论文部分内容阅读
随着社会经济的不断发展,人们对商品的成分、产地、生产日期及有效期等信息格外关注,而记录这些重要信息的正是商品的标签。标签在印刷过程中,受到各种因素的影响,导致一些质量问题,如多印、少印等引起的点缺陷、线缺陷、面缺陷。因此,标签质量检测显得尤为重要。本文根据实际使用需求,开发了一套基于改进的AlexNet标签缺陷检测系统。该系统能有效避免由人工主观因素导致的错检、漏检等问题,提高了检出率,达到保证标签质量的目的。1)研究了卷积神经网络和Caffe深度学习框架等标签缺陷检测的基本理论。在此基础上,结合检测需求给出了标签缺陷检测系统的总体设计方案,主要包括需求分析、技术路线实现、硬件设备的研究、软件模块设计等。2)在研究主成分分析法(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)的基础上,提出了基于PCA-SVM的标签缺陷检测算法。通过对数据集进行归一化处理,并将其输入到模型中训练获取最优化参数,从而完成检测模型的构建。实验结果表明,该算法无需进行图像的预处理和复杂模板的制作,实现方法简单,适应性强。3)为满足更高识别准确率和识别效率的要求,在卷积神经网络基础上,提出了Caffe框架下改进的AlexNet模型。在Linux系统中使用C++语言搭建改进前后的网络模型,对其识别准确率和识别效率进行比较分析。得出改进后的算法模型识别准确率更高,且模型在训练过程中使用原始图像数据,增强数据的科学与客观性,提高模型的泛化能力,使得应用简单,更能满足实际需求。4)基于Visual Studio 2015开发平台及OpenCV视觉库开发了检测系统的软件,然后在搭建的实验室样机上对该系统的检测性能进行测试。结果显示,所设计的系统检测准确率在96%及以上,检测效率为297毫秒/张,满足实际生产需求。此外,基于Qt开发了更为直观的人机交互界面,使标签缺陷检测系统更加完善,使用起来更加方便简单。