基于卷积神经网络的卷烟小盒外观检测研究

刘 巍

（红云红河烟草（集团）有限责任公司昆明卷烟厂，云南 昆明 650202）

烟草行业竞争越来越激烈，抢占市场，产品质量是重中之重。烟草企业生产出质量出众的产品，不仅是提升企业品牌形象的重要举措，更是践行“国家利益至上、消费者利益至上”的行业价值观要求。如何生产出“支支精良、包包精美”的产品，减少和杜绝不合格品流入市场，是各卷烟企业质量控制的关键环节。

目前，小包烟外观检测大多采用传统的图像处理方法，通过图像特征提取来做识别，使用这种方法，遇到新的问题需要找新的特征。针对此问题，本文提出一种基于卷积神经网络的卷烟小包外观检测算法，模拟人的识别过程，通过大量数据的学习，获得的算法能达到与人一致的评判效果，杜绝了人工找图像特征。

1 卷积神经网络

卷积神经网络在训练过程中可自动生成特征提取器，不需要人工设计，它是一种特殊的深度神经网络，网络中的权重在训练过程中确定。卷积神经网络包含提取输入图像特征的神经网络和一个进行图像分类的神经网络，如图1 所示。特征提取神经网络由成对的卷积层和池化层组成，接收输入图像后，把提取到的特征信号传递给分类神经网络。随后分类神经网络基于图像特征进行运算，并产生分类输出。

图1 卷积神经网络的典型结构

2 数据集

本文所使用的图像数据来自于某卷烟厂52# 号机FOCKE-FXS 机型视觉成像系统，所采图像为近半年的数据，包括缺陷剔除图像与正常图像，其中缺陷剔除图像587 张，正常图像295 张。

小包正面外观缺陷包括商标缺陷与印花缺陷两种，其中商标缺陷有商标内外反折、商标上下反折、商标左右移位、商标歪斜、商标破损、商标胶印、商标粘异物、商标露铝箔纸等典型的缺陷类型，如图2 所示。

图2 商标典型缺陷

印花缺陷是指烟包印花未正确成型产生的缺陷，有印花反折、印花未粘牢、印花歪斜、印花翘曲、印花长短、印花露白、多张印花、无印花等典型的缺陷类型，如图3所示。

图3 印花典型缺陷

3 卷积神经网络模型

针对小包外观检测，设计了一种卷积神经网络架构（图4）。输入的图像数据是经过裁剪及压缩的小包外观图片，得到128×128 的输入图像数据，作为网络的输入层。接下来是2 层卷积层与池化层，共4 层。C1 层为第1层卷积层，卷积过滤器大小是5×5，卷积过滤器共20 个，卷积步长为1；S2 层为池化层，步长为2，经过2×2 的最大池化；C3 层为第2 个卷积层，卷积过滤器大小是5×5，卷积过滤器共20 个，步长为1；S4 层为池化层，步长为2，经过2×2 最大池化。模型通过以上结构提取出图像特征，获得20 个29×29 的图像特征。C5 层为全连接层，将二维的图像数据转换为一维的数据，便于进行分类。最后一层为输出层，使用softmax 函数对小包外观进行分类，得到小包缺陷与正常两种情况的识别概率。此外，在C1、C3 两个卷积层后的激活函数为ReLU 激活函数。

图4 卷积神经网络架构

4 结果

4.1 图像经卷积神经网络处理的结果

图像进入卷积神经网络的两个卷积层后分别得到20 张特征图，图5 为印花歪斜烟包的特征图，图6 为正常烟包的特征图。经过卷积层提取的特征，如图中线框所示，印花歪斜的烟包与正常的烟包，相同位置处差别较大，因此可以得出，卷积层提取特征能有效地区分出外观有缺陷的烟包。

图5 印花歪斜烟包特征图

图6 正常烟包特征图

4.2 实验结果

按照设计的模型结构，在MATLAB 中使用神经网络工具箱生成卷积神经网络，学习率设定为0.001，训练轮数为1 000 轮，Minibatch 取128，即每批次计算128 个输入图像，动量系数取0.9，选择交叉熵损失函数作为优化函数，使用训练数据集对小包外观识别的训练结果如图7 所示，迭代2 000 次以后，模型逐渐趋于稳定，准确率达到90%以上。

图7 训练集迭代识别准确率曲线

训练过程中的损失函数曲线如图8 所示，随着迭代的逐渐增加，损失函数逐渐降低并趋于稳定，稳定后的数值保持在0.1 以下。

图8 损失函数

用事先分配好的10%随机验证集，在每次迭代完成，计算得到权重值后，使用验证集进行验证，验证数据集与测试数据集基本一致，在迭代2 000 次以后，达到稳定。

进行6 000 次迭代（1 000 轮）后，得到模型最终权重值，之后使用全新数据集进行算法检验，结果如表1 所示。

表1 数据集识别结果

由表可知，新数据集识别准确率达到99.15%，效果较好，说明使用的卷积神经网络模型是有效的。

5 结束语

近年来，深度学习技术在学术界和工业界都得到了广泛的应用和传播，在各行各业都取得了非常好的效果。本文从卷烟工厂实际生产情况，创新性采用卷积神经网络对卷烟小包外观进行检测，模拟人对图像的判断过程，准确识别出有缺陷的烟包与正常的烟包，经过验证，使用的模型是有效的，识别准确率达到99.15%，获得较好的效果，具备在烟草行业小包外观检测中推广应用的价值。