基于卷積神經網絡與機器視覺的紙張塵埃度測量系統的設計與應用研究

作者簡介：李歡，工程師；研究方向：人工智能與機器視覺在檢測設備研發中的應用、設備精度與自動化水平的提升。

關鍵詞：紙張塵埃度；卷積神經網絡（CNN）；機器視覺；圖像處理中圖分類號：TS77；TP391.41 文獻標識碼：A DOI： 10.11980/j.issn.0254-508X.2025.08.020

Designand Research of Paper Dirt Determination System Based on Convolutional Neural Network andMachineVision

LI Huan*LI Liang （Wuhan Product Quality Testing Institute Co.，Ltd.，Wuhan，Hubei Province，430048） （*E-mail：lihuanWHQT@163.com）

Abstract：Thisstudydesigedapaperdirtdeterinationsystembasedonconvolutionalneuralnetwork （CN）andmachinevisionThesystemwasconstructedwithtwomodules，modeltrainingandtesting.Highresolutionsannerswereusedtoobtaindirtdatasetsandiagesf papersamples.Dieretoptimzatioalgors wereapldtotainteclasificatiomodel，andadagonalmeasurntalgorwas adopted.Asandarddirtpieltableasceaedfgradgandlasifatiosatists，erbycalulatingthdirthsultssodat the precision of the system could reach 0.007mm² ，which was better than the requirement specified in GB/T 1541—2O13“Paper and board—Determination of dirt\".The classification precision reached 95. 89 % ，enabling full-range determination of various paper products.The repeatabilitydetermiationerorofasinglesapleasO.Compadwitmaualdetetiontesingesapledetectiontestigtieofteste was reduced by about 97% ，realizing efficient and accurate detection of dirt in paper products.

ey words： paper dirt;convolutional neural network （CNN）；machine vision;image processin{

紙張塵埃度是判定紙張外觀質量的關鍵指標之一，及時將紙張塵埃度的檢驗結果反饋給生產企業人員，有助于追溯生產環節，改善工藝流程。現行標準GB/T1541—2013《紙和紙板塵埃度的測定》中已給出詳細的塵埃度測定方法。

目前，主流的紙張塵埃度檢測方式有2類。一類是人工目視檢測法，該方法需在特定光照條件下，對每張紙張樣品上的塵埃進行逐一分類，根據不同的類別進行定級，最后完成標記和記錄工作。此方法主觀性強、效率低，且難以識別檢測面積小于 0.05mm² 的塵埃。另一類是基于機器視覺的檢測法，閆東波等2]提出運用計算機檢測紙張塵埃度，但檢測過程中需要手動選擇測量區域，未實現全流程自動化。程江娜等運用視覺系統作紙張塵埃度的定量分析，但未實現塵埃自動分類定級。

在紙張生產過程中，會產生在塵埃度檢測中被判定為塵埃的紙病，如顏色與紙張主體不同的斑點、孔洞周邊的纖維碎屑或因生產問題附著的雜質等。紙病的存在會影響紙張塵埃度的檢測精度，需要研究人員提高對紙病的識別與檢測。高樂樂等使用卷積神經網絡（CNN）進行深層次特征提取紙病辨識；曲蘊慧等通過改進VGG16網絡，提高了紙病識別效率及精度；湯偉等不斷改進診斷算法，提升了紙病檢測分類速度；顧文君等使用MobileNet模型算法，提升了紙病檢測效率和準確性。

本研究參考深度學習在紙病辨識領域的應用及結合機器視覺技術，設計了一種基于模型訓練和檢驗2個模塊構建的紙張塵埃度測量系統，旨在提升紙張塵埃度檢測的精度、提升自動化水平。

1測量系統概述

1.1測量系統的架構設計

本研究設計的紙張塵埃度測量系統架構包括模型訓練和檢驗2個模塊，架構圖如圖1所示。

模型訓練模塊是基于CNN構建，用以提高紙張塵埃分類準確率。人工智能訓練師根據標準塵埃圖，通過掃描儀制作塵埃數據集，使用TensorFlow開源深度學習框架，搭建合適的CNN模型并訓練，實現塵埃形狀的精準分類。在塵埃度測量系統投入運行后，利用本機存儲的實際樣本塵埃圖集，對模型二次訓練，再次提升準確率。

檢驗模塊基于機器視覺技術構建，可自動檢測。檢驗員按照GB/T450—2008《紙和紙板試樣的采取及試樣縱橫向、正反面的測定》制作試樣，放置到掃描儀中，運行內置OpenCV開源計算機視覺庫的塵埃度測試軟件，自動生成試樣圖片、切割塵埃圖片、測量塵埃像素值、計算塵埃度并生成檢驗報告，進一步反饋給生產人員。

