原纸纸病表面缺陷在线检测识别定位方法及其应用技术

本发明专利技术公开了原纸纸病表面缺陷在线检测识别定位方法，通过对SSD模型加入改进的特征金字塔，在计算量增加较小的情况下，处理纸病的多尺度变化特征检测问题；并使用组归一化代替批量归一化进行数据归一化处理，使模型在纸病数据量较少的情况下减少检测误差。运用本发明专利技术改进后的SSD深度学习网络检测纸病缺陷，整个特征学习过程不需要任何人工的特征提取过程，其利用CNN提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，物体分类与预测框的回归同时进行，整个过程只需要一步，提升了纸病缺陷查找速度；通过加入改进的特征金字塔，相较于传统方法，对小目标有更高的特征映射分辨率，并且具有更高的检测及定位精度特点。高的检测及定位精度特点。高的检测及定位精度特点。

【技术实现步骤摘要】
原纸纸病表面缺陷在线检测识别定位方法及其应用


[0001]本专利技术属于纸病识别
，具体涉及原纸纸病表面缺陷在线检测识别定位方法及其应用。

技术介绍

[0002]无论是在人们的日常生活，还是作为食品、医药、烟草等行业，纸张作为主要的包装材料，己经成为不可或缺的工业产品原材料和日常生活消费品，是关乎国计民生的重要商品。我国已经成为全球最大的纸及纸制品生产国和消费国，约占全球总量的1/4。随着现代高速纸机的普遍应用以及消费者对纸张消费观念的转变，纸张质量问题日益凸显。
[0003]在纸张的生产过程中，受生产工艺及现场环境等影响，容易造成纸张表面出现裂缝、孔洞、黑斑、线条、褶皱等缺陷，一般也称之为纸病。这些纸病不仅影响纸张产品的外观，更重要的是降低了纸张的使用性能。在造纸过程中要对纸张表面的纸病信息进行实时的检测、处理，才能将问题最小化。不同类型纸病的及时检测修复所改善的问题各不相同；孔洞的及时检测可以避免纸张表面出现重复性破洞：而边缘裂纹的检测则可以将发生断纸的可能性降到最低；对呈周期性出现的纸病，就应该对造纸设备及时进行检查以减少损失。
[0004]传统的纸张缺陷检测方法主要依靠人工检测，人工方法容易受检测者的状态和经验影响，不能保证检测准确度和一致性。随着现代造纸技术的不断发展，纸机的最大纸幅宽度多达9m，最大车速也达到了1800m/min，每分钟生产的纸张表面积高达16200m 2
，因此，在超宽幅纸张中发现尺寸为毫米级的纸病，属于典型的小目标检测问题，靠人工检测无法完成。而以机器视觉为基础的纸病检测系统可以在纸的生产过程进行监视及测量，及时发现纸病。
[0005]纸病检测系统的检测对象是经过脱水、压棒、烘干、压光之后的成纸(或称为原纸)，纸病检测系统一般安装在纸机扫描架的后面，成纸在烘干部干燥之后，进入压光部压光以使纸张表面更加平滑，然后经过扫描架和纸病检测系统，在线检测纸张表面缺陷指标，最后通过卷纸辊卷取以便后续加工。随着机器视觉的进一步发展，对快速运动目标实时跟踪和高精度测量需要采用高分辨率、多视点、高帧频图像处理技术；因此，高速纸机纸病检测系统采用高速、高分辨率的CCD相机进行图像采集，必然会产生大量的图像数据，对图像处理系统的数据处理能力和实时性提出了非常高的要求。基于FPGA和DSP的纸病检测系统具有结构复杂、开发周期长，前期PCB制板、投资成本较大的缺点。而基于FPGA的图像采集卡使机器视觉系统性能有了很大的提高，图像采集速度能够达到20K—30KHZ，基于CCD相机的纸病检测系统完全能够适应高速纸机车速快的特点，同时，纸病检测和识别、定位算法可利用上位机软件开发，直接安装到现场工业计算机中，无需添加新的处理系统，具有极大的应用价值。
[0006]随着工业自动化、智能化的发展，基于机器视觉纸病缺陷检测技术不断发展，主要分为三大类：基于图像特征提取的方法，如灰度阈值、Hough变换、图像熵、局部二值模式纹理算子等；基于阈值和统计特征的机器学习方法，如双域值、决策树、朴素贝叶斯分类器、支
持向量机、浅层神经网络方法等；基于卷积神经网络的深度学习方法。基于图像特征提取及基于阈值和统计特征的机器视觉纸病缺陷检测技术识别速度慢、实时性低、效率低，一种算法也只能识别某种特定纸病缺陷。
[0007]然而，高速纸机、超宽幅纸张纸病具有形状各异、种类繁多、分辨率低、速度快的特点，属于小目标检测、识别问题。并且，不同类别纸病具有相似的特征(如黑斑和孔洞、划痕和褶皱的形态特征相似)；同时，纸病形状具有无规律性，纸病特征量分散在不同的特征空间中，难以对所有纸病的特征量进行准确提取，而褶皱、划痕等(称为难点纸病)纸病，其特征量在各特征空间都不显著，使得基于机器视觉的传统纸病检测方法对这些纸病的检测及辨识不准确，对于新增类别的纸病也无法复用已有算法。
[0008]因此，当下需要一种用于纸病检测系统对纸病特征快速、准确提取检测的方法，克服现有技术中纸病小目标特征量难分离以及难点纸病特征量难构建问题。

