基于深度學(xué)習(xí)的打印件中感光鼓損傷印跡識(shí)別系統(tǒng)設(shè)計(jì)

李志榮

摘? 要： 傳統(tǒng)的打印機(jī)感光鼓損傷印跡識(shí)別系統(tǒng)識(shí)別時(shí)間長，工作過程穩(wěn)定性差，為了解決上述問題，基于深度學(xué)習(xí)設(shè)計(jì)了一種新的打印機(jī)感光鼓損傷印跡識(shí)別系統(tǒng)。在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上增加訓(xùn)練模型，設(shè)計(jì)了一種新的卷積神經(jīng)網(wǎng)絡(luò)，將該網(wǎng)絡(luò)引入到系統(tǒng)硬件中，構(gòu)建出系統(tǒng)硬件總結(jié)構(gòu)，包括輸入層、卷積層、下采樣層、特征提出層和輸出層五層。根據(jù)硬件設(shè)計(jì)軟件程序，共分為信息預(yù)處理、感光鼓損傷印跡定位、感光鼓損傷印跡分割、感光鼓損傷印跡識(shí)別四步。為檢測識(shí)別系統(tǒng)的工作效果，與傳統(tǒng)識(shí)別系統(tǒng)進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果表明，基于深度學(xué)習(xí)設(shè)計(jì)的識(shí)別系統(tǒng)能夠有效縮短感光鼓損傷印跡識(shí)別時(shí)間，工作過程穩(wěn)定性高。

關(guān)鍵詞： 感光鼓損傷印跡識(shí)別系統(tǒng); 深度學(xué)習(xí); 卷積神經(jīng)網(wǎng)絡(luò); 實(shí)驗(yàn)參數(shù)設(shè)定; 識(shí)別時(shí)間對(duì)比; 穩(wěn)定性對(duì)比

中圖分類號(hào)： TN99?34; TP302.1? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）11?0163?04

Design of deep learning based printer photosensitive drum damage imprint recognition system for printed pieces identification

LI Zhirong

（Department of Document Examination Technology， Criminal Investigation Police University of China， Shenyang 110035， China）

Abstract： Since the traditional printer photosensitive drum damage imprint recognition system takes a long time for the recognition and the working stability is poor， a new printer photosensitive drum damage imprint recognition system is designed based on the deep learning. In the system， a new convolutional neural network is designed by adding a training model to the traditional convolutional neural network. The new network is introduced into the system hardware to construct the overall system hardware structure， which include five layers， named input layer， convolutional layer， downsampling layer， feature extraction layer and output layer. According to the hardware， the software program is designed， which is divided into four steps， named information pretreatment， location of photosensitive drum damage imprint， segmentation of photosensitive drum damage imprint and identification of photosensitive drum damage imprint. Contrastive experiments on the proposed recognition system and traditional recognition system were carried out to test the operation effects. The results show that the proposed recognition system based on the deep learning can effectively shorten the recognition time of photosensitive drum damage imprint， and is of high working stability.

Keywords： photosensitive drum damage imprint recognition system; deep learning; convolutional neural network; experimental parameter setting; recognition time contrast; stability contrast

0? 引? 言

司法鑒定需要大量文件證據(jù)，一旦被偽造，就很難做出正確的審查決定[1]。民事訴訟中存在大量各種打印件，偽造檢驗(yàn)極為困難。通過無損檢驗(yàn)方法判斷文件是否存在偽造，對(duì)于司法鑒定有重要的意義[2]。感光鼓是激光打印機(jī)的核心部件，組成材料主要是硫化鎘和有機(jī)光導(dǎo)材料。打印機(jī)感光鼓表面材料為光導(dǎo)體，存在一定硬度，由于不斷承受外界的機(jī)械壓力，所以會(huì)出現(xiàn)一定的磨損，從而形成感光鼓損傷印跡，每一個(gè)打印件上都會(huì)出現(xiàn)這種損傷印跡，出現(xiàn)方式為周期性出現(xiàn)，感光鼓周長不同，出現(xiàn)周期也不同[3]。比較每個(gè)歷史樣本的感光鼓損傷印跡，可以確定打印件的具體時(shí)間，并判斷文件中的打印件是否為一次打印而成[4]。

深度學(xué)習(xí)這一概念來自于人工神經(jīng)網(wǎng)絡(luò)，通過分析低層特征，判斷出高層特征，進(jìn)而確定出數(shù)據(jù)的分布式特征。機(jī)器可以利用深度學(xué)習(xí)方法對(duì)數(shù)據(jù)進(jìn)行表征，通過監(jiān)督式和半監(jiān)督式的方法分析事物特性，并取代手工方法，提高工作效率[5]。

