人工智能技術在煙草包裝印刷質量檢測上的應用研究

錢雋

摘要：人工智能的發展日新月異，正推動著印刷行業質量檢測技術的革新。在總結傳統檢測算法不足的基礎上將深度學習理論應用到該檢測領域中，并在實際應用中針對煙草小盒包裝印刷產品存在較高誤檢率的問題，將無監督和二分類有效結合。首先通過無監督模式進行待檢產品與好品訓練集的嚴格一致性界定，然后將異常包裝印刷產品根據其缺陷子圖進行二分類劃分為誤檢品和缺陷品，并以二分類結果作為最終檢測結果，最終實現高檢出率、低誤檢率的目標。針對煙草包裝印刷小盒產品進行多組實驗，以GoogLeNet網絡模型為基礎，以小張包裝印刷品為檢測對象，以多種光學成像方式，驗證上述無監督模式結合二分類的深度學習策略具備良好檢測效果。

關鍵詞：人工智能技術；深度學習；包裝印刷檢測；缺陷檢測

中圖分類號：TP18，TS8 文獻標識碼：A 文章編號：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的發展，包括各種新材料的開發應用和疊加，促使了煙草包裝印刷品的外觀形象越來越豐富、精致和美觀。但包裝印刷生產過程中的各種不確定因素，極易導致產品表面出現缺陷和瑕疵。為避免帶有缺陷或瑕疵的產品投入煙廠使用，以機器視覺為主要依托技術的缺陷自動化檢測設備如雨后春筍般出現[1]。而近年來，我國包裝印刷品種類不斷豐富，同時質量也得到了較大提高，傳統缺陷檢測方法靈活性及單一適用性的缺點也逐漸浮出水面[2]。

2017年，國務院頒布了《新一代人工智能發展規劃》，將發展人工智能技術提升到國家戰略層面高度。人工智能屬于計算機科學范疇，使用計算機技術模擬人類思維及學習過程，并伴隨著知識的不斷儲備[3，4]。人工智能技術直接分析大量包裝印刷產品圖像數據，并直接通過數據本身驅動特征及表達關系，實現缺陷產品的預測，因此人工智能技術能夠有效解決傳統包裝印刷品檢測方法存在的不足[5，6]。

1 人工智能與深度學習概述

1956年，人工智能正式誕生。人工智能的研究是一個模擬人類學習、思考、推理的思維過程，而隨著人工智能技術的不斷發展，產生了許多分支，模糊邏輯、專家系統、神經網絡、遺傳算法是其中最為活躍的四大分支。

受到大腦結構分層的啟發影響，人工智能相關研究人員發現模擬人類大腦神經傳輸結構的多層網絡具有很強的特征學習及數據表征能力[7]，非常適合做回歸或分類任務。深度學習是在神經網絡基礎上進一步發展而來，可以通過學習一種深層非線性網絡結構，實現復雜函數逼近，表征輸入數據分布式表示，并展現出強大的從少數樣本中集中學習數據及本質特征的能力[8]，本文以GoogLeNet網絡模型[9]為基礎，以小張包裝印刷缺陷檢測為應用場景，采用多種光學成像方式，展示深度學習在包裝印刷檢測領域的應用效果。

2 缺陷檢測

目前深度學習在包裝印刷產品的檢測中，以具有深度結構的卷積神經網絡應用最為廣泛，本文以GoogLeNet網絡模型為基礎，在無監督的基礎上加入二分類二次判決，通過缺陷子圖的再分類進一步提高深度學習缺陷檢測效果。

深度學習算法檢測印刷包裝產品，通過輸入大量的樣本圖像用于網絡模型的訓練，并在機器上演繹出一個預判模型，在實際的生產檢測過程中，需結合這些預判模型設計一套檢測過程完成缺陷品的有效檢出，整體設計框圖如圖1所示，可分為訓練和檢測兩大過程。

2.1訓練過程

訓練過程的目的在于生成深度學習運行庫，作為檢測過程所需的決策依據。

無監督模式是通過訓練批量的好品樣本，識別出包裝印刷產品中與好品樣本存在一定差異的過程。深度學習無監督運行庫的訓練需收集大量好品產品，通過批量采圖獲取好品樣本集[10]，將好品樣本集輸入至GoogLeNet網絡模型進行迭代訓練，主要訓練參數：迭代次數60，顏色通道3，特征尺寸40，采樣密度1，訓練集選擇比例100%。訓練完成后以訓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），生成深度學習無監督運行庫，用于檢測過程的調用及決策。

二分類是通過訓練缺陷子圖和好品子圖樣本獲得一個分類器，再通過檢品機檢測過程產生的子圖進行分類最終確定該產品的檢測結果。其中，缺陷子圖由檢品機檢測過程產生，以缺陷為中心截取200*200的像素大小；好品子圖以人工復查方式挑選出缺陷子圖中的誤檢品作為好品子圖。深度學習二分類運行庫的訓練過程需分別將缺陷子圖集、好品子圖集輸入到GoogLeNet網絡模型，并分別標記label為NG和Good，然后進行多次迭代訓練。主要訓練參數：迭代次數40，顏色通道3，特征尺寸20，采樣密度1，訓練集選擇比例100%。

