人工智能技術(shù)在煙草包裝印刷質(zhì)量檢測(cè)上的應(yīng)用研究

錢雋

摘要：人工智能的發(fā)展日新月異，正推動(dòng)著印刷行業(yè)質(zhì)量檢測(cè)技術(shù)的革新。在總結(jié)傳統(tǒng)檢測(cè)算法不足的基礎(chǔ)上將深度學(xué)習(xí)理論應(yīng)用到該檢測(cè)領(lǐng)域中，并在實(shí)際應(yīng)用中針對(duì)煙草小盒包裝印刷產(chǎn)品存在較高誤檢率的問(wèn)題，將無(wú)監(jiān)督和二分類有效結(jié)合。首先通過(guò)無(wú)監(jiān)督模式進(jìn)行待檢產(chǎn)品與好品訓(xùn)練集的嚴(yán)格一致性界定，然后將異常包裝印刷產(chǎn)品根據(jù)其缺陷子圖進(jìn)行二分類劃分為誤檢品和缺陷品，并以二分類結(jié)果作為最終檢測(cè)結(jié)果，最終實(shí)現(xiàn)高檢出率、低誤檢率的目標(biāo)。針對(duì)煙草包裝印刷小盒產(chǎn)品進(jìn)行多組實(shí)驗(yàn)，以GoogLeNet網(wǎng)絡(luò)模型為基礎(chǔ)，以小張包裝印刷品為檢測(cè)對(duì)象，以多種光學(xué)成像方式，驗(yàn)證上述無(wú)監(jiān)督模式結(jié)合二分類的深度學(xué)習(xí)策略具備良好檢測(cè)效果。

關(guān)鍵詞：人工智能技術(shù)；深度學(xué)習(xí)；包裝印刷檢測(cè)；缺陷檢測(cè)

中圖分類號(hào)：TP18，TS8 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1400 （2020） 11-0035-05

Application Research of Artificial Intelligence Technology in Packaging and Printing （small sheet） Detection

QIAN Jun（Shanghai Tobacco Packaging and Printing Co.， LTD.， Shanghai 200137， China）

Abstract： The rapid development of artificial intelligence is driving the innovation of technology in the printing inspection industry. On the basis of summarizing the shortcomings of traditional detection algorithms， deep learning theory is applied to this detection field， and in practical applications， there is a high false detection rate for small sheet packaging and printing products. Unsupervised mode and two classifiers are effectively combined. Firstly， the strict consistency of the product to be detected and the good product training set is defined by unsupervised mode， and then the abnormal packaging and printing products are divided into two products according to their defect sub-pictures： misdetected products and defective products， and the results of the two classifiers are used as the final detection results. Eventually， achieve the purpose of high detection rate and low false detection rate. Multiple sets of experiments have been carried out on small sheet packaging and printing products， based on the GoogLeNet network model， using small sheets of printed products as the detection object， and using multiple optical imaging methods to verify the above unsupervised mode combination of two classifier of deep learning strategies has a good detection effect.

Keywords： artificial intelligence technology； deep learning； packaging and printing detection； defect detection

引言

隨著包裝印刷工藝技術(shù)的發(fā)展，包括各種新材料的開發(fā)應(yīng)用和疊加，促使了煙草包裝印刷品的外觀形象越來(lái)越豐富、精致和美觀。但包裝印刷生產(chǎn)過(guò)程中的各種不確定因素，極易導(dǎo)致產(chǎn)品表面出現(xiàn)缺陷和瑕疵。為避免帶有缺陷或瑕疵的產(chǎn)品投入煙廠使用，以機(jī)器視覺(jué)為主要依托技術(shù)的缺陷自動(dòng)化檢測(cè)設(shè)備如雨后春筍般出現(xiàn)[1]。而近年來(lái)，我國(guó)包裝印刷品種類不斷豐富，同時(shí)質(zhì)量也得到了較大提高，傳統(tǒng)缺陷檢測(cè)方法靈活性及單一適用性的缺點(diǎn)也逐漸浮出水面[2]。