技术实现思路

[0009]为了解决上述技术问题，本专利技术提供了原纸缺陷特征提取、检测和识别定位方法，通过对SSD模型加入改进的特征金字塔，在计算量增加较小的情况下，处理纸病的多尺度变化特征检测问题；并使用组归一化代替批量归一化进行数据归一化处理，使模型在纸病数据量较少的情况下减少检测误差。
[0010]为了达到上述技术效果，本专利技术是通过以下技术方案实现的：原纸缺陷特征提取、检测和识别定位方法，其特征在于，具体包括以下步骤：
[0011]S1、改进SSD网络结构模型：将VGG16的FC6和FC7层转化为卷积层，去掉Dropout层和FC8层，新增Conv8、Conv9、Conv10、Conv11；
[0012]改进SSD网络模型将经过卷积的Conv11_2、Conv10_2、Conv9_2、Conv8_2与融合后的Conv7和Conv4_3组成一个新的特征金字塔通过非极大值抑制进行纸病预测。并且，网络使用组归一化代替批量归一化进行数据归一化处理；
[0013]S2、对工业现场采集的纸病数据集进行预处理，包括纸病图像扩充和纸病图像标注两个步骤：
[0014]S201、纸病图像扩充：采用数据增强技术对已有的少量纸病图像进行扩充，并通过平移、缩放、旋转增加有标签纸病训练样本的多样性；
[0015]S202、纸病图像标注：将从工厂获得的纸病数据集扩充处理后，使用labelimg软件对所有的纸病图像进行标注；将数据集按9:1的比例分为训练集和测试集，分别用于模型的训练和测试过程。
[0016]S3、训练改进SSD模型，将S2中标注好的训练集输入改进的SSD模型进行训练，
[0017]进一步的，所述训练SSD模型的执行过程包括七个步骤：设定训练参数、读取数据集、建立SSD网络、预处理数据集、对ground truth实际框进行编码、计算loss值、利用优化器完成梯度下降并保存得到训练好的SSD模型；
[0018]S4、利用S3中标注好的数据集输入训练好的SSD模型进行测试，通过对SSD模型检测结果的分析，对模型参数自动进行微调，得到最终缺陷检测、识别及定位模型；
[0019]S5、用最终检测模型对无标签待检测纸张图片数据进行缺陷检测、识别及定位阶段。
[0020]进一步的，所述图像数据采用与S2相同的方式预处理，将处理后的数据输入到S4中得到的检测、识别及定位模型，通过调整先验框获得预测框，对每一个预测框进行得分排序与非极大抑制筛选获得最终结果，对纸张缺陷进行快速分类及定位；
[0021]本专利技术的有益效果是：
[0022]运用本专利技术改进后的SSD深度学习网络检测纸病缺陷，整个特征学习过程不需要任何人工的特征提取过程，其利用CNN提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，物体分类与预测框的回归同时进行，整个过程只需要一步，提升了纸病缺陷查找速度；通过加入改进的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.原纸纸病表面缺陷在线检测识别定位方法，其特征在于，具体包括以下步骤：S1、改进SSD网络结构模型：将VGG16的FC6和FC7层转化为卷积层，去掉Dropout层和FC8层，新增Conv8、Conv9、Conv10、Conv11；S2、对工业现场采集的纸病数据集进行预处理，包括纸病图像扩充和纸病图像标注两个步骤：S201、纸病图像扩充：采用数据增强技术对已有的少量纸病图像进行扩充，并通过平移、缩放、旋转增加有标签纸病训练样本的多样性；S202、纸病图像标注：将从工厂获得的纸病数据集扩充处理后，使用labelimg软件对所有的纸病图像进行标注；将数据集按9：1的比例分为训练集和测试集，分别用于模型的训练和测试过程；S3、训练改进SSD模型，将S2中标注好的训练集输入改进的SSD模型进行训练，S4、利用S3中标注好的数据集输入训练好的SSD模型进行测试，通过对SSD模型检测结果的分析，对模型参数自动进行微调，得到最...

【专利技术属性】
技术研发人员：李兆飞，陈钰枚，侯劲，赵俊，童晓东，陶洪洁，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：