[发明专利]基于深度学习的印刷品背景异色缺陷检测方法

权利要求书

1.一种基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：包括以下步骤：

1）收集原始训练图像C，并进行预处理，得到图像A；

2）对预处理后的图像A进行分割处理，得到小图像a，并对每个小图像a进行编号；

3）将上述编号处理好的每一个小图像a分别放入到深度学习网络中进行训练，具体为：

A、采用多个受限玻尔兹曼机RBM对分割后的小图像a包含的R、G、B三个通道分别进行独立训练，然后对小图像a的R、G、B三个通道分别进行特征提取；

B、无监督训练每层RBM，得到每个RBM分层的前向权值和后向权值，然后通过BP算法微调，对深度学习网络的参数不断进行调整，使模型收敛到局部最优点，完成卷积神经网络的训练；

4）将采集到的实际产品图像B以步骤2）中同样的方式分割为多个大小与小图像a一致的小图像b，并对每个小图像b编号；编号后的每个小图像b分别对应与每个编号后训练好的小图像a的模型进行匹配度比对；并根据匹配度比对结果判别有无异色缺陷。

2.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤1）中，原始训练图像C为没有任何缺陷的标准印刷品彩色图像；所述的预处理为对彩色图像的非检测区域的前景进行前景灰度值置零处理。

3.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤2）中，对分割后的小图像a按照其在图像A中的相对位置，按照从上到下、从左到右的次序进行编号。

4.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤3）中的训练步骤包括：

A、初始化小图像a的状态为，其中是可视层的样本的状态向量，M为小图像a的数目；

B、基于已知可视层的情况，根据隐含层的条件概率函数计算隐藏单元的状态分布，从条件分布中抽取；

C、基于隐含层的状态，根据可视层的条件概率函数计算可视单元的状态分布，从条件分布中抽取；

D、计算隐藏单元的状态分布函数；

E、依据可视层和隐含层重构前后的状态对参数进行更新，各个参数更新公式如下：

其中，受限玻尔兹曼机RBM的模型参数为： ，为sigmoid函数；

为学习率，表示原始输入数据的分布，表示重构后模型定义的一个分布，Δw 、Δa、Δb分别为更新后的模型参数。

5.如权利要求1所述的基于深度学习的印刷品背景异色缺陷检测方法，其特征在于：所述的步骤4）中，匹配度比对包括以下步骤：

A、利用训练好的深度学习网络检测实际产品，得到属于正常产品和异色产品的比率，设定当比率小于40%为异色缺陷，进而判断图像B中的每个小图b是否存在异色缺陷，1表示当前小图像b存在异色缺陷，0表示当前小图像b为正常产品，然后输出M*N的二维矩阵，其中M表示横向小图的个数，N表示纵向小图的个数；

B、根据M*N二位矩阵是否存在元素1，存在则表示有异色缺陷产品，反之为正常产品。