1.2 系統測量精度

本設計選用9000F掃描儀（日本佳能公司），其反射稿光學分辨率高達 4800dpi×4800dpi ，理論最小檢測面積為 2.8×10^-5mm² 。然而在實際掃描過程中，受像差、噪聲及掃描儀內部圖像處理算法無法分辨低于1個像素因素的影響，最小檢測面積偏大。以復印紙為待測樣，切取4張長度約 214mm 、寬度約293mm 的試樣，通過高分辨率掃描儀掃描后，每張試樣分別得到分辨率為2522像素 ×3504 像素的圖片，按照式（1）計算得到最小檢測面積，為 0.007mm² 。本測量系統所獲取的圖像清晰，測量精度滿足GB/T1541—2013《紙和紙板塵埃度的測定》規定的要求（最小檢測面積 0.05mm² ）。

式中， S_min 表示最小檢測面積， mm² ： L 和 W 分別表示試樣的長度、寬度， mm ； M 和 N 分別表示掃描圖片的長度像素數值、寬度像素數值。

2基于CNN的塵埃圖像分類模型設計

2.1CNN塵埃圖像分類過程

2.1.1 圖像輸入與數據增強

塵埃訓練集采用分辨率為128像素 ×128 像素的RGB彩色圖片，使用維度矩陣[高度（h），寬度 （w） ，通道數（c）]表示，圖片即為[128，128，3]，這里的3表示R、G、B3個顏色通道，每個像素點分別存儲

圖1塵埃度測量系統架構圖

Fig.1Architecturediagram of thedirtmeasurement system

3個顏色通道的強度值。

塵埃的色彩多以暗色為主，采用線性變換的方式增加亮度，可使塵埃的輪廓更加清晰，利于后續提取特征。首先，將RGB圖像轉換為HSV圖像，轉換式見式（2）。通過設置系數 k 對亮度值進行調整，計算見式（3）。為避免調整后的亮度值超出正常范圍，需進行截斷處理，計算見式（4）。

式中， I_HSV（x，y） 為1副圖像在HSV顏色空間下的數值，其中 H 表示色調， s 表示飽和度， V 表示亮度。

最后，將調整后的 再轉換回RGB空間。對圖像亮度的調整，僅會改變其像素值，圖像的矩陣維度仍為[128，128，3]，如圖2所示。

2.1.2 塵埃特征提取

卷積層的作用是對圖像進行特征提取，在圖像的n 個通道中，每個通道均配置1個權重參數各異、大小為 k 像素 ×k 像素的矩陣塊（即卷積核）。這些卷積核維度為 [k，k，n] ，與圖像矩陣進行卷積運算，通過卷積核在輸入數據上滑動相乘求和，提取塵埃在水平、垂直、線條及邊界等不同特征，生成塵埃特征圖。該特征圖與通道數量 n 相同，維度矩陣表示為 [h，w，n] 如特征圖維度矩陣[124，124，64]，表示有64張124像素 ×124 像素的特征圖隨后輸入到池化層。

池化層的作用是對特征圖進行下采樣，降低數據維度，減少計算量。池化層使用大小為 p 像素 ×_P 像素的矩陣塊（即池化窗），進行最大池化或者平均池化運算，以保留主要特征。如當池化窗設置為2像素 x 2像素，步長為2時，得到的特征圖維度矩陣變為[h/2，w/2，n]

經過多個卷積-池化對后，特征圖中每個元素按照一定順序展平為一維向量。

2.1.3 塵埃分類

長度為 g 的一維向量進入全連接層后，每個元素都與全連接層中的 m 個神經元相連，并進行線性變換。權重矩陣表示連接強度，矩陣維度為 [g，m] ；偏置矩陣用于引入額外的學習參數，矩陣維度為 [m，1] 通過將輸入向量與權重矩陣進行矩陣乘法運算，加上偏置矩陣的值，經過線性公式計算后，輸出1個長度為 m 的一維向量。