本文引入深度學(xué)習(xí)理論設(shè)計(jì)了一種新的識(shí)別系統(tǒng)，該系統(tǒng)能夠針對(duì)感光鼓損傷印跡進(jìn)行識(shí)別，分別設(shè)計(jì)了系統(tǒng)的硬件和軟件，最終通過實(shí)驗(yàn)對(duì)該設(shè)計(jì)進(jìn)行相關(guān)驗(yàn)證，判斷識(shí)別的科學(xué)性和實(shí)用性。

1? 打印件中感光鼓損傷印跡識(shí)別系統(tǒng)硬件設(shè)計(jì)

基于深度學(xué)習(xí)算法對(duì)打印件中感光鼓損傷印跡識(shí)別系統(tǒng)硬件進(jìn)行設(shè)計(jì)，通過引入卷積神經(jīng)網(wǎng)絡(luò)，加強(qiáng)系統(tǒng)硬件的實(shí)用性。

1.1? 卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)算法內(nèi)部包含了大量的神經(jīng)元，神經(jīng)元彼此獨(dú)立，主要通過連接上層神經(jīng)元接收下層神經(jīng)元，神經(jīng)元之間的組合方式不斷變換，從而得到更多的語義信息，獲得學(xué)習(xí)目標(biāo)的分布式特征[6]。本文應(yīng)用的神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)，這是一種多層神經(jīng)網(wǎng)絡(luò)，能夠很好地識(shí)別出二維特征，即使面對(duì)平移、縮放的學(xué)習(xí)目標(biāo)，卷積神經(jīng)網(wǎng)絡(luò)也具有很強(qiáng)大的不變性。因此，十分適合應(yīng)用到打印件的感光鼓損傷印跡識(shí)別工作中，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

觀察圖1可知，卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出可以看作非映射關(guān)系，通過訓(xùn)練已知模型，使卷積神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元形成映射關(guān)系，在進(jìn)行訓(xùn)練之前，要對(duì)所有的參數(shù)值進(jìn)行初始化設(shè)置，通過向前傳播訓(xùn)練和反向傳播訓(xùn)練調(diào)節(jié)神經(jīng)元之間的關(guān)系[7]。

向前傳播訓(xùn)練會(huì)將卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集中到一起，以樣本的形式向中心網(wǎng)絡(luò)輸出，通過不斷變換組合得到最終的輸出結(jié)果[8]。本文設(shè)定的卷積神經(jīng)網(wǎng)絡(luò)向前傳遞方式和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)向前傳遞方式大致相同，輸入層和輸出層滿足如下關(guān)系：

[Al=f（KlAl-1+Bl）] （1）

式中：[Al]代表輸出結(jié)果;[Al-1]表示輸入層;[l]代表卷積神經(jīng)網(wǎng)絡(luò)層數(shù);[K]代表權(quán)值;[B]代表偏置;[f]代表激活函數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)在經(jīng)過一次向前傳播之后，會(huì)出現(xiàn)反向傳播，根據(jù)誤差定義方式判斷傳播網(wǎng)絡(luò)狀態(tài)，上層神經(jīng)元接收誤差之后要更新自身權(quán)值[9]。

1.2? 識(shí)別系統(tǒng)硬件結(jié)構(gòu)設(shè)計(jì)

根據(jù)設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建新的硬件識(shí)別系統(tǒng)，系統(tǒng)總體結(jié)構(gòu)如圖2所示。

觀察圖2可知，本文設(shè)計(jì)的打印件中感光鼓損傷印跡識(shí)別系統(tǒng)硬件共分為5個(gè)層次，分別是輸入層、卷積層、下采樣層、特征提出層和輸出層[10]。

1） 輸入層設(shè)置。將需要識(shí)別的感光鼓損傷印跡提取出來，以矩陣的方式輸入到識(shí)別系統(tǒng)，為確保識(shí)別結(jié)果的準(zhǔn)確性，最初的輸入矩陣規(guī)格統(tǒng)一設(shè)定成64×64，在此基礎(chǔ)上不斷擴(kuò)展[11]。輸入方式如圖3所示。

2） 卷積層設(shè)置。應(yīng)用本文設(shè)計(jì)的識(shí)別系統(tǒng)設(shè)置卷積層，通過卷積運(yùn)算和不同的濾波器分析輸入的感光鼓損傷印跡特征，提取原始信號(hào)后，對(duì)信號(hào)進(jìn)行增強(qiáng)處理。識(shí)別系統(tǒng)中的神經(jīng)元連接區(qū)域不同，識(shí)別性能也有所不同，設(shè)置的卷積層卷積核尺寸為10×10，如圖4所示。