2017年，國(guó)務(wù)院頒布了《新一代人工智能發(fā)展規(guī)劃》，將發(fā)展人工智能技術(shù)提升到國(guó)家戰(zhàn)略層面高度。人工智能屬于計(jì)算機(jī)科學(xué)范疇，使用計(jì)算機(jī)技術(shù)模擬人類思維及學(xué)習(xí)過(guò)程，并伴隨著知識(shí)的不斷儲(chǔ)備[3，4]。人工智能技術(shù)直接分析大量包裝印刷產(chǎn)品圖像數(shù)據(jù)，并直接通過(guò)數(shù)據(jù)本身驅(qū)動(dòng)特征及表達(dá)關(guān)系，實(shí)現(xiàn)缺陷產(chǎn)品的預(yù)測(cè)，因此人工智能技術(shù)能夠有效解決傳統(tǒng)包裝印刷品檢測(cè)方法存在的不足[5，6]。

1 人工智能與深度學(xué)習(xí)概述

1956年，人工智能正式誕生。人工智能的研究是一個(gè)模擬人類學(xué)習(xí)、思考、推理的思維過(guò)程，而隨著人工智能技術(shù)的不斷發(fā)展，產(chǎn)生了許多分支，模糊邏輯、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、遺傳算法是其中最為活躍的四大分支。

受到大腦結(jié)構(gòu)分層的啟發(fā)影響，人工智能相關(guān)研究人員發(fā)現(xiàn)模擬人類大腦神經(jīng)傳輸結(jié)構(gòu)的多層網(wǎng)絡(luò)具有很強(qiáng)的特征學(xué)習(xí)及數(shù)據(jù)表征能力[7]，非常適合做回歸或分類任務(wù)。深度學(xué)習(xí)是在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進(jìn)一步發(fā)展而來(lái)，可以通過(guò)學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)出強(qiáng)大的從少數(shù)樣本中集中學(xué)習(xí)數(shù)據(jù)及本質(zhì)特征的能力[8]，本文以GoogLeNet網(wǎng)絡(luò)模型[9]為基礎(chǔ)，以小張包裝印刷缺陷檢測(cè)為應(yīng)用場(chǎng)景，采用多種光學(xué)成像方式，展示深度學(xué)習(xí)在包裝印刷檢測(cè)領(lǐng)域的應(yīng)用效果。

2 缺陷檢測(cè)

目前深度學(xué)習(xí)在包裝印刷產(chǎn)品的檢測(cè)中，以具有深度結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，本文以GoogLeNet網(wǎng)絡(luò)模型為基礎(chǔ)，在無(wú)監(jiān)督的基礎(chǔ)上加入二分類二次判決，通過(guò)缺陷子圖的再分類進(jìn)一步提高深度學(xué)習(xí)缺陷檢測(cè)效果。

深度學(xué)習(xí)算法檢測(cè)印刷包裝產(chǎn)品，通過(guò)輸入大量的樣本圖像用于網(wǎng)絡(luò)模型的訓(xùn)練，并在機(jī)器上演繹出一個(gè)預(yù)判模型，在實(shí)際的生產(chǎn)檢測(cè)過(guò)程中，需結(jié)合這些預(yù)判模型設(shè)計(jì)一套檢測(cè)過(guò)程完成缺陷品的有效檢出，整體設(shè)計(jì)框圖如圖1所示，可分為訓(xùn)練和檢測(cè)兩大過(guò)程。

