基于深度学习的宣纸缺陷识别软件设计.pdf

第4 3 卷第1期2024年1月造纸科学与技术Paper Science and TechnologyVol.43No.1Jan.2024基于深度学习的宣纸缺陷识别软件设计张志强谢勇（西安外事学院，陕西西安，7 10 0 7 7)摘要：作为我国优秀文化遗产书法与国画的主要载体，宣纸需始终保持较高质量，最大程度上避免缺陷以影响外观与使用，这就要求造纸企业必须高度重视宣纸缺陷识别与检测，以机器识别软件替代人工识别检测，并引进合适的识别算法。提出了基于深度学习之卷积神经网络的宣纸缺陷识别算法，且由此进行了宣纸缺陷识别软件设计。结果发现，此软件不仅运行速度快，识别率高，而且识别分类准确率可达9 8.9 3%，可完全贡献于宣纸质量提高，值得广泛推广与应用。张志强先生关键词：深度学习；卷积神经网络算法；宣纸缺陷；缺陷识别；软件设计中图分类号：TS736+.4文献标识码：AD0I:10.19696/j.issn1671-4571.2024.1.021引文格式：张志强，谢勇，等.基于深度学习的宣纸缺陷识别软件设计J.造纸科学与技术，2 0 2 4，4 3（1）：9 8-10 1.Design of Defect Recognition Software for Rice Paper Based on Deep LearningAbstract:As the main carrier of Chinas excellent cultural heritage calligraphy and traditional Chinese painting,rice paper needs toalways maintain high quality and avoid defects to the greatest extent that may affect its appearance and use.This requires papermakingenterprises to attach great importance to rice paper defect identification and detection,replace manual identification and detection withmachine recognition software,and introduce appropriate recognition algorithms.This article proposes a deep learning basedconvolutional neural network algorithm for rice paper defect recognition,and designs a rice paper defect recognition software based onit.The results show that this software not only runs fast and has a high recognition rate,but also has a recognition and classificationaccuracy of 98.93%,and it can fully contribute to improving the quality of rice paper and is worthy of widespread promotion andapplication.Key words:deep learning;convolutional neural network algorithm;rice paper defects;defect identification;software design0引言宣纸是我国独特手工艺品，是我国国画绘制与书法写作主要用纸，不仅质地绵软柔韧、光洁干净，且耐腐耐蛀、墨韵万变,以其作画书写而墨分五色，深浅浓淡且层次分明，纹理清晰且神采飞扬。宣纸纸张不仅要达到基本的物理质量指标，还应符合外观指标相关要求。宣纸纸张外观缺陷常见有尘埃、孔洞、裂口、褶皱等四种主要类型,尘埃即纸张表面文章编号：16 7 1-4 57 1(2 0 2 4)0 1-0 0 9 8-4ZHANG ZhiqiangXIE Yong(Xian International University,Xian 710077,China)可视化明显区别的斑点或者束状纤维，孔洞即纸张局部缺乏部分纤维导致未完全穿透的点，裂口即常出现于纸张中间或者边缘位置，褶皱即纸张抄造时所形成的湿褶皱或者干褶皱。