CN111612759A - 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法 - Google Patents

一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法 Download PDF

Info

Publication number
CN111612759A
CN111612759A CN202010425317.5A CN202010425317A CN111612759A CN 111612759 A CN111612759 A CN 111612759A CN 202010425317 A CN202010425317 A CN 202010425317A CN 111612759 A CN111612759 A CN 111612759A
Authority
CN
China
Prior art keywords
printed matter
picture
layer
generation type
deep convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010425317.5A
Other languages
English (en)
Other versions
CN111612759B (zh
Inventor
陈超庭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202010425317.5A priority Critical patent/CN111612759B/zh
Publication of CN111612759A publication Critical patent/CN111612759A/zh
Application granted granted Critical
Publication of CN111612759B publication Critical patent/CN111612759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，包括：1，采集待识别印刷品图片；2，构建深度卷积生成式对抗网络；3，将待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本；4，利用待识别印刷品图片以及印刷品图片样本，生成训练样本集；5，构建卷积神经网络并利用训练样本集训练卷积神经网络；6，利用卷积神经网络检测印刷品缺陷。本发明通过构建深度卷积生成式对抗网络，利用卷积神经网络检测印刷品缺陷，解决了现有的印刷品缺陷识别方法中深度学习训练样本匮乏及因过少训练样本而导致网络过拟合和识别率下降以及传统图像处理算法速度慢、准确率低、印刷品缺陷分类困难的问题。