2.1訓(xùn)練過(guò)程

訓(xùn)練過(guò)程的目的在于生成深度學(xué)習(xí)運(yùn)行庫(kù)，作為檢測(cè)過(guò)程所需的決策依據(jù)。

無(wú)監(jiān)督模式是通過(guò)訓(xùn)練批量的好品樣本，識(shí)別出包裝印刷產(chǎn)品中與好品樣本存在一定差異的過(guò)程。深度學(xué)習(xí)無(wú)監(jiān)督運(yùn)行庫(kù)的訓(xùn)練需收集大量好品產(chǎn)品，通過(guò)批量采圖獲取好品樣本集[10]，將好品樣本集輸入至GoogLeNet網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，主要訓(xùn)練參數(shù)：迭代次數(shù)60，顏色通道3，特征尺寸40，采樣密度1，訓(xùn)練集選擇比例100%。訓(xùn)練完成后以訓(xùn)練樣本的最大得分值作為劃分好品和壞品的閾值（如圖2所示），生成深度學(xué)習(xí)無(wú)監(jiān)督運(yùn)行庫(kù)，用于檢測(cè)過(guò)程的調(diào)用及決策。

二分類是通過(guò)訓(xùn)練缺陷子圖和好品子圖樣本獲得一個(gè)分類器，再通過(guò)檢品機(jī)檢測(cè)過(guò)程產(chǎn)生的子圖進(jìn)行分類最終確定該產(chǎn)品的檢測(cè)結(jié)果。其中，缺陷子圖由檢品機(jī)檢測(cè)過(guò)程產(chǎn)生，以缺陷為中心截取200*200的像素大?。缓闷纷訄D以人工復(fù)查方式挑選出缺陷子圖中的誤檢品作為好品子圖。深度學(xué)習(xí)二分類運(yùn)行庫(kù)的訓(xùn)練過(guò)程需分別將缺陷子圖集、好品子圖集輸入到GoogLeNet網(wǎng)絡(luò)模型，并分別標(biāo)記label為NG和Good，然后進(jìn)行多次迭代訓(xùn)練。主要訓(xùn)練參數(shù)：迭代次數(shù)40，顏色通道3，特征尺寸20，采樣密度1，訓(xùn)練集選擇比例100%。

2.2檢測(cè)過(guò)程

檢測(cè)過(guò)程摒棄了常規(guī)深度學(xué)習(xí)檢測(cè)的單一過(guò)程，將無(wú)監(jiān)督模式和二分類有效結(jié)合，保障有效檢出的同時(shí)有效降低誤檢率。

待檢產(chǎn)品首先經(jīng)過(guò)深度學(xué)習(xí)有監(jiān)督運(yùn)行庫(kù)進(jìn)行決策，當(dāng)決策結(jié)果為好品則說(shuō)明該檢測(cè)產(chǎn)品和訓(xùn)練的好品集是嚴(yán)格一致的，而當(dāng)檢測(cè)結(jié)果為壞品時(shí)，說(shuō)明該檢測(cè)產(chǎn)品脫離了好品集的類別，由于好品集是有限的并無(wú)法代表所有的好品產(chǎn)品，因此需做進(jìn)一步判決其是否有可能仍然是好品。根據(jù)無(wú)監(jiān)督檢測(cè)熱度值確定缺陷坐標(biāo)，并以缺陷為中心截取200*200像素大小作為缺陷子圖。缺陷子圖輸入到深度學(xué)習(xí)二分類運(yùn)行庫(kù)進(jìn)行二次決策，若決策結(jié)果為好品則說(shuō)明該產(chǎn)品被誤檢，若決策結(jié)果為壞品則說(shuō)明該產(chǎn)品為真正缺陷品。

3 實(shí)驗(yàn)

3.1檢出實(shí)驗(yàn)

實(shí)驗(yàn)中，采用Etov8K相機(jī)在反射工位下針對(duì)中華、牡丹和黃鶴樓三種煙包產(chǎn)品涵蓋白色線、光油、壓凸脫格及脫墨缺陷進(jìn)行詳細(xì)實(shí)驗(yàn)研究，驗(yàn)證其檢出效果。

實(shí)驗(yàn)中，中華產(chǎn)品白色線缺陷、牡丹產(chǎn)品光油缺陷、牡丹產(chǎn)品壓凸脫格缺陷以及黃鶴樓脫墨缺陷的檢出結(jié)果展示如圖3和圖4所示。