因此，为确保宣纸纸张外观质量需针对性识别与检测缺陷，而传统人工识别方法效率低且易漏检，劳动强度大且实效性差2 ，而且以小波奇异性区分目标纸张缺陷与背景纹理的方法,虽然能识别纸张缺陷存在却无法区分缺陷类型3 ,对此造纸业可根作者简介：张志强，生于19 7 8 年，硕士，副教授，主要从事计算机应用、数据挖掘的研究。E-mail:。基金项目：2 0 2 1年度陕西省高等教育教学改革研究项目（2 1ZY015）；2 0 2 1年度西安外事学院教育教学改革研究项目(2021B10)第1期据实际需求引进深度学习算法以优化宣纸纸张缺陷识别方法，以追溯纸张缺陷根源，优化生产加工过程,改善宣纸质量4-5深度学习由基于人类大脑模型所提取的人工神经网络组成，以各层人工神经网络处理数据、过滤异常数值等而实现合理输出。其中卷积神经网络是由大数据集成化学习特征知识，各层神经网络针对性处理相应数据,通过过滤异常数据,将数据处理结果趋向于未知数据泛化，促使其可检索发现数据关键点。卷积神经网络不仅适应性强、算法精度高，且模型可重复使用、易迭代更新，在目标识别与检测中表现优异，尤其是无规律的复杂纹理背景缺陷识别与处理6-7 。因此,本文以深度学习之卷积神经网络设计了宣纸纸张缺陷识别软件。1宣纸纸张缺陷识别方法现状分析既有宣纸纸张缺陷识别方法主要包含特征提取与分类器设计两部分，识别流程8-10 1具体如图1所示。预处理后宣纸缺陷图像宣纸缺陷图像特征提取试样分类器识别分类输出识别结果图1既有宣纸纸张缺陷识别流程纸张缺陷识别分类前需先行提取可用缺陷图像特征，值得注意的是纸张缺陷类型较多、特征差异小,所以提取特征的关键在于怎样区别各种类型缺陷特征。提取特征后，分类器数据可由对应特征提供且以所设计分类器进行缺陷识别与分类，这就表明识别分类效果由所选择类型纸张缺陷特征决定，且分类器功能必须完善与强大。2基于卷积神经网络的宣纸纸张缺陷识别软件设计基于卷积神经网络的宣纸纸张缺陷识别软件主要以VisualC+为编程语言实现多线程、多任务同步驱动，以Windows7为操作系统，以Visual Studio为开发工具实现程序简化设计。整个软件设计采取分张志强等：基于深度学习的宣纸缺陷识别软件设计2.1分类器设计深度卷积神经网络分类任务中，充足训练试样可防止过拟合现象，但是宣纸纸张缺陷识别分类中并未生成标准且公认公共数据库以训练与测试，只能由工业相机实时采集图像，再以人工识别分类纸张缺陷以构建数据库进行对比分析，所获试样数据量相对匮乏。对此，本文以深度卷积神经网络算法设计宣纸纸张缺陷识别分类器。根据宣纸纸张缺陷识别分类具体情况进行全连接层设计。首先，改进卷积层与全连接层间的池化层，以全局平均池化层为载体重新塑造卷积层的三维数组为12 8 位向量；其次，冻结既有全连接层部分神经元数量与参数，转化剩余全连接层为具备6个神经元全连接层，确保满足多类型宣纸纸张缺陷图像与合格纸张图像识别分类输出；再次，全连接层中以Dropout算法有效缓解神经元间依赖性以避免过拟合现象；然后，剩余全连接层与Softmax层相互连接，以其逻辑回归函数计算输入纸张缺陷图缺陷分类器像从属类型概率,且将概率归一于0,1;最后,为了避免梯度饱和效应，以修正线性单元为激活函数。以Image Net数据集进行深度卷积神经网络算法训练，冻结已训练卷积层前7 层，利用带标签宣纸纸张缺陷图像数据集调整卷积层，以提取图像特征，然后通过改进全连接层与Softmax层实现宣纸纸张缺陷图像识别分类，具体流程13-14 1如图2 所示。CCD采集宣纸缺陷图像数据读取ImageNet数据集宣纸缺陷图像归一化处理训练卷积神经网络模型调取预训练数据模型保存预训练模型冻结卷积层前7 层训练卷积层8-13 层以全连接层与Softmax层识别分类输出识别分类结果图2 基于卷积神经网络的宣纸纸张缺陷识别分类流程99层设计理念划分为基础层、中间层、用户层，基础层与CCD相机等硬件衔接,中间层以图像数据传输与处理、卷积神经网络算法处理为主，用户层则负责呈现纸张缺陷图像信息与控制整个软件1-12 100第一步,预处理数据。归一化处理以工业相机所采集且预识别之后存储于上位机的宣纸纸张缺陷图像，以生成与分类器契合的像素纸张缺陷图像；第二步，调取模型。