基于深度學(xué)習(xí)的食用油灌裝質(zhì)量檢測系統(tǒng)

俞芳芳　董　蓉　李　勃　李衛(wèi)強

(南京大學(xué)電子科學(xué)與工程學(xué)院1，南京　210000) (南通大學(xué)電子信息學(xué)院2，南通　226000) (益海(泰州)糧油工業(yè)有限公司3，泰州　225300)

食用油脂提供了人體所需的營養(yǎng)與能源，是人們?nèi)粘Ｉ钪猩攀车闹匾M成部分。20世紀90年代初以來，我國食用油行業(yè)發(fā)展迅速，小包裝食用油已在較大程度上取代了散裝食用油，并帶動了作為配套服務(wù)的食用油包裝的發(fā)展。隨著先進的設(shè)備、工藝的引進和技術(shù)創(chuàng)新，我國的食用油包裝生產(chǎn)線已逐步采用機器代替人眼做檢測和判斷，可極大減少人力勞動，降低檢測成本，提高檢測精度與效率，產(chǎn)業(yè)的自動化與智能化程度得到進一步提高。但是傳統(tǒng)的機器視覺算法需要對每個檢測項目進行針對性的單獨開發(fā)，算法復(fù)用性較差，開發(fā)周期較長，且參數(shù)設(shè)置繁瑣，對于采圖質(zhì)量要求高，這些都給實際生產(chǎn)過程中操作的便捷性以及生產(chǎn)線的全自動化一體性帶來阻礙。

為了進一步提高食用油生產(chǎn)線自動化程度以及用戶使用的友好性，同時提高檢測的準確率和效率，本研究提出了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的食用油灌裝質(zhì)量檢測系統(tǒng)，系統(tǒng)算法主要采用了深度學(xué)習(xí)有監(jiān)督物體識別網(wǎng)絡(luò)，對食用油進行從原料至銷售全產(chǎn)線包裝缺陷檢測，具體功能包括瓶口缺陷檢測、瓶蓋缺陷檢測、瓶身噴碼缺陷檢測、貼標缺陷檢測、裝箱點數(shù)檢測。該系統(tǒng)具有無需做圖像預(yù)處理、檢測精度高、參數(shù)設(shè)置簡單、算法復(fù)用性強、開發(fā)周期短的優(yōu)點，可實現(xiàn)食用油生產(chǎn)質(zhì)量檢測的全面自動化。

1　系統(tǒng)結(jié)構(gòu)

食用油的灌裝容器主要采用PET瓶，食用油的灌裝生產(chǎn)系統(tǒng)主要包括PET注塑、PET吹瓶、灌油壓蓋、瓶體噴碼、貼標、裝箱、封箱、碼垛倉儲等多個工序。根據(jù)該生產(chǎn)流程以及質(zhì)量缺陷的來源，本研究設(shè)計的質(zhì)量檢測系統(tǒng)的工位布置如圖1所示。由于吹瓶后瓶口可能存在磕碰、形變從而有漏油的風(fēng)險，因而在吹瓶后加入瓶口缺陷檢測。由于吹瓶后需要進行灌油和壓蓋，可能存在缺蓋等風(fēng)險，因而設(shè)置瓶蓋檢測模塊，此外同時加入瓶身噴碼識別模塊，對瓶身噴碼內(nèi)容進行識別，檢測是否存在疊碼、錯碼、缺碼、內(nèi)容錯誤的情況。由于油瓶貼標時可能存在錯標或者漏標的問題，因而加入貼標檢測模塊剔除異常標貼。最后在油瓶裝箱后加入裝箱點數(shù)模塊進行箱內(nèi)油瓶數(shù)量清點，保證裝箱正確。

