[发明专利]一种基于多级特征比对的令纸缺陷检测方法

说明书

本发明涉及图像处理及令纸缺陷检测技术领域，特别地涉及一种基于多级特征比对的令纸缺陷检测方法，包括：步骤S1、训练特征提取模型：基于正常令纸样本图像并采用自编码器的方式对令纸样本图像的特征提取模型进行训练；步骤S2、建立多级特征字典：采用训练好的特征提取模型对大量正常令纸样本图像进行多级特征提取，获得各级特征向量，建立正常令纸样本图像的多级特征字典；步骤S3、令纸缺陷检测判定：应用特征提取模型提取待测令纸图像的多级特征向量并转变成特征码，比对待测令纸的多级特征码与多级特征字典中的特征码的欧氏距离，求出各个距离值后由缺陷判定模块来判断是否为有缺陷令纸，完成令纸的缺陷检测。

技术领域

本发明涉及图像处理及令纸缺陷检测技术领域，特别地涉及一种基于多级特征比对的令纸缺陷检测方法。

背景技术

所述令纸(Ream Paper)在造纸工业中是指一定数量单位完全相同的纸页，一般以500张完全相同的纸页为一令纸，即成令的纸张。例如在办公用纸上，普通的A4打印纸一包纸一般为500页装。令纸在造纸企业自动化生产流水线上都需要经过质检筛选，将有缺陷的令纸产品剔除出生产流水线队列并让合格的正常令纸进入下一步包装工序。

大型造纸企业的机械化和自动信息化生产水平在日益提高，但是令纸生产过程中由于来料、刀具、流水线各环节以及生产环境等一系列因素的影响会出现各种各样的缺陷，如：脏污、折皱、凸出、参差不齐、死纹、毛边等。这些缺陷的存在降低了纸品出厂的品质，对此造纸企业一般采用人工检查的方式来进行品质管理。但人工检查的方式抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，且工作重复、现场嘈杂、人员容易疲劳，无法对良品率做出有效统计，给信息化生产管理工作也带来很大的不便，检查的效果并不理想。

为了解决这个问题，部分造纸企业引入了令纸视觉检测系统，拍摄流水线上令纸的实时图像并进行一系列的图像处理操作(如：边缘检测、投影、阈值分割、纹理比对等)，从而找出有缺陷的令纸。但由于缺陷类别众多且表现各异，算法很难适应各种例外，以致较难达到实用的效果。除了上述传统的令纸视觉处理方式，基于神经网络的深度学习分类方法也在推广使用。由于令纸缺陷检测过程中缺陷的表现形式各种各样，缺陷大小尺度上跨度较大，要求分类模型具备较高的复杂度才能确保有能力进行区分，因此需要大量的令纸缺陷样本图像来进行模型训练。但工厂缺少有缺陷的令纸样本图像，需要耗费时间和精力来收集。在费时费力收集到大量令纸样本图像后仍然需要耗费更多的人力来进行令纸缺陷图像筛选和标注，另外，模型训练还涉及反复调参调优过程。这一系列困难也导致基于深度学习分类模型的令纸缺陷检测项目难以落地。

发明内容

针对上述问题，本发明提出了一种基于多级特征比对的令纸缺陷检测方法。本发明的技术方案同样基于深度学习模型，但是为了避免对大量令纸标注图像的依赖，通过采用品质合格的正常令纸样本图像来进行训练，让模型学习得到正常令纸样本图像的特征，考虑到正常令纸样本图像的表现也有一定的多样性，在技术方案中专门设定了正常令纸样本图像的多级特征码字典。

在具体检测时，待检测令纸图像通过特征提取模型提取得到的特征码与正常令纸样本图像的特征字典中的特征码进行比对，判断欧氏距离值，差异大的就是有缺陷令纸。

另外，深度学习模型中随着数据由网络低层向网络高层传递，特征平面不断缩小，所包含的信息也不断抽象，高层的特征包含更多全局信息，而低层的特征包含更多的局部细节信息，以致小尺度对象的特征信息不太容易在网络高层中表现出来。因此，考虑到令纸缺陷大小的尺度跨度较大，本发明技术方案中采用了多级特征提取和比对的方式。令纸中较大的缺陷通过高层的特征信息来检测发现；中等大小的缺陷通过中层特征信息来检测发现；较小的缺陷通过低层特征信息来检测发现，大、中、小缺陷兼顾，进而综合判断，因此需要建立正常令纸样本图像的多级特征码字典。

为实现上述目的，本发明提供的一种基于多级特征比对的令纸缺陷检测方法，具体包括以下的实施步骤：