[发明专利]一种基于神经网络的瓦楞纸检测算法

说明书

本发明涉及一种基于神经网络的瓦楞纸检测算法。主要解决了现有的识别算法受光照变化以及瓦型变化影响大、算法识别稳定性差的问题。一种基于神经网络的瓦楞纸检测算法，包括如下步骤：步骤一、获取瓦楞纸图片；步骤二、搭建神经网络结构；步骤三、采集、标记瓦楞纸图片；步骤四、训练神经网络；步骤五、滑动检测整幅瓦楞；步骤六、拟合瓦楞位置；步骤七、进行计数。该基于神经网络的瓦楞纸检测算法受光照变化以及瓦型变化影响小、算法识别稳定性高。

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于神经网络的瓦楞纸检测算法。

背景技术

瓦楞纸板是一个多层的黏合体，它最少由一层波浪形芯纸夹层(俗称“坑张”、“瓦楞纸”、“瓦楞芯纸”、“瓦楞纸芯”、“瓦楞原纸”)及一层纸板(又称“箱板纸”、“箱纸板”)构成。具有良好的抗压强度和防震性能，能承受一定的压力、冲击和振动；重量轻，价格便宜，可以大规模生产多种尺寸，使用前储存空间很小，并能印刷各种图案，因此在制成品包装运输上得到广泛运用。

大规模生产中需对瓦楞纸板进行计数工作，但人工进行计数方法需要耗费大量时间，而且随着工作时间的增加，人工可能会因疲劳等产生计数误差。

计算机视觉识别是基于图像处理计数对瓦楞纸中纸板信息进行提取，但现有瓦楞纸识别算法主要有如下问题：传统的识别算法受光照变化以及瓦型变化影响较大，算法识别稳定性较差。

发明内容

为了克服背景技术的不足，本发明提供一种基于神经网络的瓦楞纸检测算法，主要解决了现有的识别算法受光照变化以及瓦型变化影响大、算法识别稳定性差的问题。

本发明所采用的技术方案是：一种基于神经网络的瓦楞纸检测算法，包括如下步骤：

步骤一、获取瓦楞纸图片：使用单通道黑白相机获取瓦楞纸灰度图片；

步骤二、搭建神经网络结构：使用开源的深度学习框架TensorFlow搭建用于训练分类的神经网络；

步骤三、采集、标记瓦楞纸图片：从步骤一中得到的瓦楞纸灰度图片截取正负样本，其中正样本为双层瓦楞纸中心交叉处图片，包括不同曝光时间以及采集频率下的图片等；负样本主要包括非双层瓦楞纸中心交叉处图片，包括自然背景、两张瓦楞间隙图片、瓦楞孔洞等，采集完成图片后，对样本进行分类标记；

步骤四、训练神经网络；

步骤五、滑动检测整幅瓦楞：使用滑动窗口的方法扫描整幅图片，并使用训练好的神经网络对实际的瓦楞纸图片进行检测，得到整幅图片的瓦楞信息；

步骤六、拟合瓦楞位置：利用步骤五得到的瓦楞信息拟合出每行瓦楞的位置；

步骤七、进行计数：依次对步骤六得到瓦楞纸每行的位置进行计数，得到瓦楞纸行数。

所述步骤二、搭建神经网络结构，具体实现方式为：

神经网络共有7层，包括卷积和池化层，全连接层，其中卷积和池化层共5层，全连接层共2层；各层使用的卷积核参数信息如下：

卷积和池化层1：核大小11*11,数目96个，步长4；

卷积和池化层2：核大小5*5,数目256个，步长1；

卷积和池化层3：核大小3*3,数目384个，步长1；

卷积和池化层4：核大小3*3,数目384个，步长1；

卷积和池化层5：核大小3*3,数目256个，步长4；

全连接层1：输出数目4096；

全连接层2：输出数目2；

随后再连接一个2分类的SoftMax分类器用于分类。