人工智能技术在烟草包装印刷质量检测上的应用研究

钱隽

摘要：人工智能的发展日新月异，正推动着印刷行业质量检测技术的革新。在总结传统检测算法不足的基础上将深度学习理论应用到该检测领域中，并在实际应用中针对烟草小盒包装印刷产品存在较高误检率的问题，将无监督和二分类有效结合。首先通过无监督模式进行待检产品与好品训练集的严格一致性界定，然后将异常包装印刷产品根据其缺陷子图进行二分类划分为误检品和缺陷品，并以二分类结果作为最终检测结果，最终实现高检出率、低误检率的目标。针对烟草包装印刷小盒产品进行多组实验，以GoogLeNet网络模型为基础，以小张包装印刷品为检测对象，以多种光学成像方式，验证上述无监督模式结合二分类的深度学习策略具备良好检测效果。

关键词：人工智能技术；深度学习；包装印刷检测；缺陷检测

中图分类号：TP18，TS8 文献标识码：A 文章编号：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

随着包装印刷工艺技术的发展，包括各种新材料的开发应用和叠加，促使了烟草包装印刷品的外观形象越来越丰富、精致和美观。但包装印刷生产过程中的各种不确定因素，极易导致产品表面出现缺陷和瑕疵。为避免带有缺陷或瑕疵的产品投入烟厂使用，以机器视觉为主要依托技术的缺陷自动化检测设备如雨后春笋般出现[1]。而近年来，我国包装印刷品种类不断丰富，同时质量也得到了较大提高，传统缺陷检测方法灵活性及单一适用性的缺点也逐渐浮出水面[2]。

2017年，国务院颁布了《新一代人工智能发展规划》，将发展人工智能技术提升到国家战略层面高度。人工智能属于计算机科学范畴，使用计算机技术模拟人类思维及学习过程，并伴随着知识的不断储备[3，4]。人工智能技术直接分析大量包装印刷产品图像数据，并直接通过数据本身驱动特征及表達关系，实现缺陷产品的预测，因此人工智能技术能够有效解决传统包装印刷品检测方法存在的不足[5，6]。

1 人工智能与深度学习概述

1956年，人工智能正式诞生。人工智能的研究是一个模拟人类学习、思考、推理的思维过程，而随着人工智能技术的不断发展，产生了许多分支，模糊逻辑、专家系统、神经网络、遗传算法是其中最为活跃的四大分支。

受到大脑结构分层的启发影响，人工智能相关研究人员发现模拟人类大脑神经传输结构的多层网络具有很强的特征学习及数据表征能力[7]，非常适合做回归或分类任务。深度学习是在神经网络基础上进一步发展而来，可以通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现出强大的从少数样本中集中学习数据及本质特征的能力[8]，本文以GoogLeNet网络模型[9]为基础，以小张包装印刷缺陷检测为应用场景，采用多种光学成像方式，展示深度学习在包装印刷检测领域的应用效果。

2 缺陷检测

目前深度学习在包装印刷产品的检测中，以具有深度结构的卷积神经网络应用最为广泛，本文以GoogLeNet网络模型为基础，在无监督的基础上加入二分类二次判决，通过缺陷子图的再分类进一步提高深度学习缺陷检测效果。

深度学习算法检测印刷包装产品，通过输入大量的样本图像用于网络模型的训练，并在机器上演绎出一个预判模型，在实际的生产检测过程中，需结合这些预判模型设计一套检测过程完成缺陷品的有效检出，整体设计框图如图1所示，可分为训练和检测两大过程。

2.1训练过程

训练过程的目的在于生成深度学习运行库，作为检测过程所需的决策依据。

无监督模式是通过训练批量的好品样本，识别出包装印刷产品中与好品样本存在一定差异的过程。深度学习无监督运行库的训练需收集大量好品产品，通过批量采图获取好品样本集[10]，将好品样本集输入至GoogLeNet网絡模型进行迭代训练，主要训练参数：迭代次数60，颜色通道3，特征尺寸40，采样密度1，训练集选择比例100%。训练完成后以训练样本的最大得分值作为划分好品和坏品的阈值（如图2所示），生成深度学习无监督运行库，用于检测过程的调用及决策。

二分类是通过训练缺陷子图和好品子图样本获得一个分类器，再通过检品机检测过程产生的子图进行分类最终确定该产品的检测结果。其中，缺陷子图由检品机检测过程产生，以缺陷为中心截取200*200的像素大小；好品子图以人工复查方式挑选出缺陷子图中的误检品作为好品子图。深度学习二分类运行库的训练过程需分别将缺陷子图集、好品子图集输入到GoogLeNet网络模型，并分别标记label为NG和Good，然后进行多次迭代训练。主要训练参数：迭代次数40，颜色通道3，特征尺寸20，采样密度1，训练集选择比例100%。

2.2检测过程

检测过程摒弃了常规深度学习检测的单一过程，将无监督模式和二分类有效结合，保障有效检出的同时有效降低误检率。

待检产品首先经过深度学习有监督运行库进行决策，当决策结果为好品则说明该检测产品和训练的好品集是严格一致的，而当检测结果为坏品时，说明该检测产品脱离了好品集的类别，由于好品集是有限的并无法代表所有的好品产品，因此需做进一步判决其是否有可能仍然是好品。根据无监督检测热度值确定缺陷坐标，并以缺陷为中心截取200*200像素大小作为缺陷子图。缺陷子图输入到深度学习二分类运行库进行二次决策，若决策结果为好品则说明该产品被误检，若决策结果为坏品则说明该产品为真正缺陷品。