全連接層之后接人Softmax層，Softmax激活函數是一種將多個輸入值轉換為對應概率分布的函數，最終輸出18個塵埃類別中最大概率值所對應的類別標簽。

2.2網絡架構搭建策略

本架構融合了分類領域的經典模型LeNet和AlexNet，其中LeNet的結構簡潔、計算高效，AlexNet的特征提取能力強。網絡結構及參數設置如表1所示。

本架構具有收斂速度快、防止過擬合、泛化能力強的3條優點。

1）收斂速度快

卷積層全部采用ReLU激活函數，加快模型收斂速度，函數表達式如式（5）所示。

Y_i，j，k=max（0，X_i，j，k）

式中， X_i，j，k∈R^h?w?c 為塵埃特征圖 [h，w，c] 第 i 行、第j 列、第 k 個通道的元素。當 X_i，j，kgt;0 時，函數輸出 Y_i，j，k 等于輸入值本身，此時神經元處于激活狀態；當 X_i，j，k ?0 時，函數輸出為0，用以增強重要特征的表達能力，有效緩解因連乘運算梯度在傳播中越來越小，導致的梯度消失問題。

圖2塵埃圖像分類過程

Fig.2Classification process of dirt image

Table1Network structure and parameter settings

2）防止過擬合

最后一個全連接層引入L2正則化，限制全連接層權重矩陣的大小，防止模型過擬合產生。當權重較大時，模型會對輸人數據敏感，從而過度捕捉訓練數據里的噪聲。通過正則化的約束，模型的擬合曲線波動變小，更加平滑。

3）泛化能力強

2個全連接層中間加入1個Dropout層，提高模型的泛化能力。在每次訓練迭代中，會生成不同的掩碼向量 d_l-1 ，該向量包含某些為0的元素。第一個全連接層的輸出向量 a_l-1 中的每個元素，與 d_l-1 進行逐元素相乘。結果為0的對應輸出，不會參與下一個全連接層計算。一定比例的神經元被丟棄，打破了神經元間的依賴關系。

2.3模型訓練與評估

2.3.1 數據集的搭建

本設計旨在訓練1個對18種標準塵埃分類的CNN網絡。對標準塵埃圖進行數據增強（旋轉角度）后，共生成1340張分辨率為128像素 ×128 像素的圖片。圖像標注后，按照 7：3 劃分訓練集和測試集。塵埃數據集樣本如圖3所示。

2.3.2 模型評估

本設計選用多分類任務中常用的分類交叉熵損失函數 （L） ，用于預測結果與真實標簽之間的差異，計算見式（6）。

圖3塵埃數據集樣本

Fig.3Samples of the dirt dataset

式中， N 表示類別數； t_i 表示真實標簽； y_i 表示預測概率。

在模型訓練過程中，隨著損失函數 （L） ）值的逐漸減小，意味著預測結果越接近真實類別標簽。

2.3.3模型訓練與調參

使用Adam、RMSprop、指數衰減學習率的RM-Sprop3種優化算法來訓練模型，以準確率和損失值作為評估指標衡量模型性能，結果如表2所示。由表2可知，指數衰減學習率的RMSprop算法在訓練塵埃分類模型表現最好，具有最小的損失值和較高的準確率。

表2不同優化算法的性能比較

Table2Performancecomparisonofdifferentoptimization algorithms

在此優化算法基礎上，對超參數進行調整最終設置：學習率的初始值為0.001，學習率衰減的周期步數為1000，學習率的衰減率為 0.95 。經過300輪訓練后，模型的準確率達 95.89% 。

3圖像處理算法設計

3.1對角線測量算法

本算法用于實現塵埃任意角度呈現時的統一度量，基于數字圖像旋轉過程中，圖形對角線長度不變的原理設計。假設1個矩形塵埃，其頂點坐標矩陣 圍繞原點旋轉角度 θ ，旋轉矩陣 則旋轉后的坐標矩陣 P^′=R?P.

原圖對角線長度為 d ，計算見式（7）。旋轉后圖形對角線長度為 d^′ ，計算見式（8）。

經化簡 ，得到結論 d=d^′ ，即無論塵埃以何種角度呈現，其對角線長度保持始終不變。

為進一步驗證，以1張由系統切割的分辨率33像素 ×42 像素塵埃圖為例。在原圖狀態下測得對角線長度為16.40像素；圖片順時針旋轉 75^° 后，測得對角線長度為16.97像素；圖片逆時針旋轉 45^° 后，測得對角線長度為16.12像素，只存在亞像素級別的誤差，如圖4所示。

3.2標準塵埃像素表

像素表用于將塵埃定級的工作轉換為查值，采用亞像素邊緣檢測算法，利用圖像像素之間的插值、邊緣增強等技術，保障了系統精度。該邊緣檢測方式在Canny算法的基礎上調整了閥值范圍，將高閾值設置為100，低閾值設置為30，用以更好地適應塵埃圖像。塵埃輪廓繪制完成后，再使用對角線測量法進行像素值的測量，測量過程如圖5所示。