2　基于深度學(xué)習(xí)的質(zhì)量檢測算法

LeCun等[1]提出了卷積神經(jīng)網(wǎng)絡(luò)的概念后，2006年Hinton等[2]提出了用自學(xué)習(xí)初始化參數(shù),然后再逐步調(diào)優(yōu)的方法來解決深層網(wǎng)絡(luò)的學(xué)習(xí)問題，從此深度神經(jīng)網(wǎng)絡(luò)開啟了新的篇章。在深度學(xué)習(xí)算法中，網(wǎng)絡(luò)的訓(xùn)練方式有多種：監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)以及無監(jiān)督學(xué)習(xí)等。區(qū)別不同的學(xué)習(xí)方式的關(guān)鍵在于網(wǎng)絡(luò)訓(xùn)練時輸入數(shù)據(jù)是否有標簽。有監(jiān)督學(xué)習(xí)通過人為提供的“標準答案”來指導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)，因此需要對訓(xùn)練數(shù)據(jù)進行人為標簽。而無監(jiān)督學(xué)習(xí)通過發(fā)現(xiàn)輸入數(shù)據(jù)間呈現(xiàn)出聚群的結(jié)構(gòu)來完成數(shù)據(jù)的聚類，也即相似類型的數(shù)據(jù)特征會聚集在一起，而不同類型的數(shù)據(jù)間特征距離較大，因而不需要對輸入數(shù)據(jù)進行標簽[3]。

目前在分類功能上有監(jiān)督學(xué)習(xí)的設(shè)備，性能強于無監(jiān)督學(xué)習(xí)，而無監(jiān)督學(xué)習(xí)則在減少人工標簽方面勝于有監(jiān)督學(xué)習(xí)[4]。在缺陷檢測領(lǐng)域亦有這兩種學(xué)習(xí)方法的應(yīng)用，既可以通過學(xué)習(xí)正負樣本特征，從而對圖像缺陷區(qū)域分類來實現(xiàn)缺陷的檢測，如文獻[5]中提出了一種通過滑動窗口法提取圖像區(qū)塊，繼而送入深度卷積神經(jīng)網(wǎng)絡(luò)進行缺陷分類來進行缺陷檢測的算法；也可以通過學(xué)習(xí)無缺陷的正樣本獲得已知響應(yīng)，而有缺陷的負樣本產(chǎn)生異常響應(yīng)來判斷缺陷，如文獻[6]中使用了一種多尺度字典學(xué)習(xí)算法提取特征，構(gòu)建正樣本特征空間，通過判斷檢測圖像特征是否在該空間中來判斷正?；蛉毕?。但是在食用油包裝缺陷檢測中卻鮮見深度學(xué)習(xí)算法的應(yīng)用。在本研究設(shè)計的食用油灌裝質(zhì)量檢測系統(tǒng)中，主要通過目標定位與分類的方式實現(xiàn)缺陷的檢測，因而采用有監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，更進一步則采用了一種基于區(qū)域卷積的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[7-8]。該網(wǎng)絡(luò)結(jié)構(gòu)通過對圖像生成若干目標候選區(qū)域，繼而對每個候選區(qū)域使用深度神經(jīng)網(wǎng)絡(luò)提取特征并進行分類的方式，實現(xiàn)對目標的定位和分類。傳統(tǒng)候選區(qū)域算法主要基于圖像特征，如基于大小信息的滑動窗口法、基于顏色信息的selective search法[9]、基于邊緣信息的edge box法等[10]，但這些人為選擇特征的方法往往不能兼容各種圖像，而且對有重疊的候選區(qū)域需要重復(fù)進行特征提取，從而帶來了大量的計算。為了解決這些不足，本研究的算法使用圖像特征進行候選區(qū)域定位，可實現(xiàn)網(wǎng)絡(luò)的端到端訓(xùn)練，該算法的網(wǎng)絡(luò)結(jié)構(gòu)主要包括通用卷積層網(wǎng)絡(luò)、候選區(qū)域定位網(wǎng)絡(luò)以及分類識別網(wǎng)絡(luò)，其具體組成方式見圖2。

圖1　基于深度學(xué)習(xí)的食用油灌裝質(zhì)量檢測系統(tǒng)工位分布圖

圖2　有監(jiān)督物體識別網(wǎng)絡(luò)結(jié)構(gòu)

