[发明专利]基于深度学习的印刷品背景异色缺陷检测方法

说明书

本发明涉及一种基于深度学习的印刷品背景异色缺陷检测方法，包括：采集印刷品无缺陷图像，将采集到的图像进行前景灰度值置零处理，然后再将图像裁剪成M*N个K*K像素的子图像，收集一定数量的上述样本，作为训练样品集，建立深度学习网络，输入训练样品集，利用训练的深度学习网络对实际产品图像进行检测，根据各个小图匹配比率，生成M*N的二维矩阵，根据二维矩阵结果判断产品是否有无异色缺陷。本发明提高了异色缺陷的检出率，简化了深度学习训练流程。

技术领域

本发明涉及印刷品表面缺陷检测领域，尤其是一种采用深度学习对印刷品表面低对比度的异色缺陷进行检测的方法。

背景技术

印刷品表面在印刷过程中，受到操作以及工艺等原因的影响，容易造成印刷品出现一种低对比度、面积较大不同于印刷品表面颜色的缺陷，由于印刷品表面复杂前景的影响，此类缺陷不能够很好的进行检测。

现有技术中所采用的方式通常是对图像进行去噪处理后，图像进行二值化，分割得到前景和背景，然后进行连通区域分析，从而得到具体的特征区块；上述算法的核心在于找到“灰度突变”的区域，而背景异色这类缺陷与周围领域灰度值一般相差不大，图像在进行二值化时，较难分割出缺陷区域。

并且传统的机器视觉算法比较依赖光源成像，参数设置较为严格时，存在大量好品误检，参数较为宽松时，会造成大量缺陷漏检。

发明内容

本发明要解决的技术问题是：提供一种基于深度学习的印刷品背景异色缺陷检测方法，具有检出率高、误检率低等特点。

本发明解决其技术问题所采用的技术方案是：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a包含的R、G、B三个通道分别进行独立训练，然后对小图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。

进一步的说，本发明所述的步骤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。

进一步的说，本发明所述的步骤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。

进一步的说，本发明所述的步骤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：