Description

一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法
技术领域
本发明涉及印刷品缺陷检测技术领域，具体而言，涉及一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法。
背景技术
基于生活水平的提高以及对高质量生活的追求，人们对印刷品的印刷效率以及印刷质量有了更高的要求。由于技术精度以及人为或环境等因素的影响，印刷品在印刷过程中，可能会出现各种各样的缺陷。这些缺陷主要有漏印、污点、套印不准、刮擦、飞墨以及针孔等。为了严格把控印刷品的印刷质量，需要对在印刷品的印刷过程进行实时检测。印刷品缺陷检测方法也从传统的人工检测进入到自动化检测的快速发展中，因此提高印刷品在线检测的效率以及正确率变得越来越重要。
传统的印刷品缺陷自动化在线检测采用的是基于机器视觉以及模式识别等技术的识别方法，所采用的技术本质上仍然是传统的图像处理技术，其在印刷品在线检测中存在效率低以及缺陷分类困难等问题。随着计算机硬件容量以及运行速度的提高，深度学习算法已经能够对图像进行实时处理，因此越来越多的深度学习算法被运用在印刷品缺陷识别领域。深度学习方法通过构建多层的神经网络模型来对输入训练样本进行层层抽样，自动提取图像特征以用于样本识别，大大提高了印刷品在线检测的效率以及准确性。但目前在印刷品缺陷识别中运用的深度学习的方法中仍然出现一些不足之处，其一是深度学习需要大量的数据作为训练样本，而在现实中我们很难去获得大量有用的数据用来训练，其二是过少的训练样本会导致网络过拟合，造成识别率下降。
发明内容
为了克服现有技术的不足，本发明提供了一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其具体技术方案如下：
一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其包括如下步骤：
步骤1，采集待识别印刷品图片，将待识别印刷品图片作为训练样本；
步骤2，构建深度卷积生成式对抗网络；
步骤3，将待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本；
步骤4，利用待识别印刷品图片以及生成的印刷品图片样本，生成训练样本集；
步骤5，构建卷积神经网络并利用训练样本集训练卷积神经网络；
步骤6，利用训练后的卷积神经网络检测印刷品缺陷。
可选的，在步骤1中，所述待识别印刷品图片通过CCD工业相机采集并包含无缺陷图片以及漏印、污点、套印不准、刮擦、飞墨、针孔六种缺陷类别图片。
可选的，在步骤2中，构建深度卷积生成式对抗网络的具体方法包括：
步骤2a，构建均含有五层结构的卷积神经网络的生成器以及判别器；
步骤2b，使用3*3卷积核对图片进行卷积或转置卷积操作，并选取卷积步长为2训练生成器以及判别器；
步骤2c，利用训练后的生成器以及判别器构建深度卷积生成式对抗网络。
可选的，在步骤3中，待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本前经过像素归一化处理。
可选的，卷积神经网络具有九层结构，九层结构依次为卷积层Conv1、池化层Pool2、卷积层Conv3、池化层Pool4、卷积层Conv5、池化层。
可选的，生成器包括四层转置卷积层和一层全连接层，判别器包括四层卷积层和一层全连接层。
可选的，生成器以及判别器通过单独交替迭代训练方法进行训练。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述所述的印刷品缺陷识别方法。
本发明所取得的有益效果包括：
1、通过构建深度卷积生成式对抗网络，然后利用深度卷积生成式对抗网络，可以生成大量各种缺陷类型的印刷品图片，增加了深度学习中的训练样本量，解决了现有的印刷品缺陷识别方法中深度学习训练样本匮乏以及因过少训练样本而导致网络过拟合和识别率下降的问题。
2、通过采集的待识别印刷品图片以及生成的印刷品图片样本训练出可以识别不同缺陷类型的卷积神经网络，并利用训练好的卷积神经网络在线检测识别印刷品缺陷，可以大大提高印刷品缺陷检测效率和准确性，解决了传统图像处理算法速度慢、准确率低、无法自动提取图形特征以及印刷品缺陷分类困难的问题。
附图说明
从以下结合附图的描述可以进一步理解本发明，将重点放在示出实施例的原理上。
图1是本发明实施例中一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法的流程示意图；
图2是本发明实施例中构建深度卷积生成式对抗网络的具体方法的流程示意图；
图3是本发明实施例中深度卷积生成式对抗网络的网络结构示意图；
图4是本发明实施例中深度卷积生成式对抗网络的模型结构示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。
本发明为一种一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，根据附图所示讲述以下实施例：
实施例一：
如图1所示，一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其包括如下步骤：
步骤1，采集待识别印刷品图片，将待识别印刷品图片作为训练样本。
步骤2，构建深度卷积生成式对抗网络。
步骤3，将待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本。
步骤4，利用待识别印刷品图片以及生成的印刷品图片样本，生成训练样本集。
步骤5，构建卷积神经网络并利用训练样本集训练卷积神经网络。
步骤6，利用训练后的卷积神经网络检测印刷品缺陷。
作为一种优选的技术方案，所述待识别印刷品图片通过工业CCD采集并包含无缺陷图片以及漏印、污点、套印不准、刮擦、飞墨、针孔六种缺陷类别图片，并且待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本前经过像素归一化处理。
如图2所示，在步骤2中，构建深度卷积生成式对抗网络的具体方法包括如下步骤：
步骤2a，构建均含有五层结构的卷积神经网络的生成器G以及判别器D。
其中，生成器G包括四层转置卷积层和一层全连接层，四层转置卷积层以及一层全连接层都使用批归一化层，最后一层转置卷积层使用tanh激活函数，其余转置卷积层和全连接层使用relu激活函数。
判别器D包括四层卷积层和一层全连接层，四层卷积层使用leaky-relu函数作为激活函数，并且使用卷积层完全代替全连接层。为了加快收敛速度，除第一层卷积层和最后一层卷积层外，其余卷积层使用批归一化层，输出层使用sigmoid作为激活函数，并将数值映射到0和1之间。
步骤2b，使用3*3卷积核对图片进行卷积或转置卷积操作，并选取卷积步长为2训练生成器以及判别器。
步骤2c，利用训练后的生成器以及判别器构建深度卷积生成式对抗网络。
作为一种优选的技术方案，卷积神经网络具有九层结构，九层结构依次为卷积层Conv1、池化层Pool2、卷积层Conv3、池化层Pool4、卷积层Conv5、池化层。
通过构建深度卷积生成式对抗网络，然后利用深度卷积生成式对抗网络，可以生成大量各种缺陷类型的印刷品图片，增加了深度学习中的训练样本量，解决了现有的印刷品缺陷识别方法中深度学习训练样本匮乏以及因过少训练样本而导致网络过拟合和识别率下降的问题。