通用卷積層網(wǎng)絡(luò)的輸入為任意尺寸大小的圖像，采用5層卷積層結(jié)構(gòu)，層與層之間使用Relu激活函數(shù)和最大值池化層，主要完成圖像底層特征的提取，第一層和第五層卷積層的特征圖如圖2a所示。由于輸入圖像大小不統(tǒng)一，因而特征圖大小也有差異，采取對最后一層特征圖進行尺度歸一化的方式，保證網(wǎng)絡(luò)特征圖尺寸的統(tǒng)一。

候選區(qū)域定位網(wǎng)絡(luò)根據(jù)提取到的圖像的底層特征，在特征圖上以多尺度采樣的方式提取不同尺度物體的特征，如圖2b所示，根據(jù)圖像中檢測目標的尺度先驗知識，通過滑動窗口的方式對特征圖中每個像素點，選擇以其為中心點的2種面積大小{128,256}、3種長寬比{1:1,1:2,2:1}，共6種尺度的候選區(qū)域，并對每一維特征圖選取以該點為中心的3×3大小的窗口提取特征，作為這6個候選區(qū)域的特征。該方法相比于傳統(tǒng)的網(wǎng)絡(luò)多尺度目標兼容方法，如枚舉圖像金字塔和濾波器金字塔等[11,12]，大大減少了網(wǎng)絡(luò)重復(fù)完全計算的工作量，加速了網(wǎng)絡(luò)傳輸時間。繼而將每個可能的候選區(qū)域與訓(xùn)練集中目標區(qū)域的位置標注進行重疊度的計算，重疊度高于設(shè)定閾值的判定為正樣本，低于閾值的判定為負樣本，根據(jù)這些已經(jīng)標記好正負樣本可進行候選區(qū)域定位網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)，獲得每個候選區(qū)域是否屬于目標區(qū)域的概率得分，并選取得分高的前N個候選區(qū)域，實現(xiàn)對一幅圖像提取若干候選區(qū)域建議的功能。

最后分類識別網(wǎng)絡(luò)完成對候選區(qū)域定位網(wǎng)絡(luò)所得的N個候選區(qū)域進行分類判斷。傳統(tǒng)網(wǎng)絡(luò)通常采用將候選區(qū)域圖像提取出來后輸入給一個專門分類識別網(wǎng)絡(luò)進行特征提取和分類[13]，這將導(dǎo)致需要單獨訓(xùn)練一個用于分類的網(wǎng)絡(luò)，且對于每個候選區(qū)域需要重新計算，重復(fù)計算量很大。由于已知了候選區(qū)域的位置，并且整幅圖像的特征圖已在通用卷積層網(wǎng)絡(luò)中得到，只需計算候選區(qū)域在特征圖中的位置即可提取候選區(qū)域的特征圖，從而使得網(wǎng)絡(luò)只需計算一次整幅圖像的特征圖即可，且候選區(qū)域定位網(wǎng)絡(luò)和分類識別網(wǎng)絡(luò)可以共享通用卷積層網(wǎng)絡(luò)提取的特征圖，使得整個網(wǎng)絡(luò)相比于傳統(tǒng)的圖像分類識別網(wǎng)絡(luò)只增加了少量開銷，就可完成定位與分類兩項功能。將得到的每個候選區(qū)域的特征圖通過全連接層輸入給softmax分類判斷層后即可獲得該候選區(qū)域的類別判斷概率得分。

在訓(xùn)練階段，采用人工標定的包含所需識別目標的類別及位置信息的訓(xùn)練集對網(wǎng)絡(luò)進行訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練采取標準誤差反向傳播和隨機梯度下降法。具體步驟：

1)首先訓(xùn)練通用卷積層部分，由于圖像的底層特征是相似的，因而對于通用卷積層部分采用從已訓(xùn)練好的模型進行遷移初始化，從而減少對訓(xùn)練樣本量的需求，本研究采用基于PASCAL VOC2012數(shù)據(jù)集的ZF模型進行網(wǎng)絡(luò)遷移訓(xùn)練[14]。

