量过大时，训练时间长。

在有价票据印刷品缺陷分类中分类准确和计算时间是考虑的两个重要因素。由于印刷产品多，需要分类处理疑似缺陷也随之增加，尤其在连续废的情况下，分类处理时间就至关重要。

因此，在缺陷分类算法设计中，分类精度如何可以得到提高，如何将计算速度降到可以接受的范围，成为目前亟待解决的技术问题。

发明内容

本发明正是基于上述问题，提出了一种新的有价票据的缺陷分类方案，使得分类精度得到了有效提高，计算速度也降到了可以接受的范围，提高了算法效率。

有鉴于此，本发明提出了一种有价票据的缺陷分类方法，包括：根据有价票据训练集中每个有价票据的缺陷特征，生成第一级子节点；计算每个所述第一级子节点的分割值，并根据所述分割值对所述缺陷特征进行分类；判断所有所述第一级子节点是否不可再分类，在判断结果为是时，分类完成。