[发明专利]一种基于孪生网络的标签缺陷检测算法

说明书

本发明公开了一种基于孪生网络的标签缺陷检测算法，步骤S1：训练集和测试集的获取；步骤S2：网络搭建和训练；步骤S3：测试集验证。采用本发明的技术方案，搭建孪生网络标签缺陷检测系统，投入获取到标签数据集进行训练，再采用softmax进行分类，只需要训练几种类型的标签，测试时即使待测标签类型不在训练集中，一样可以进行缺陷检测，能有效减少准备工作工作量，提高检测效率以及降低成本。

技术领域

本发明涉及标签制造技术领域，特别涉及一种基于孪生网络的标签缺损检测算法，可用于提高对标签的管理。

背景技术

作为产品信息的载体，商品标签包含大量信息，在产品管理中扮演重要角色。但是，商品标签会存在打印缺陷，缺号，漏号，断号，破损等问题，这将对产品管理产生巨大影响。市场流通标签数以亿计，标签质量事关重大，在标签流入市场前，进行质量检测极有必要。

目前，对标签的检测多采用人工检测，明显存在效率，准确率不高等缺陷；市场已有质检仪，臃肿巨大，价格昂贵，维护难度大，只支持离线检测；流行的OCR方案，追求全面普适性，效率和精度难免不高。而目前以摄像头为图像采集设备，识别条形码二维码以及字符，以实现对动态标签的检测的方案主要是模板匹配、背景差分、频率域分析，但是模板匹配无法应对旋转和缩放问题，且待检测标签需与其正确标签完全对齐，对网络要求高；而背景差分对于背景模板的样本要和训练标签一一匹配，训练样本较为复杂，其同模板匹配一样，待检测标签的正确标签模板需存在于训练库中；基于频率域分析的方法，存在着当正常图像与缺陷频率相近时容易产生误检的问题。

发明内容

本发明针对传统的图像处理技术的缺点，设计了一种基于孪生网络的标签缺损检测算法，以提高标签检测的训练数据问题。

实现本发明的技术方案如下：

一种基于孪生网络的标签缺陷检测算法，包括以下步骤：

步骤S1：获取标签数据集，其中，训练集包含各种标签缺损种类，并划分为训练集、验证集和测试集；

步骤S2：搭建孪生网络并用训练集数据训练该孪生网络；

步骤S3：测试集验证训练好的孪生网络，并通过使用不同类型字符模拟不同类型标签；

其中，所述步骤S1进一步包括：

步骤S11：搜集标签，截取字符区域，得到无污损和有污损图片N张，用来作为模拟标签；取模拟标签中N₁张作为验证集，N₂张作为测试集，N₃张作为训练集，其中，N₁+N₂+N₃＝N，且三种数据集中，正常标签和M种缺陷标签数量服从均匀分布；

步骤S12：将训练集中的图片转换为tfrecord格式，同时为有无污损的图片贴上相应“label”，以便于确定代价函数计算公式的y值；之后对训练集打乱顺序制作batch，以便实现分批训练；

所述步骤S2进一步包括：

步骤S21：孪生网络搭建，采用2个卷积神经网络模型VGG16网络作为卷积神经网络框架，其中每个VGG16模型包括5个卷积段，13个卷积层，5个最大化池化层，3个全连接层；使用3*3卷积核提取特征；

输入n对大小为224×224的图像到两个共享权值的VGG16模型，输出两个1000维特征f₁、f₂，分别用于预测输入图像的行人身份受识别标签d，再用平方层来比较高维特征f₁、f₂，使其共同预测验证标签s；