3） 采樣層設(shè)置。在對(duì)感光鼓損傷印跡進(jìn)行采樣時(shí)，會(huì)得到多個(gè)特征圖，為提高特征圖的分辨率可以進(jìn)行簡單的縮放處理，減少卷積神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值參數(shù)。為確保采樣過程系統(tǒng)的穩(wěn)健性，設(shè)定的縮放因子不能過大，要小于2，采樣過程如圖5所示。

4） 特征提取層設(shè)置。利用歸一化處理，將識(shí)別的感光鼓損傷印跡提取出來，采取一一對(duì)應(yīng)的方式得到損傷印跡特征，并根據(jù)卷積要求對(duì)特征進(jìn)行重新組合，確保卷積網(wǎng)絡(luò)中的神經(jīng)元連接數(shù)量在可控制范圍內(nèi)。本文設(shè)置的特征提取層尤其適用不同特征的感光鼓損傷印跡提取。

在特征提出層內(nèi)部設(shè)定了一個(gè)匹配模板，能夠針對(duì)輸出層的特征進(jìn)行模板匹配。傳統(tǒng)的識(shí)別系統(tǒng)內(nèi)部也存在匹配模板，但由于設(shè)定的模板為單一模板，所以很容易受到外界因素的影響，因此需要設(shè)置出多個(gè)標(biāo)準(zhǔn)模板，使識(shí)別結(jié)果更加準(zhǔn)確，并且能夠更加全面地解決多方面問題。但是如果模板過多會(huì)加大系統(tǒng)計(jì)算量，使系統(tǒng)運(yùn)算過程更加復(fù)雜化，本文結(jié)合多方考慮，設(shè)置了3個(gè)匹配模板，將提取出來的感光鼓損傷印跡進(jìn)行特征匹配，在不同模板中進(jìn)行識(shí)別[12]。

5） 輸出層設(shè)置。觀察系統(tǒng)硬件框架圖可知，輸出層和特征層的連接方式為全連接，每一層卷積網(wǎng)絡(luò)中包含的神經(jīng)元能夠達(dá)到500個(gè)，輸出的連接鏈路高達(dá)3 000條。系統(tǒng)在識(shí)別時(shí)，一定會(huì)出現(xiàn)錯(cuò)誤識(shí)別結(jié)果，因此在輸出層加入了局部識(shí)別模塊，該模塊記錄了常用的錯(cuò)誤識(shí)別類型，并針對(duì)每一個(gè)輸出結(jié)果進(jìn)行局部識(shí)別，如果發(fā)現(xiàn)錯(cuò)誤的輸出結(jié)果，將會(huì)重新標(biāo)注，以此確保輸出結(jié)果的精確度[13]。

系統(tǒng)硬件電路圖如圖6所示。

2? 打印件中感光鼓損傷印跡識(shí)別系統(tǒng)軟件設(shè)計(jì)

在打印件中感光鼓損傷印跡識(shí)別系統(tǒng)硬件結(jié)構(gòu)上進(jìn)行軟件設(shè)計(jì)，軟件流程如圖7所示。

感光鼓損傷印跡識(shí)別系統(tǒng)軟件流程如下：

1） 信息預(yù)處理。打印件中的感光鼓損傷印跡很有可能受到外界因素影響，因此，這時(shí)需要去掉隱藏的無用信息。通過預(yù)處理的方式將打印件中的所有信息灰度化，利用平滑操作處理信息，并盡可能地剔除干擾信息，方便后期處理。

2） 感光鼓損傷印跡定位。利用卷積神經(jīng)網(wǎng)絡(luò)生成候選框，在候選框內(nèi)部設(shè)定通道，通過回歸目標(biāo)函數(shù)確定感光鼓損傷定位。

3） 感光鼓損傷印跡分割。在確定出感光鼓損傷印跡所在位置之后，根據(jù)損傷印跡存在間隔的特點(diǎn)設(shè)定投影，從中間位置向前、后兩個(gè)方向分割，由于每一個(gè)印跡的尺寸不同，所以需要?dú)w一化處理，使印跡尺寸能夠統(tǒng)一到一起。

4） 感光鼓損傷印跡識(shí)別。對(duì)損傷印跡進(jìn)行降噪處理，分別計(jì)算出最小距離和最大距離，在識(shí)別模板上確定點(diǎn)集和字符集。如果模板內(nèi)部的點(diǎn)分布方式比較集中，則模板與損傷印跡匹配度非常高，易于識(shí)別;如果模板內(nèi)部的點(diǎn)分布方式比較分散，則模板與損傷印跡匹配度相對(duì)較低，識(shí)別起來比較困難，可以針對(duì)特征進(jìn)行識(shí)別，確定易錯(cuò)識(shí)別位置，同時(shí)可以多設(shè)定幾個(gè)識(shí)別模板，確保識(shí)別結(jié)果的準(zhǔn)確率。