调取深度学习数据库内已训练成熟深度卷积神经网络模型；第三步，训练模型。将调取深度卷积神经网络模型的卷积层前7 层参数固定，由第8 层着手以自建宣纸纸张缺陷图像集训练模型,并适度调整8 13 层卷积层参数；第四步，分类输出。以全连接层识别分类宣纸纸张缺陷图像，且输出分属类型与概率。2.2软件功能设计造纸生产线常处于高速运转状态，所以以深度卷积神经网络为载体的宣纸纸张缺陷识别软件在满足实时处理要求的前提下还应简化，以确保软件控制界面清晰且控制便捷。基于造纸生产线参数考虑,宣纸纸张缺陷识别软件设计在确保功能性的基础上还应具备较高可靠性、稳定性、抗干扰性151。宣纸纸张缺陷识别软件功能结构具体如图3 所示。宜纸缺陷识别软件图像采集与缺陷识别功能缺陷信息存储与管理功能参数设定功能日志记录与管理功能图3 宜宣纸纸张缺陷识别软件功能结构其一,图像采集与缺陷识别功能。宣纸纸张缺陷识别软件应可高速实时采集高速运动宣纸纸张缺陷图像,并传输图像数据于上位机，上位机由卷积神经网络算法迅速响应以评估宣纸纸张是否存在缺陷,若是不存在则软件继续运转,若是存在则针对性控制相关执行部件,尤其是标识纸张缺陷。其二，缺陷信息存储与管理功能。宣纸纸张缺陷识别软件应可存储纸张缺陷图像，且可查询缺陷类型、长宽比、位置等。其三，参数设定功能。宣纸纸张缺陷识别软件应可控制相关参数以促使自身保持良好且健康工作状态。其四，日志记录与管理功能。宣纸纸张缺陷识别软件应通过日志记录与管理以便于用户查询操作记录，备份重要信息，实时监控软件运行状态，深度了解软件Bug，为后续运维提供数据依据。2.3软件模块设计宣纸纸张缺陷识别软件划分为多部分，各个部分间息息相关且功能明确，多数需交换数据以维持软件运行16-17 O造纸科学与技术2.3.1图像数据采集模块宣纸纸张缺陷识别软件中实时采集图像是识别缺陷的基础环节，主要以CCD摄像头与采集卡为硬件衔接软件实现采集。上位机获得所采集宣纸纸张缺陷图像信息之前需以Sapera+类初始化操作数据。图像数据采集模块流程具体如图4 所示。初始化相机与采集卡创建数据类型并开辟缓冲区读取图像数据并实时存储读取完成并释放存储空间图4 图像数据采集模块流程2.3.2图像数据预处理模块宣纸纸张缺陷图像采集完成后需进行识别以明确缺陷位置、类型等。为确保图像完整与清晰需将优化升级图像采集与处理算法。宣纸纸张缺陷图像处理具体划分为数据预处理、图像分割与特征提取、缺陷识别三部分。其中预处理负责滤波纸张缺陷图像数据，这主要是由于造纸工业现场环境复杂，突发性干扰与持续性干扰频繁，所获图像信息势必存在坏点，如此便会影响纸张缺陷识别,所以需提前预处理图像数据以减少干扰。通常以算术平均、平滑、中值滤波等技术方法进行纸张缺陷图像预处理。图像分割与特征提取由于所采集图像点阵巨大,图像数据直接处理难度大，卷积神经网络算法复杂度高，所以需分割以局部处理，提取图像关键特征，从而为缺陷识别做好准备工作。宣纸纸张缺陷识别时需详细分析所提取特征，将其与标准数据库对照寻找特征关联性最密切的组,以此明确纸张缺陷类型2.3.3图像数据库模块现阶段数据库多数为关系数据库,其基础为关系模型，可提供优秀数据独立性与相容性，由数据结构、完整性规则、完整性操作构成。于Visual C+平台选择ODBC、O LED B、ADO方式访问数据库,选用ADO访问数据库时需通过import指令导人动态链接库于头文件stdafx.h中以实现ADO库导人。宣纸纸张缺陷识别软件以SQL Server2000为数据库，于Visual C+平台以ADO访问数据库。由于软件数据库实体只包含宣纸纸张缺陷图像试样，为解析缺陷图像属性设计了数据库内表字段，即名称、图像特征分布、试样期望及方差。数据表设计时需就字段设计属性字段，并定第4 3 卷第1期义各字段数据类型。宣纸纸张缺陷识别软件中纸张缺陷图像数据表中字段设计具体如表1所示。表1纸张缺陷图像数据表字段设计字段名TypeName数据类型Varchar宣纸缺陷宣纸图像宣纸灰度宣纸灰度备注类型2.3.4界面设计宣纸纸张缺陷识别软件安装了admin系统,用户以账户与密码登录,软件将详细记录与储存账号、密码、用户编号、登录时间、操作过程等信息，以预防外来人员违法误操作的同时，非法修改参数以破坏设备运行。若是发生问题可查询软件进人人员与情况以便于迅速解决问题。超级管理权限用户才拥有添加、删除、操作权限，普通用户只能登录与监控软件运行状态。