[发明专利]一种基于卷积神经网络的喷码字符在线视觉检测方法

摘要

本发明提供了一种基于卷积神经网络的易拉罐罐底喷码字符在线视觉检测方法，包括离线状态下对图像中字符进行分割，并归类构建字符库，采用改进后的卷积神经网络学习法进行训练，形成稳定的分类器；在线检测中实时拍摄图片，分割字符，并用分类器进行分类，对存在瑕疵不合格的产品进行剔除；在保证实时性的同时极大的提高了检测精度，完全可以满足易拉罐罐底喷码字符在线检测过程高实时性、高准确性的要求。

主权项

一种基于卷积神经网络的喷码字符在线视觉检测方法，其特征在于，包括以下步骤：(1)对易拉罐罐底图像进行特定预处理操作，分割出单个的字符图像，并统一进行归类，建立字符库；(2)利用卷积神经网络学习方法训练字符，形成字符分类器，具体包括以下步骤：第一步、构建网络结构：构建的卷积神经网络采用7层结构，训练的初期对网络结构进行构建，对网络的权值采用不同的小随机数进行初始化，介于[‑1～1]范围内，偏置初始化置为0；第二步、前向传播阶段：1)输入层输入目标图像Y，以及对应的目标矢量d，卷积层由卷积核对输入图像依次进行卷积，并加上偏置，再通过非线性激励函数得到：其中，n代表层数，S代表n层的单元数，Wij是连接第i个输入图像和第j个输出图像的5*5大小的卷积，φj是第j个输出图像的阈值；f(*)为RELU函数：2)下采样的方式采用stochastic pooling采样，公式为：Yt＝∑j∈RtpjYj其中：Rt为抽样层的窗口大小，通常为2*2大小，Yj为采样窗口的元素值；3)对卷积、下采样后的特征图进行全连接操作，并计算网络层F6的实际输出Ok：其中，k为输出层单元数，θk为输出单元的阈值，l为M5的单元数，Vtk为连接全连接层和输出层的卷积，其中f(*)为softmax函数第三步、反向传播阶段：反向传播阶段采用梯度下降法对权值和阈值进行调整，统计总误差函数为：其中，M为输出样本个数；当E≤ε时，训练结束，将权值和阈值保存，这时网络结构各个参数已经稳定，分类器形成；(3)在线检测中实时拍摄图像，采用预处理操作分割字符，并用分类器进行识别。