2)其次在已訓(xùn)練好的通用卷積層的基礎(chǔ)上增加候選區(qū)域定位網(wǎng)絡(luò)進行訓(xùn)練，固定通用卷積層網(wǎng)絡(luò)參數(shù)，采用隨機初始化的方式初始化候選區(qū)域定位網(wǎng)絡(luò)的參數(shù)，根據(jù)候選區(qū)域定位網(wǎng)絡(luò)的損失函數(shù)對候選區(qū)域定位網(wǎng)絡(luò)的參數(shù)進行調(diào)整。

3)繼而再增加分類識別網(wǎng)絡(luò)，固定通用卷積層網(wǎng)絡(luò)以及候選區(qū)域定位網(wǎng)絡(luò)參數(shù)，采用隨機初始化的方式初始化分類識別網(wǎng)絡(luò)的參數(shù)，根據(jù)分類識別網(wǎng)絡(luò)損失函數(shù)，對分類識別網(wǎng)絡(luò)的參數(shù)進行學(xué)習(xí)和調(diào)整。

4)最后對整個網(wǎng)絡(luò)進行端對端的微調(diào)，獲得最終的訓(xùn)練網(wǎng)絡(luò)模型結(jié)果，模型里包含了深度學(xué)習(xí)網(wǎng)絡(luò)中每一層權(quán)值的數(shù)值。

在在線使用階段，首先將相機采集所得的圖像通過已訓(xùn)練好的模型，對每個候選區(qū)域，將它對于每個分類類別概率得分最高的類別，作為該候選區(qū)域的類別，并將該概率得分作為該候選區(qū)域的分類得分，從而獲得N個候選目標的定位與識別結(jié)果。通常N的數(shù)值設(shè)置為在滿足網(wǎng)絡(luò)計算時間的要求下，盡可能大于圖像中實際檢測目標的數(shù)量，以保證可以包含所有的目標，因此這N個候選區(qū)域通常具有極大的重復(fù)性，通過對候選區(qū)域兩兩計算重疊度，重疊度大于設(shè)定閾值時保留得分高者的方式，去除重疊項，獲得最終的識別結(jié)果。

該算法特點在于只需提供人為標注好的正負樣本，網(wǎng)絡(luò)可自行學(xué)習(xí)具有區(qū)分度的特征并進行分類，當應(yīng)用于不同的缺陷檢測模塊時，只需采集相應(yīng)的樣本訓(xùn)練即可，無需修改算法結(jié)構(gòu)以及設(shè)置大量參數(shù)。此外，當缺陷場景發(fā)生改變時，如出現(xiàn)新的油瓶瓶型等，只需采集新的樣本訓(xùn)練即可達到兼容。因此，使用本研究提出的基于深度學(xué)習(xí)算法的質(zhì)量檢測系統(tǒng)，具有算法通用性高、開發(fā)簡單的優(yōu)勢。

3　基于深度學(xué)習(xí)的食用油灌裝質(zhì)量檢測系統(tǒng)實現(xiàn)

3.1　硬件實現(xiàn)與軟件界面

本研究設(shè)計的食用油灌裝質(zhì)量檢測系統(tǒng)中各個工位的模塊硬件結(jié)構(gòu)大致相似，主要包括傳送帶、光源、相機、工控機及控制板，分別用于圖像獲取和圖像處理操作。以瓶身噴碼識別為例，其模塊硬件結(jié)構(gòu)圖如圖3所示：油瓶通過直線傳送帶傳送至檢測區(qū)域，采用大小大于瓶身的LED平面光源以及背光照明方式照亮噴碼區(qū)域，繼而光電傳感器觸發(fā)相機進行拍照，獲取的圖像通過網(wǎng)絡(luò)傳輸至工控機進行圖像處理判斷作出相應(yīng)的處理操作，系統(tǒng)控制及參數(shù)設(shè)定則由控制板完成。系統(tǒng)不同功能模塊的硬件結(jié)構(gòu)差異主要在相機選擇和打光方式上，具體每個模塊的打光方案與參數(shù)見表1。

注：1-控制板；2-機架總成；3-瓶身光源；4-傳送帶；5-電氣總成；6-相機總成。圖3　瓶身噴碼識別系統(tǒng)硬件結(jié)構(gòu)圖

表1　系統(tǒng)各功能模塊的打光方案與參數(shù)