2.2檢測過程

檢測過程摒棄了常規深度學習檢測的單一過程，將無監督模式和二分類有效結合，保障有效檢出的同時有效降低誤檢率。

待檢產品首先經過深度學習有監督運行庫進行決策，當決策結果為好品則說明該檢測產品和訓練的好品集是嚴格一致的，而當檢測結果為壞品時，說明該檢測產品脫離了好品集的類別，由于好品集是有限的并無法代表所有的好品產品，因此需做進一步判決其是否有可能仍然是好品。根據無監督檢測熱度值確定缺陷坐標，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習二分類運行庫進行二次決策，若決策結果為好品則說明該產品被誤檢，若決策結果為壞品則說明該產品為真正缺陷品。

3 實驗

3.1檢出實驗

實驗中，采用Etov8K相機在反射工位下針對中華、牡丹和黃鶴樓三種煙包產品涵蓋白色線、光油、壓凸脫格及脫墨缺陷進行詳細實驗研究，驗證其檢出效果。

實驗中，中華產品白色線缺陷、牡丹產品光油缺陷、牡丹產品壓凸脫格缺陷以及黃鶴樓脫墨缺陷的檢出結果展示如圖3和圖4所示。

實驗檢出結果表明：深度學習針對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領域的應用是可行的且具有良好的準確性。

3.2對比實驗

深度學習算法檢測的準確性和耗時，與產品成像以及待檢測缺陷類型等細節存在極大關系，因此，在驗證深度學習算法較傳統算法優勢的同時需尋找最適合應用深度學習算法的檢測工位。實驗中，分別對穹頂、斜射、反射三個檢測工位下的傳統常規檢測算法、無監督檢測方法、無監督結合二分類檢測方法的檢測效果做了對比，其對比結果如下：

1）穹頂工位

在穹頂工位下，對光油、刀絲、白/黑點和黑線缺陷進行不同算法對比實驗，實驗結果如表1所示。

從表1可以看出，深度學習算法在穹頂工位上的檢測效果不是很明顯，而作為對比的常規算法可以檢測穹頂工位絕大部分缺陷。

2）斜射工位

在斜射工位下，對光油、白點和劃傷缺陷進行不同算法對比實驗，實驗結果如表2所示。

從表2可以看出，在斜射工位上采用傳統算法就可以對常見的缺陷穩定檢測，且在檢測用時上優于深度學習算法，但是對于劃傷這類線條狀缺陷，深度學習算法檢測的準確性方面要優于常規算法。

3）反射工位

在反射工位下，對光油、脫格、黑點、白點、白色劃痕、脫墨及絲網缺失等缺陷進行不同算法對比實驗，實驗結果如表3所示。

從表3可以看出，在反射工位下，深度學習算法僅在脫格缺陷與黑點缺陷檢測上略低于常規算法，在其他缺陷檢測上均有一定優勢。

綜上，深度學習算法在反射工位檢測效果最好，斜射工位次之，因此將深度學習算法添加到反射工位可以達到最佳檢測效果；本文提出的無監督模式結合二分類的策略能有效降低誤檢率，但處理時間略有增加；常規方法對于脫格類缺陷、點缺陷具有較好的檢測效果，對于光油缺陷檢測效果較差，且脫墨、絲網缺失缺陷均無法檢測，而深度學習算法對于大部分缺陷，包含脫墨、白色劃痕、絲網缺失缺陷產品，均具有較高的檢出率。

4 總結

本文將人工智能技術（深度學習）應用于煙草包裝印刷質量檢測領域，以GoogLeNet網絡模型為基礎，在無監督模式的基礎上加入二分類二次判決。實驗中，以小張包裝印刷缺陷為實驗對象，以多種光學成像方式，驗證無監督模式結合二分類的深度學習策略在包裝印刷檢測領域較傳統算法和單無監督方式的提升效果。

不同的網絡模型及不同的參數選擇對結果均有較大影響，因此，本文實驗數據僅說明當前實驗背景條件下所能達到的效果，并不能代表深度學習在該領域所能達到的最佳效果。總之，技術的領先不是印刷包裝企業的最終目標，而缺陷產品檢出率100%才是終極目標。當前人工智能技術在視覺檢測[11]領域初顯優勢，但依舊不能獨擋一面，仍然需要與傳統檢測算法相結合，互補彼此的不足與缺點，共同完成客戶以及終端消費者對產品外觀日益嚴格的視覺需求。當然，人工智能技術潛力巨大，相信在不久的將來，其應用程度將進一步拓展，充分發揮出它該有的效果。

參考文獻：

[1] 徐足騁，周鑫，袁鎖中，等.基于視覺的印刷品缺陷檢測技術[J].重慶理工大學學報（自然科學版）， 2017， 31（8）：150-157.

[2] 馮秋歌，吳祿慎，王曉輝.基于視覺的印刷字符缺陷自動檢測方法[J].機械與動力工程，2018，40（4）：385-389.

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

[4] 王擁軍，荊京.人工智能在神經醫學領域應用的現狀和展望[J].中華內科雜志，2018， 57（10）：697-699.

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

[6] 李致金，李培秀，朱超.基于深度學習的標簽缺陷檢測系統應用[J].現代電子技術，2019， 42（7）：153-156.

[7] 孫志森，李宏欣，席耀一，李強. 人工智能與神經網絡發展研究[J].計算機科學與應用，2018，8（02）：154-165.

[8] 李培秀，李致金，韓可，朱超. 基于Caffe深度學習框架的標簽缺陷檢測應用研究[J].中國電子科學研究院學報，2019，14（2）：118-122.

[9] 任萌.圖像視覺識別算法概述[J]智能計算機與應用，2019， 9（3）：294-297.

[10] 王棟，解則曉.基于形態學的PCB缺陷快速檢測技術[J]計算機科學，2016， 43（z1）：184-186.

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