[发明专利]一种基于深度学习的印刷质量分类方法

说明书

本发明涉及一种基于深度学习的印刷质量分类方法，基于深度学习的网络模型根据样本集进行训练及优化，进行缺陷小图质量分类。将预先训练好的VGGNet‑16网络模型的前三组卷积层的参数固定，用缺陷小图数据集对VGGNet‑16网络模型的其余部分进行参数的微调。将VGGNet‑16网络模型的全连接层里面的Dropout层换成批标准化层。采用指数衰减法设置VGGNet‑16网络模型的学习率；在VGGNet‑16网络模型的损失函数中加入刻画模型复杂度的指标，训练VGGNet‑16网络模型时加入滑动平均模型。本发明采用深度学习方法实现印刷质量的分类，解决了部分缺陷类别由于样本量少而导致分类准确率差的问题。

技术领域

本发明涉及印刷质量分类技术领域，尤其是一种基于深度学习的印刷质量分类方法。

背景技术

印刷品生产过程中的各种不确定因素，极易导致表面出现缺陷和瑕疵。而近年来，我国包装印刷品种类不断丰富，同时质量也得到了较大提高，传统缺陷分类方法灵活性及单一适用性的缺点逐渐浮出水面，尤其以样本量少的缺陷类别分类最难获得理想检出效果。

传统的基于对比的缺陷检测算法检出结果并不能将印刷质量问题定位到工艺环节，所以后续仍然需要对其检测出来的缺陷小图根据工艺进行进一步的分类，但是由于工艺缺陷类别的多样性与部分缺陷类别样本少导致分类难以有较高准确率，严重影响对缺陷进行追根溯源。

传统的印刷质量的分类成本较高，如果模型中有几个隐藏层，再添加一个层将消耗大量的计算资源，此外还需要大量的数据的支撑，通过从数据中获得重要信息，从而转化成相应的权重，对于那些样本量少的缺陷类别分类效果会很差。

由于样本分布不均匀，传统分类算法进行印刷质量分类，对样本量少的缺陷类别分类效果一般；此外，由于样本的多样性，从头训练会花费大量的时间和计算资源使得效率低下。较高的时间成本和运算成本，严重影响印刷质量的分类。

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质量分类方法。

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质量分类方法，所述方法包括有如下步骤：收集需进行印刷质量分类的样本形成样本集，基于深度学习的网络模型根据样本集进行训练及优化得到质量分类模型，利用质量分类模型进行缺陷小图质量分类。

更为具体地，其中，基于深度学习的网络模型根据样本集进行训练及优化得到质量分类模型的方法包括有：采用在ImageNet数据集上预先训练好的VGGNet-16网络模型，VGGNet-16网络模型根据样本集进行训练及优化得到质量分类模型，

更为具体地，其中，VGGNet-16网络模型根据样本集进行训练及优化的方法包括有：将预先训练好的VGGNet-16网络模型的前三组卷积层的参数固定，然后用缺陷小图数据集对VGGNet-16网络模型的其余部分进行参数的微调。

更为具体地，其中，VGGNet-16网络模型根据样本集进行训练及优化的方法包括有：将VGGNet-16网络模型的全连接层里面的Dropout层换成批标准化层。

更为具体地，其中，VGGNet-16网络模型根据样本集进行训练及优化的方法包括有：采用指数衰减法设置VGGNet-16网络模型的学习率；在VGGNet-16网络模型的损失函数中加入刻画模型复杂度的指标，来防止损失函数因为过拟合而导致太小；在使用小批次梯度下降算法训练VGGNet-16网络模型时加入滑动平均模型提高最终得到的质量分类模型在测试数据上的精度。