模塊名稱瓶口缺陷檢測瓶蓋檢測、瓶身噴碼檢測裝箱點數(shù)貼標檢測打光方案參數(shù)環(huán)形光源、500萬黑白相機平面光源、130萬黑白相機 平面光源、130萬彩色相機 條形光源、130萬黑白相機

圖4　瓶身噴碼識別系統(tǒng)軟件界面圖

本研究設(shè)計的食用油灌裝質(zhì)量檢測系統(tǒng)運行環(huán)境為Ubuntu 14.04系統(tǒng)，工控機配置為英特爾i7處理器，8G內(nèi)存，英偉達GTX 960 4G顯卡，繼續(xù)以瓶身噴碼識別為例，其軟件界面圖如圖4所示。

3.2　模塊功能實現(xiàn)效果

3.2.1瓶口缺陷檢測

瓶口缺陷主要包括內(nèi)圈缺陷、外圈缺陷以及貫穿缺陷，如圖5所示，瓶口缺陷檢測主要為在瓶口圖像中提取缺陷部分，并進行缺陷類型判斷，屬于目標定位與分類的問題。

傳統(tǒng)算法主要采用圓擬合與二值化分割結(jié)合的方式提取缺陷部分，算法參數(shù)配置繁瑣復(fù)雜，并且對于一些形態(tài)、邊緣復(fù)雜的缺陷，如弱邊緣缺陷，傳統(tǒng)算法無法很好地檢出。本研究提出的瓶口缺陷檢測算法采取深度網(wǎng)絡(luò)，不依賴于人工設(shè)定特征，具有抗位置旋轉(zhuǎn)、兼容低對比度缺陷的優(yōu)勢，可檢出大小在0.5 mm2以上的不同類型的缺陷。其與傳統(tǒng)算法對比檢測結(jié)果如圖6所示，可見傳統(tǒng)算法對于低對比度缺陷檢測效果不佳，而本研究提出的檢測算法可以檢測，且可區(qū)分不同種類的缺陷。

圖5　瓶口缺陷類型

圖6　瓶口缺陷檢測結(jié)果對比

3.2.2瓶蓋檢測

瓶蓋檢測模塊主要檢測瓶蓋以及瓶蓋各部分是否缺失，以及區(qū)分不同產(chǎn)品使用的有字蓋和無字蓋是否正確。傳統(tǒng)算法通過顏色、位置等先驗信息實現(xiàn)瓶蓋的定位與檢測，而本研究提出的基于深度學(xué)習(xí)的瓶蓋檢測模塊，采用本文所述的通用算法結(jié)構(gòu)，無需進行單獨開發(fā)，其檢測結(jié)果如圖7所示，網(wǎng)絡(luò)通過定位和識別圖像中瓶蓋各個部分，從而判斷不同類型的瓶蓋缺陷，檢出率達99.98%。

圖7　瓶蓋檢測結(jié)果圖

3.2.3瓶身噴碼檢測

噴碼檢測模塊通過識別噴碼字符的位置及內(nèi)容，根據(jù)位置信息排列各字符，從而判斷檢測是否存在疊碼、錯碼、缺碼、內(nèi)容錯誤的情況。傳統(tǒng)算法通常采用先分割后分類的算法，即首先通過投影法等字符分割算法分割出每個字符的區(qū)域，繼而對每個單個字符使用SVM分類器或神經(jīng)網(wǎng)絡(luò)等方式進行識別[15,16]。該算法通常要求輸入圖像使用規(guī)范的印刷體、擁有幾乎無干擾的背景、具有較高的分辨率，而油瓶噴碼屬于自然場景字符，具有背景復(fù)雜、質(zhì)量低下、形態(tài)不規(guī)則等特點，從而導(dǎo)致字符與背景間難以用簡單的人為選擇的特征進行區(qū)分，繼而難以正確分割乃至識別。