將全部形狀、等級的標準塵埃測量，結果匯總生成像素查值表，詳見表3。

4塵埃度測試軟件

4.1 軟件功能架構

基于Python語言，PyCharmCommunityEdition開發的塵埃度測試軟件，包括用戶界面模塊、塵埃分類模塊、圖像處理模塊、數據處理模塊。用戶界面模塊中的“檢測結果”界面（圖6），設計簡潔，包括3個子頁面。“檢測結果”頁與檢驗報告格式一致，設計直觀；“結果顯示”頁具備圖片放大功能，交互感良好；“試驗方法”頁用于新建、修改判定依據，擴展性強。塵埃分類模塊是用于完成分類模型調用的模塊。圖像處理模塊集成塵埃識別與輪廓標記，圖像分割，對角線像素測量等功能。數據處理模塊完成像素表查值，塵埃度計算，生成詳細的檢測報告，并在將檢驗過程中產生的塵埃圖集存儲，為后續模型再訓練提供新的數據集。

圖4對角線測量法結果

Fig.4Results of the diagonal measurement method

圖6檢測結果界面示意圖

Fig.6Schematicdiagramof thedetectionresult interface

Table3Pixellookuptableofpartialstandarddirt

4.2多類別紙品測試分析

為驗證本軟件的適用性，本研究設計了多品類、多色彩紙品的綜合性測試。首先，根據全木漿、進口原紙等原料類別，白、綠、紅等色彩分類，設計5組實驗。然后，參照GB/T450—2008《紙和紙板試樣的采取及試樣縱橫向、正反面的測定》，每組紙品各取樣10張（定量 69.9～81.1g/m²， ，進行制樣及試樣掃描。最后，使用本測試軟件自動完成塵埃度測量、塵埃度等級判定、每個塵埃輪廓標注、塵埃圖片切割操作。

表4為多品類紙品測試結果。由表4可知，本系統使用高清掃描儀獲取圖片試樣，測試過程不受光線干擾，在5類紙品上進行了精準檢測，判定結果符合行業標準。與人眼識別易受光線難易辨識色彩，受疲勞度影響相比，本軟件更具適用性。

表4多品類紙品測試結果 Table 4Test results of multi-category paper products

4.3性能分析

4.3.1 測量范圍

為驗證本軟件的測量范圍，本研究進行了廢紙漿箱紙板塵埃度測試，結果如表5所示。箱紙板的原料來源復雜，含大尺寸的塑料片、中等體積的纖維團、殘留的顏料顆粒，以及微小的細菌等雜質，因此其雜質多樣性，能有效驗證本軟件對不同類型、不同等級塵埃的識別能力。

表5廢紙漿箱紙板測試結果

Table5Test resultsof recycled pulp liner board

依據GB/T13024—2016《箱紙板》，微粒徑不計入塵埃度計算。由表5可知，樣本塵埃度為1804個 ?/m² 其中小粒徑塵埃（ （[0.2，1.0]mm²） ）占比 74.0% 。本軟件能夠依據GB/T1541—2013《紙和紙板塵埃度的測定》，實現對（0.05～5.0級）塵埃度的全量程測量，適用于高塵埃度、中小粒徑塵埃占比較高的檢測場景。

4.3.2 重復性

為驗證本軟件的重復性，本研究進行了廢紙漿瓦楞芯紙塵埃度測試。由于瓦楞芯紙的表面相比箱紙板更加粗糙，滿布凹凸不平的瓦楞紋路，這種構造會影響光線的反射和散射，增加了塵埃度測量的難度。

對同一組試樣，進行3次重復實驗。結果表明，除在單樣本識別用時稍有差異，各個等級的塵埃數量相同、塵埃度均為18984個 ?/m² 。每組實驗切割得到的5701個塵埃圖片內容相同，原圖標注的位置完全一致，重復性測量誤差為0。以上結果表明，本軟件能夠在表面結構復雜的包裝行業，得到有效應用。

4.3.3 檢測效率

為驗證本軟件的檢測效率，本研究進行了單樣本檢測時間測試。人工檢測識別單樣本，取樣為白色復印紙，其表面平整。在不翻轉樣本、直接定位塵埃的情況下，完成塵埃位置標記需 66.4s ，取近似值60s完成識別。與之相比，本軟件對各類別樣本均能快速識別，結果見表6。由表6可知，取樣為瓦楞芯紙檢測耗時最長，接近2s（ 1883ms ），檢測用時縮短了約 97% 。