3 实验

3.1检出实验

实验中，采用Etov8K相机在反射工位下针对中华、牡丹和黄鹤楼三种烟包产品涵盖白色线、光油、压凸脱格及脱墨缺陷进行详细实验研究，验证其检出效果。

实验中，中华产品白色线缺陷、牡丹产品光油缺陷、牡丹产品压凸脱格缺陷以及黄鹤楼脱墨缺陷的检出结果展示如图3和图4所示。

实验检出结果表明：深度学习针对较小的缺陷仍然具备较好的检出效果，其在包装印刷品缺陷检测领域的应用是可行的且具有良好的准确性。

3.2对比实验

深度学习算法检测的准确性和耗时，与产品成像以及待检测缺陷类型等细节存在极大关系，因此，在验证深度学习算法较传统算法优势的同时需寻找最适合应用深度学习算法的检测工位。实验中，分别对穹顶、斜射、反射三个检测工位下的传统常规检测算法、无监督检测方法、无监督结合二分类检测方法的检测效果做了对比，其对比结果如下：

1）穹顶工位

在穹顶工位下，对光油、刀丝、白/黑点和黑线缺陷进行不同算法对比实验，实验结果如表1所示。

从表1可以看出，深度学习算法在穹顶工位上的检测效果不是很明显，而作为对比的常规算法可以检测穹顶工位绝大部分缺陷。

2）斜射工位

在斜射工位下，对光油、白点和划伤缺陷进行不同算法对比实验，实验结果如表2所示。

从表2可以看出，在斜射工位上采用传统算法就可以对常见的缺陷稳定检测，且在检测用时上优于深度学习算法，但是对于划伤这类线条状缺陷，深度学习算法检测的准确性方面要优于常规算法。

3）反射工位

在反射工位下，对光油、脱格、黑点、白点、白色划痕、脱墨及丝网缺失等缺陷进行不同算法对比实验，实验结果如表3所示。

从表3可以看出，在反射工位下，深度学习算法仅在脱格缺陷与黑点缺陷检测上略低于常规算法，在其他缺陷检测上均有一定优势。

综上，深度学习算法在反射工位检测效果最好，斜射工位次之，因此将深度学习算法添加到反射工位可以达到最佳检测效果；本文提出的无监督模式结合二分类的策略能有效降低误检率，但处理时间略有增加；常规方法对于脱格类缺陷、点缺陷具有较好的检测效果，对于光油缺陷检测效果较差，且脱墨、丝网缺失缺陷均无法检测，而深度学习算法对于大部分缺陷，包含脱墨、白色划痕、丝网缺失缺陷产品，均具有较高的检出率。

4 总结

本文将人工智能技术（深度学习）应用于烟草包装印刷质量检测领域，以GoogLeNet网络模型为基础，在无监督模式的基础上加入二分类二次判决。实验中，以小张包装印刷缺陷为实验对象，以多种光学成像方式，验证无监督模式结合二分类的深度学习策略在包装印刷检测领域较传统算法和单无监督方式的提升效果。

不同的网络模型及不同的参数选择对结果均有较大影响，因此，本文實验数据仅说明当前实验背景条件下所能达到的效果，并不能代表深度学习在该领域所能达到的最佳效果。总之，技术的领先不是印刷包装企业的最终目标，而缺陷产品检出率100%才是终极目标。当前人工智能技术在视觉检测[11]领域初显优势，但依旧不能独挡一面，仍然需要与传统检测算法相结合，互补彼此的不足与缺点，共同完成客户以及终端消费者对产品外观日益严格的视觉需求。当然，人工智能技术潜力巨大，相信在不久的将来，其应用程度将进一步拓展，充分发挥出它该有的效果。

参考文献：

[1] 徐足骋，周鑫，袁锁中，等.基于视觉的印刷品缺陷检测技术[J].重庆理工大学学报（自然科学版）， 2017， 31（8）：150-157.

[2] 冯秋歌，吴禄慎，王晓辉.基于视觉的印刷字符缺陷自动检测方法[J].机械与动力工程，2018，40（4）：385-389.

[3] 郭毅可.踏踏实实地研究人工智能[J].自然杂志，2019， 41（2）：79-84.

[4] 王拥军，荆京.人工智能在神经医学领域应用的现状和展望[J].中华内科杂志，2018， 57（10）：697-699.

[5] 门超.包装印刷检测的新篇章-机器视觉[J].印刷杂志，2017， （8）：59-61.

[6] 李致金，李培秀，朱超.基于深度学习的标签缺陷检测系统应用[J].现代电子技术，2019， 42（7）：153-156.

[7] 孙志森，李宏欣，席耀一，李强. 人工智能与神经网络发展研究[J].计算机科学与应用，2018，8（02）：154-165.

[8] 李培秀，李致金，韩可，朱超. 基于Caffe深度学习框架的标签缺陷检测应用研究[J].中国电子科学研究院学报，2019，14（2）：118-122.

[9] 任萌.图像视觉识别算法概述[J]智能计算机与应用，2019， 9（3）：294-297.

[10] 王栋，解则晓.基于形态学的PCB缺陷快速检测技术[J]计算机科学，2016， 43（z1）：184-186.

[11] 门超.包装印刷检测的新篇章--机器视觉[J].印刷杂志，2017，（08）：59-61.