[发明专利]一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法

说明书

本发明公开了一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法，步骤S1：将标签图片进行block分割处理；步骤S2：使用block块标签图片数据集对多重输入孪生卷积神经网络进行训练，得到训练好的多重输入孪生残差网络模型；步骤S3:使用经过训练的模型对缺陷标签进行识别和分类。采用本发明的技术方案，将block块标签数据集进行训练，确定缺陷所属的类别，再结合adaboost算法进行正确的分类，从而大大降低了缺陷标签识别的计算量和复杂度，同时也有效提高了缺陷标签识别分类的准确性。

技术领域

本发明涉及工业生产活动中检测识别领域的缺陷标签检测识别领域，尤其涉及一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法。

背景技术

随着社会的发展，现如今，市面上很多商品都带有标签，标签具有标记产品关键信息的作用，在人们的工作及生活中所发挥的作用越来越大，同时标签的质量问题也越来越受到人们的关注。然而，标签在生产过程中，由于受到生产工艺及机械精度等因素的影响，生产出来的标签经常会出现很多质量问题，如标签破损，印刷不良包括字符多印、少印、缺划、有划痕现象等；因此标签缺陷检测环节至关重要。同时由于缺陷标签种类繁多，缺陷标签的检测与分类也变的十分困难。当前缺陷标签检测识别主要有以下三种方法：

1.在工业生产中，生产流水线上的工人是通过人眼比对的方法检测标签的质量，并保留质量合格的标签，丢弃不合格的标签。

存在的问题是：人工检测标签质量的方法存在各种弊端，比如检测速度慢、精度低，成本高，而且长时间的人工检测极易造成人的疲劳。

2.基于差分处理的缺陷标签检测方法，准备参考标签，让待测标签对参考标签做差分处理，可以检测标签图片。

存在的问题是：准备的参考标签不合适，标签内容不同造成的误检，光照不均匀造成的误检等。

3.基于频率域处理的缺陷标签检测方法，利用缺陷信号频率较高的特征可以检测出缺陷标签。

存在的问题是：标签图片与缺陷信息频率相似的区域造成误检，对标签内容有要求等。

所以迫切需要开发一套用于工业生产线上的缺陷标签检测方法。该方法能对标签印刷内容进行自动检测以及精确识别缺陷标签位置和类别，同时还能对缺陷标签的种类进行自定义扩展，系统灵活性极高。

发明内容

有鉴于此，确有必要提供一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法，将block块标签数据集进行训练，确定缺陷所属的类别以及缺陷发生的位置，再结合adaboost算法进行正确的分类，从而大大降低了缺陷标签识别的计算量和复杂度，同时也有效提高了缺陷标签识别分类的准确性。在此基础上，我们可以自定义缺陷种类标签图片进行训练，该系统的灵活性和可扩展性比较好。

为了克服现有技术的缺陷，本发明的技术方案如下：

一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法，包括以下步骤：

步骤S1：将标签图片进行block分割处理；

步骤S2：使用block块标签图片数据集对多重输入孪生卷积神经网络进行训练，得到训练好的多重输入孪生残差网络模型；

步骤S3：使用经过训练的网络模型对缺陷标签进行识别和分类。

其中，所述S1进一步包括：

步骤S11：获取标签图片数据集，并进行block切割处理；

步骤S12：将切割后的标签图片block块存储于block块标签图片数据库中；

所述步骤S11进一步包括：