[发明专利]一种机器视觉中印刷品缺陷自动分类方法

权利要求书

1.一种机器视觉中印刷品缺陷自动分类方法，其特征在于，具体按照以下步骤实施：

步骤1、定义印刷品缺陷类型，将印刷品缺陷分类为暗缺陷、亮缺陷、刀丝和偏色四类；

步骤2、采集步骤1所述四类缺陷样本图像，并进行预处理以获得对应的形态特征图像，对缺陷样本及其对应的形态特征图像进行标记；

步骤3、设计适合印刷缺陷分类的卷积神经网络模型；

步骤4、优化选择合适的训练参数和训练策略，训练步骤3所设计的卷积神经网络模型；

步骤5、对于待分类的印刷缺陷图像，提取其形态特征图像，连同缺陷图像一起作为输入图像，应用步骤4训练好的模型进行分类，以确定其属于暗缺陷、亮缺陷、刀丝和偏色中的哪一类型。

2.根据权利要求1所述的一种机器视觉中印刷品缺陷自动分类方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、计算检测到的缺陷的缺陷中心点，然后以该中心点为中心，裁切出128×128大小的图像作为缺陷样本图像；

步骤2.2、将检测到缺陷的图像，和检测系统中的标准图像配准对齐，进行差分，求取差分后图像中的缺陷中心点，以该中心点为中心，在差分图像中裁切出128×128大小的图像作为该缺陷样本图像对应的形态特征图像；

步骤2.3、人工标记出每个缺陷样本图像及其对应的形态特征图像的缺陷的种类。

3.根据权利要求1所述的一种机器视觉中印刷品缺陷自动分类方法，其特征在于，所述步骤3卷积神经网络模型包括输入层、6个卷积层、2个全连接层及分类层。

4.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法，其特征在于，所述输入层为128×128大小的缺陷图像及其对应的形态特征图像。

5.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法，其特征在于，所述6个卷积层具体如下：

C1层：32个卷积核，每个卷积核大小为5×5，步幅为1，Padding方式为SAME，卷积之后进行批处理归一化，然后使用ReLu激活函数，最后采用步幅为2、大小为2×2的最大池化，形成32个64×64的特征图；

C2层：64个卷积核，每个卷积核大小为5×5，步幅为1，Padding方式为SAME，卷积之后进行批处理归一化，然后使用ReLu激活函数，最后采用步幅为2、大小为2×2的最大池化，形成64个32×32的特征图；

C3层：128个卷积核，每个卷积核大小为5×5，步幅为1，Padding方式为SAME，卷积之后进行批处理归一化，然后使用ReLu激活函数，最后采用步幅为2、大小为2×2的最大池化，形成128个16×16的特征图；

C4层：256个卷积核，每个卷积核大小为5×5，步幅为1，Padding方式为SAME，卷积之后进行批处理归一化，然后使用ReLu激活函数，最后采用步幅为2、大小为2×2的最大池化，形成256个8×8的特征图；

C5层：512个卷积核，每个卷积核大小为5×5，步幅为1，Padding方式为SAME，卷积之后进行批处理归一化，然后使用ReLu激活函数，最后采用步幅为2、大小为2×2的最大池化，形成512个4×4的特征图；

C6层：1024个卷积核，每个卷积核大小为3×3，步幅为1，Padding方式为SAME，卷积之后进行批处理归一化，然后使用ReLu激活函数，最后采用步幅为2、大小为2×2的最大池化，形成1024个2×2的特征图。

6.根据权利要求3所述的一种机器视觉中印刷品缺陷自动分类方法，其特征在于，所述2个全连接层具体如下：

F1层：全连接层，该层神经元个数为4096个，紧接着进行批处理归一化，并使用ReLu激活函数；

F2层：全连接层，该层神经元个数为128个，紧接着进行批处理归一化，并使用ReLu激活函数。