本研究提出的噴碼檢測算法無需預(yù)先分割字符區(qū)域，而是利用深度學(xué)習(xí)網(wǎng)絡(luò)提取圖像的特征，并據(jù)此進行字符候選區(qū)域的提取及分類，從而實現(xiàn)直接在圖像上定位并識別每個字符。該算法具有較強泛化能力以及抗背景干擾能力，通過網(wǎng)絡(luò)訓(xùn)練可使得一個網(wǎng)絡(luò)模型兼容多產(chǎn)線不同字體、漢數(shù)英全字符，其與傳統(tǒng)算法檢測效果對比如圖8所示，由圖8可見，當圖像中存在背景干擾時(凹陷、模糊)，傳統(tǒng)算法分割效果不佳，而本研究提出的噴碼檢測算法則可實現(xiàn)檢測。

圖8　噴碼檢測效果對比

其檢測結(jié)果如表2所示，字符識別率達99.9%。繼而根據(jù)圖像中網(wǎng)絡(luò)輸出的每個字符的位置和內(nèi)容，可完成是否存在噴碼缺陷的判斷。

3.2.4貼標檢測

貼標檢測通常采用模板匹配的算法來實現(xiàn)，本研究提出的標貼檢測模塊采用上述目標識別網(wǎng)絡(luò)，通過采集所有類型的標貼圖像訓(xùn)練，可使得網(wǎng)絡(luò)識別不同種類的標貼，此外通過對標貼圖片進行上下翻轉(zhuǎn)的數(shù)據(jù)增強方式，擴充標貼正反的樣本，使得網(wǎng)絡(luò)可以分辨標貼正反，從而判斷標貼是否存在異常，其檢測結(jié)果如圖9所示，檢測正確率達99.9%。

表2　噴碼檢測結(jié)果

圖9　貼標檢測結(jié)果

3.2.5裝箱點數(shù)

裝箱點數(shù)模塊通過識別提環(huán)與瓶蓋的數(shù)量來判斷是否存在異常：若提環(huán)數(shù)量與瓶蓋數(shù)量不匹配，則存在提環(huán)丟失異常；若提環(huán)數(shù)量與瓶蓋數(shù)量匹配，但與裝箱應(yīng)有數(shù)量不一致，則存在缺瓶異常。傳統(tǒng)算法通過顏色二值化、霍夫變換方式檢測瓶蓋與提環(huán)，其受背景干擾影響大，對圖像質(zhì)量要求高，而本研究提出的裝箱點數(shù)檢測模塊將油瓶上的瓶蓋和提環(huán)作為網(wǎng)絡(luò)識別目標，根據(jù)網(wǎng)絡(luò)檢測到的瓶蓋與提環(huán)的數(shù)量判斷裝箱油瓶是否存在異常，檢測結(jié)果如圖10所示，該算法具有很好的泛化能力，可兼容多干擾、低質(zhì)量圖像，其與傳統(tǒng)算法檢測結(jié)果對比(暗色提環(huán)、反光干擾、提環(huán)遮擋)如圖11所示。

圖10　裝箱點數(shù)檢測結(jié)果

圖11　裝箱點數(shù)檢測效果對比

3.3　系統(tǒng)檢測結(jié)果

本研究設(shè)計的基于深度學(xué)習(xí)算法的食用油灌裝質(zhì)量檢測系統(tǒng)檢測結(jié)果數(shù)據(jù)如表3所示，其檢測精度和速度均可滿足實際生產(chǎn)產(chǎn)線需求。

表3　系統(tǒng)檢測結(jié)果

4　結(jié)論

本研究提出了一種利用深度學(xué)習(xí)算法進行食用油灌裝質(zhì)量檢測的系統(tǒng)，系統(tǒng)的算法采用了深度學(xué)習(xí)有監(jiān)督物體識別網(wǎng)絡(luò)，對食用油進行從原料至銷售全產(chǎn)線包裝缺陷檢測，該系統(tǒng)具有無需做圖像預(yù)處理、檢測精度高、參數(shù)設(shè)置簡單、算法復(fù)用性強、開發(fā)周期短的優(yōu)點，可實現(xiàn)食用油生產(chǎn)質(zhì)量檢測的全面自動化。本研究設(shè)計的食用油灌裝質(zhì)量檢測系統(tǒng)目前與益海嘉里企業(yè)合作，已投入金龍魚食用油生產(chǎn)線使用。實踐證明，相比于傳統(tǒng)機器視覺解決方案，本研究提出的食用油灌裝質(zhì)量檢測系統(tǒng)可進一步提高食用油生產(chǎn)產(chǎn)線的自動化程度以及用戶使用的友好性，同時提高檢測的準確率和效率。