實(shí)驗(yàn)檢出結(jié)果表明：深度學(xué)習(xí)針對(duì)較小的缺陷仍然具備較好的檢出效果，其在包裝印刷品缺陷檢測(cè)領(lǐng)域的應(yīng)用是可行的且具有良好的準(zhǔn)確性。

3.2對(duì)比實(shí)驗(yàn)

深度學(xué)習(xí)算法檢測(cè)的準(zhǔn)確性和耗時(shí)，與產(chǎn)品成像以及待檢測(cè)缺陷類型等細(xì)節(jié)存在極大關(guān)系，因此，在驗(yàn)證深度學(xué)習(xí)算法較傳統(tǒng)算法優(yōu)勢(shì)的同時(shí)需尋找最適合應(yīng)用深度學(xué)習(xí)算法的檢測(cè)工位。實(shí)驗(yàn)中，分別對(duì)穹頂、斜射、反射三個(gè)檢測(cè)工位下的傳統(tǒng)常規(guī)檢測(cè)算法、無(wú)監(jiān)督檢測(cè)方法、無(wú)監(jiān)督結(jié)合二分類檢測(cè)方法的檢測(cè)效果做了對(duì)比，其對(duì)比結(jié)果如下：

1）穹頂工位

在穹頂工位下，對(duì)光油、刀絲、白/黑點(diǎn)和黑線缺陷進(jìn)行不同算法對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。

從表1可以看出，深度學(xué)習(xí)算法在穹頂工位上的檢測(cè)效果不是很明顯，而作為對(duì)比的常規(guī)算法可以檢測(cè)穹頂工位絕大部分缺陷。

2）斜射工位

在斜射工位下，對(duì)光油、白點(diǎn)和劃傷缺陷進(jìn)行不同算法對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2所示。

從表2可以看出，在斜射工位上采用傳統(tǒng)算法就可以對(duì)常見的缺陷穩(wěn)定檢測(cè)，且在檢測(cè)用時(shí)上優(yōu)于深度學(xué)習(xí)算法，但是對(duì)于劃傷這類線條狀缺陷，深度學(xué)習(xí)算法檢測(cè)的準(zhǔn)確性方面要優(yōu)于常規(guī)算法。

3）反射工位

在反射工位下，對(duì)光油、脫格、黑點(diǎn)、白點(diǎn)、白色劃痕、脫墨及絲網(wǎng)缺失等缺陷進(jìn)行不同算法對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示。

從表3可以看出，在反射工位下，深度學(xué)習(xí)算法僅在脫格缺陷與黑點(diǎn)缺陷檢測(cè)上略低于常規(guī)算法，在其他缺陷檢測(cè)上均有一定優(yōu)勢(shì)。

綜上，深度學(xué)習(xí)算法在反射工位檢測(cè)效果最好，斜射工位次之，因此將深度學(xué)習(xí)算法添加到反射工位可以達(dá)到最佳檢測(cè)效果；本文提出的無(wú)監(jiān)督模式結(jié)合二分類的策略能有效降低誤檢率，但處理時(shí)間略有增加；常規(guī)方法對(duì)于脫格類缺陷、點(diǎn)缺陷具有較好的檢測(cè)效果，對(duì)于光油缺陷檢測(cè)效果較差，且脫墨、絲網(wǎng)缺失缺陷均無(wú)法檢測(cè)，而深度學(xué)習(xí)算法對(duì)于大部分缺陷，包含脫墨、白色劃痕、絲網(wǎng)缺失缺陷產(chǎn)品，均具有較高的檢出率。

4 總結(jié)

本文將人工智能技術(shù)（深度學(xué)習(xí)）應(yīng)用于煙草包裝印刷質(zhì)量檢測(cè)領(lǐng)域，以GoogLeNet網(wǎng)絡(luò)模型為基礎(chǔ)，在無(wú)監(jiān)督模式的基礎(chǔ)上加入二分類二次判決。實(shí)驗(yàn)中，以小張包裝印刷缺陷為實(shí)驗(yàn)對(duì)象，以多種光學(xué)成像方式，驗(yàn)證無(wú)監(jiān)督模式結(jié)合二分類的深度學(xué)習(xí)策略在包裝印刷檢測(cè)領(lǐng)域較傳統(tǒng)算法和單無(wú)監(jiān)督方式的提升效果。