基于卷积神经网络的宣纸纸张缺陷识别软件界面主要由软件登录、用户主界面、操作界面三部分构成18-19 02.4软件测试以尘埃、孔洞、裂口三种常见宣纸纸张缺陷为例进行缺陷识别软件测试。以深度卷积神经网络算法识别分类宣纸纸张缺陷图像，所需运行时间与识别率具体如表2 所示。表2 软件运行时间与缺陷识别率运行时间/s识别率/%软件3.37由表2 可以看出，基于深度卷积神经网络算法的宣纸纸张缺陷识别软件所需运行时间为3.3 7 s，缺陷识别分类率可达9 6.6%。而三种不同类型宣纸纸张缺陷识别结果具体如表3 所示。表3 纟纸张缺陷识别结果尘埃孔洞裂口总和过程准确率14曲蕴慧，汤伟，成爽爽.基于深度卷积神经网络及迁移学习的尘埃97孔洞0裂口3总和100用户准确率98.6%总准确率一由表3 可以看出，基于深度卷积神经网络的宣纸纸张缺陷识别软件的识别准确率可达到9 8.9 3%，可贡献于宣纸质量提高。张志强等：基于深度学习的宣纸缺陷识别软件设计TypeLBPGreyExpVarcharVarcharLBP算法图像期望图像方差96.611汤伟，王锦韫，张龙.基于改进Faster R-CNN的纸病检测算法J.包装工程,2 0 2 3,4 4(2 1):2 6 0-2 6 6.12张开生，关凯凯.基于改进YOLOv5的纸病检测方法J.中国造纸,2 0 2 2,4 1(10):7 9-8 6.13曲蕴慧.高速宽幅纸机纸病在线诊断关键算法研究D.西安：陕西科技大学，2 0 2 1.021000098100100100%98.2%一一1013结语造纸生产线过程中宣纸受周围环境与原料质量等多重因素影响极易出现各式各样的外观缺陷，常GreyVar见有尘埃、孔洞、裂口、褶皱等,其不仅会影响宣纸光Varchar洁度与均匀度,还会影响宣纸作画与书写效果。而随着计算机技术的高速更新发展，许多造纸企业开始尝试以深度学习算法与视觉技术进行纸张缺陷特征提取，以助于纸张缺陷精准化识别，从而致力于提高宣纸等纸张成品质量。据此，本文基于深度学习之卷积神经网络算法设计了宣纸纸张缺陷识别软件,其不仅运行速度快，识别率高，而且识别分类准确率可达9 8.9 3%，可完全贡献于宣纸质量提高。参考文献1 段茵，陈恺煊,刘昕，等.基于BP神经网络的纸张缺陷检测与识别研究J西安理工大学学报，2 0 18,3 4（2）：2 3 5-2 3 9.2魏爱娟，李茜，汤伟.改进的BP网络在纸病识别中的应用J.自动化与仪表,2 0 13,2 8(1)：6-9.3殷燕屏，熊智新，胡慕伊.基于阈值分割及分形特征的纸病图像识别算法研究J.中国造纸学报,2 0 11,2 6（4）：4 14 5.4周强，杨雁南，刘勇，等.基于RBFNN模糊融合的纸病在线辨识J.光子学报,2 0 13,4 2(8）:10 0 2-10 0 8.5魏爱娟.纸病在线检测方法的研究D.西安：陕西科技大学,2 0 13.6王正存.基于卷积神经网络的纸张表面缺陷检测与识别研究D.济南:齐鲁工业大学,2 0 2 1.7朱春燕.深度学习改进FasterRCNN算法皮革材料缺陷机器视觉检测研究J.中国皮革,2 0 2 3,52（12）：2 6-2 9.8何茜.基于“机器视觉+深度学习”目标检测的皮革表面缺陷检测系统研究J.中国皮革,2 0 2 3,52（11）：59-6 3.9张学兰，李军,孟范孔，一种基于机器视觉的纸病识别方法J.中国造纸学报,2 0 13,2 8（1)：4 8-52.10彭丽娟，王军红，王金炜.基于CNN算法在纸病图像增强中的应用J.造纸科学与技术,2 0 2 3,4 2（2）：7 5-7 7.9997.9%100100%10198.9%30098.93%纸病分类方法研究J.中国造纸,2 0 2 1,4 0（10）：6 3-7 0.15 李光明，薛丁华，加小红，等.基于多尺度图像增强结合卷积神经网络的纸病识别分类J.中国造纸,2 0 18,3 7（8）：4 7-F54.16罗磊，张二虎.基于图像分析的纸张表面缺陷检测系统的研究与实现J.西安理工大学学报,2 0 14（2)：18 7-19 2.17王先通.基于机器视觉的纸病检测系统的研究与实现D.西安：陕西科技大学,2 0 16.18 敖艳丽.基于图像处理技术的纸张表面缺陷在线检测系统设计与实现D.石家庄：河北科技大学,2 0 14.19魏彬，李璐.基于Krawtchouk矩和小波支持向量机的纸张缺陷识别方案设计J.造纸科学与技术,2 0 2 2,4 1（5）：7 3-7 6.