[1]LéCUN Y,BOTTOU L,BENGIO Y,et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324

[2]HINTON G E,SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786):504

[3]殷瑞剛,魏帥,李晗,等.深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)方法綜述[J].計算機系統(tǒng)應(yīng)用,2016,25(8):1-7

YIN RUIGANG,WEI SHUAI,LI HAN,et al.Introduction of unsupervised learning methods in deep learning[J].Computer Systems and Applications,2016,25(8):1-7

[4]朱陶,任海軍,洪衛(wèi)軍.一種基于前向無監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)的人臉表示學(xué)習(xí)方法[J].計算機科學(xué),2016,43(6):303-307

ZHU Tao,REN Haijun,HONG Weijun.Forward and unsupervised convolutional neural network based face representation learning method[J].Computer Science,2016,43(6):303-307

[5]WEIMER D,SCHOLZ-REITER B,SHPITALNI M.Design of deep convolutional neural network architectures for automated feature extraction in industrial inspection[J].CIRP Annals-Manufacturing Technology,2016,65(1):417-420

[6]CARRERA D,BORACCHI G,FOI A,et al.Scale-invariant anomaly detection with multiscale group-sparse models[C].IEEE International Conference on Image Processing.IEEE,2016:3892-3896

[7]GIRSHICK R.Fast R-CNN[C].IEEE International Conference on Computer Vision.IEEE,2015:1440-1448

[8]REN S,GIRSHICK R,GIRSHICK R,et al.Faster R-CNN:towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2017,39(6):1137

[9]UIJLINGS J R,SANDE K E,GEVERS T,et al.Selective search for object recognition[J].International Journal of Computer Vision,2013,104(2):154-171

[10]ZITNICK C L,DOLLR P.Edge Boxes:Locating object proposals from edges[C].European Conference on Computer Vision,2014:391-405

[11]王冠皓,徐軍.基于多級金字塔卷積神經(jīng)網(wǎng)絡(luò)的快速特征表示方法[J].計算機應(yīng)用研究,2015,32(8):2492-2495

WANG Guanhao,XU Jun.Fast feature representation method based on multi-level pyramid convolution neural network[J].Application Research of Computers,2015,32(8):2492-2495

[12]張文達,許悅雷,倪嘉成,等.基于多尺度分塊卷積神經(jīng)網(wǎng)絡(luò)的圖像目標識別算法[J].計算機應(yīng)用,2016,36(4):1033-1038

ZHANG Wenda XU Yuelei,NI Jiacheng,et al.Image target recognition method based on multi-scale block convolutional neural network[J].Journal of Computer Applications,2016,36(4):1033-1038

[13]GIRSHICK R,DONAHUE J,DARRELL T,et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C].Computer Vision and Pattern Recognition.IEEE,2014:580-587

[14]ZEILER M D,FERGUS R.Visualizing and understanding convolutional networks[C].European Conference on Computer Vision,2014:818-833

[15]王偉,馬永強,彭強.SVM多類分類器在車牌字符識別中的應(yīng)用[J].計算機工程與設(shè)計,2011,32(9):3166-3169

WANG Wei,MA Yongqiang,PENG Qiang .Application of SVM multi-classifier on license plate character recognition[J].Computer Engineering and Design,2011,32(9):3166-3169

[16]鞏玉濱,楊紅娟,張運楚,等.一種數(shù)顯儀表數(shù)字字符識別方法研究[J].山東建筑大學(xué)學(xué)報,2011,26(2):134-137.

GONG Yubin,YANG Hongjuan,ZHANG Yunchu,et al.Research on a character recognition method for numerical instruments[J].Journal of Shandong Jianzhu University,2011,26(2):134-137.