不同的網(wǎng)絡(luò)模型及不同的參數(shù)選擇對(duì)結(jié)果均有較大影響，因此，本文實(shí)驗(yàn)數(shù)據(jù)僅說(shuō)明當(dāng)前實(shí)驗(yàn)背景條件下所能達(dá)到的效果，并不能代表深度學(xué)習(xí)在該領(lǐng)域所能達(dá)到的最佳效果?？傊夹g(shù)的領(lǐng)先不是印刷包裝企業(yè)的最終目標(biāo)，而缺陷產(chǎn)品檢出率100%才是終極目標(biāo)。當(dāng)前人工智能技術(shù)在視覺(jué)檢測(cè)[11]領(lǐng)域初顯優(yōu)勢(shì)，但依舊不能獨(dú)擋一面，仍然需要與傳統(tǒng)檢測(cè)算法相結(jié)合，互補(bǔ)彼此的不足與缺點(diǎn)，共同完成客戶以及終端消費(fèi)者對(duì)產(chǎn)品外觀日益嚴(yán)格的視覺(jué)需求。當(dāng)然，人工智能技術(shù)潛力巨大，相信在不久的將來(lái)，其應(yīng)用程度將進(jìn)一步拓展，充分發(fā)揮出它該有的效果。

參考文獻(xiàn)：

[1] 徐足騁，周鑫，袁鎖中，等.基于視覺(jué)的印刷品缺陷檢測(cè)技術(shù)[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017， 31（8）：150-157.

[2] 馮秋歌，吳祿慎，王曉輝.基于視覺(jué)的印刷字符缺陷自動(dòng)檢測(cè)方法[J].機(jī)械與動(dòng)力工程，2018，40（4）：385-389.

[3] 郭毅可.踏踏實(shí)實(shí)地研究人工智能[J].自然雜志，2019， 41（2）：79-84.

[4] 王擁軍，荊京.人工智能在神經(jīng)醫(yī)學(xué)領(lǐng)域應(yīng)用的現(xiàn)狀和展望[J].中華內(nèi)科雜志，2018， 57（10）：697-699.

[5] 門超.包裝印刷檢測(cè)的新篇章-機(jī)器視覺(jué)[J].印刷雜志，2017， （8）：59-61.

[6] 李致金，李培秀，朱超.基于深度學(xué)習(xí)的標(biāo)簽缺陷檢測(cè)系統(tǒng)應(yīng)用[J].現(xiàn)代電子技術(shù)，2019， 42（7）：153-156.

[7] 孫志森，李宏欣，席耀一，李強(qiáng). 人工智能與神經(jīng)網(wǎng)絡(luò)發(fā)展研究[J].計(jì)算機(jī)科學(xué)與應(yīng)用，2018，8（02）：154-165.

[8] 李培秀，李致金，韓可，朱超. 基于Caffe深度學(xué)習(xí)框架的標(biāo)簽缺陷檢測(cè)應(yīng)用研究[J].中國(guó)電子科學(xué)研究院學(xué)報(bào)，2019，14（2）：118-122.

[9] 任萌.圖像視覺(jué)識(shí)別算法概述[J]智能計(jì)算機(jī)與應(yīng)用，2019， 9（3）：294-297.

[10] 王棟，解則曉.基于形態(tài)學(xué)的PCB缺陷快速檢測(cè)技術(shù)[J]計(jì)算機(jī)科學(xué)，2016， 43（z1）：184-186.

[11] 門超.包裝印刷檢測(cè)的新篇章--機(jī)器視覺(jué)[J].印刷雜志，2017，（08）：59-61.