表6單樣本檢測時間測試結果

Table6Testresultsofsinglesampledetectiontime

5結論

針對紙類產品塵埃度檢驗的高效、精準檢測需求，提出了一種基于模型訓練和檢驗2個模塊構建，采用卷積神經網絡（CNN）與機器視覺結合的檢測系統，改善了檢驗過程中主觀性強、自動化程度低等問題。

5.1使用高清掃描儀制樣，通過線性變換對數據集進行亮度增強處理，保證了測量精度達到 0.007mm² 優于GB/T1541—2013《紙和紙板塵埃度的測定》要求。

5.2模型構建融合LeNet和AlexNet架構，收斂速度快、防止過擬合、泛化能力強。對比Adam、RM-Sprop和指數衰減3種優化算法來訓練模型，采用指數衰減學習率的RMSprop算法訓練模型，其準確率達到 95.89% ，提高了塵埃分類能力。

5.3通過調整Canny算法的閾值范圍，實現了塵埃的亞像素測量；設計利用對角線長度旋轉不變性的算法，將塵埃定級轉化為標準像素表的查值操作，提高了定級準確性。

5.4使用不同紙張類型對軟件進行測試，本系統實現對（0.05～5.0級）塵埃度的全量程測量，軟件重復性測量誤差為0，較人工檢測用時縮短了約 97% ，實現了多類紙制品塵埃度的高效、精準測量。

參考文獻

[1]關昕，鄧華．如何解決高級技術用紙塵埃度高的問題[J].黑龍江造紙，2001，29（4）：40.GUANX，DENG H.How to Solve the Problem of High Dirt Count inHigh-grade TechnicalPaper[J].HeilongjiangPulpamp;Paper，2001，29（4）： 40.

[2］閆東波，何北海，謝益民．紙漿紙張塵埃度的計算機測量[J].廣東造紙，1997，95（5）：92-97.YANDB，HEBH，XIEYM.Computer Measurement of Dirt CountinPulp andPaper[J].GuangdongPulpamp;Paper，1997，95（5）：92-97.

[3］程江娜，武書彬，李擘．圖像法分析廢紙漿中膠黏物和塵埃的研究[J].中國造紙，2010，29（5）：5-9.CHENGJN，WU SB，LI B.Image Analysis of Stickiesand DirtCountinRecycledPulp［J].ChinaPulpamp;Paper，2010，29（5）：5-9.

[4］周強，陳穎，沈天宇，等．基于機器視覺的紙病檢測系統發展綜述[J].中國造紙，2016，35（5）：72-79.ZHOUQ，CHENY，SHENTY，et al.Review of PaperDefect De-tection System Based on Machine Vision Technology［J]. China Pulpamp; Paper，2016，5（5）： 72-79.

[5］高樂樂，周強，王偉剛．基于CNN的深層次特征提取紙病辨識方法研究[J].中國造紙學報，2019，34（4）：52-58.GAOLL，ZHOUQ，WANGWG.PaperDefectsRecognitionBasedon Deep Layer Feature Extraction of CNN[J].Transactions of ChinaPulp and Paper，2019，34（4）： 52-58.

[6]曲蘊慧，湯偉，成爽爽．基于深度卷積神經網絡及遷移學習的紙病分類方法研究[J].中國造紙，2021，40（10）：63-70.QUYH，TANG W，CHENG S S. Paper Defects ClassificationBased on Deep Convolution Neural Network and Transfer Learning[J].China Pulpamp; Paper，2021，40（10）：63-70.

[7］湯偉，劉英偉，王孟效，等．一種基于改進MaskRCNN的紙病診斷算法[J].中國造紙，2024，43（12）：164-171.TANGW，LIUYW，WANGMX，etal.AnImprovedMaskRCNNBased Paper Disease Diagnosis Algorithm[J]. China Pulp amp; Paper，2024，43（12）： 164-171.

[8］顧文君，譚永濤，李強，等．基于深度學習的紙病檢測系統設計與研究[J]．中國造紙，2024，43（8）：154-159.GUWJ，TANYT，LIQ，et al.Designand Research ofDeepLearning-based Paper Defect Detection System[J]. China Pulp amp; Paper，2024，43（8）： 154-159.

[9］丁雷，杜鵬，孫志杰.基于機器視覺的亞像素邊緣檢測算法研究[J]．自動化應用，2024，65（14）：180-182.DING L，DU P， SUN Z J. Research on Sub-pixel Edge Detection Al-gorithm Based on Machine Vision[J].Automation Application，2024，65（14）：180-182.CPP

（責任編輯：魏琳珊）