而通过采集的待识别印刷品图片以及生成的印刷品图片样本训练出可以识别不同缺陷类型的卷积神经网络，并利用训练好的卷积神经网络在线检测识别印刷品缺陷，可以大大提高印刷品缺陷检测效率和准确性，解决了传统图像处理算法速度慢、准确率低、无法自动提取图形特征以及印刷品缺陷分类困难的问题。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述所述的印刷品缺陷识别方法。
实施例二：
本实施例应当理解包括前述实施例全部技术特征，并在其基础上作进一步的具体描述。
作为一种优选的技术方案，所述待识别印刷品图片通过工业CCD采集并包含无缺陷图片以及漏印、污点、套印不准、刮擦、飞墨、针孔六种缺陷类别图片，并且待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本前经过像素归一化处理，像素归一化处理后的待识别印刷品图片的像素大小为320*240。
在本实施例中，所述待识别印刷品图片共有1400张，其中无缺陷图片200张，六种缺陷类型图片各200张。待识别图片输入至深度卷积生成式对抗网络后，即生成7000张印刷品图片样本，其中与无缺陷图片相对应的印刷品图片样本共1000张，与六种缺陷类型图片相对应的印刷品图片样本各1000张。
将1400张待识别印刷品图片和7000张印刷品图片样本进行灰度化处理，转换成8位的灰度图像，并采用3*3滑动窗口的中值滤波器对灰度化处理后的图像进行降噪处理，然后再对降噪处理后的图像进行直方图均衡化以增强图像对比度，最后在图像对比度增强后的图像中选取5％作为测试样本集，剩余95％图像则作为训练样本集。
如图3以及图4所示，在步骤2b中，训练生成器G以及判别器D包括如下步骤：
第一步，训练生成器G。随机高斯噪声Z输入到生成器G的全连接层，并经过批归一化以及利用relu激活函数进行非线性变换后，得到512个20*15像素大小的输出特征图。将全连接层的输出特征图输入到第一层转置卷积层，并依次经过转置卷积操作、批归一化处理以及利用relu激活函数进行非线性变换后得到216个40*30像素大小的输出特征图。将第一层转置卷积层的输出特征图输入到第二层转置卷积层，并依次经过转置卷积操作、批归一化处理以及利用relu激活函数进行非线性变换后得到128个80*60像素大小的输出特征图。将第二层转置卷积层的输出特征图输入到第三层转置卷积层，并依次经过转置卷积操作、批归一化处理以及利用relu激活函数进行非线性变换后得到64个160*120像素大小的输出特征图。将第三层转置卷积层的输出特征图输入到第四层转置卷积层，并依次经过转置卷积操作、批归一化处理以及利用relu激活函数进行非线性变换后得到32个320*240像素大小的生成印刷品图像，记为G(z)。
第二步，训练判别器D。固定生成器G，将320*240像素大小的生成印刷品图片G(z)和待识别印刷品图片(记为x)分别输入到判别器D的第一层卷积层，并依次对其进行卷积以及利用leaky-relu激活函数进行非线性变换后得到160*120像素大小的特征输出图。将第一层卷积层的输出特征图输入到第二层卷积层，并依次经过卷积操作、批归一化处理以及利用leaky-relu激活函数进行非线性变换后得到80*60像素大小的特征输出图。将第二层卷积层的输出特征图输入到第三层卷积层，并依次经过卷积操作、批归一化处理以及利用leaky-relu激活函数进行非线性变换后得到40*30像素大小的特征输出图。将第三层卷积层的输出特征图输入到第四层卷积层，并依次经过卷积操作以及以及利用leaky-relu激活函数进行非线性变换后得到20*15像素大小的特征输出图。将第四层卷积层输入到判别器D的全连接层，利用sigmoid函数进行非线性变换后，分别得到生成印刷品图片的判别概率为D(G(z))，真实待识别印刷品图片的判别概率为D(x)。
第三步，分别计算生成器G以及判别器G的损失函数，并通过Adam优化器优化生成器G以及判别器D。
第四步，重复第一步至第三步，直至判别器D的输出概率D(G(z))＝0.5。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现上述所述的印刷品缺陷识别方法。
综上所述，本发明公开的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，所产生的有益技术效果包括：
1、通过构建深度卷积生成式对抗网络，然后利用深度卷积生成式对抗网络，可以生成大量各种缺陷类型的印刷品图片，增加了深度学习中的训练样本量，解决了现有的印刷品缺陷识别方法中深度学习训练样本匮乏以及因过少训练样本而导致网络过拟合和识别率下降的问题。
2、通过采集的待识别印刷品图片以及生成的印刷品图片样本训练出可以识别不同缺陷类型的卷积神经网络，并利用训练好的卷积神经网络在线检测识别印刷品缺陷，可以大大提高印刷品缺陷检测效率和准确性，解决了传统图像处理算法速度慢、准确率低、无法自动提取图形特征以及印刷品缺陷分类困难的问题。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法、系统和设备是示例，各种配置可以适当地省略、替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法和/或可以添加、省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本发明公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置,例如已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本发明公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，包括如下步骤：
步骤1，采集待识别印刷品图片；
步骤2，构建深度卷积生成式对抗网络；
步骤3，将待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本；
步骤4，利用待识别印刷品图片以及生成的印刷品图片样本，生成训练样本集；
步骤5，构建卷积神经网络并利用训练样本集训练卷积神经网络；
步骤6，利用训练后的卷积神经网络检测印刷品缺陷。
2.如权利要求1所述的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，在步骤1中，所述待识别印刷品图片通过CCD工业相机采集并包含无缺陷图片以及漏印、污点、套印不准、刮擦、飞墨、针孔六种缺陷类别图片。
3.如权利要求2所述的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，在步骤2中，构建深度卷积生成式对抗网络的具体方法包括：
步骤2a，构建均含有五层结构的卷积神经网络的生成器以及判别器；
步骤2b，使用3*3卷积核对图片进行卷积或转置卷积操作，并选取卷积步长为2训练生成器以及判别器；
步骤2c，利用训练后的生成器以及判别器构建深度卷积生成式对抗网络。
4.如权利要求3所述的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，在步骤3中，待识别印刷品图片输入至深度卷积生成式对抗网络以生成印刷品图片样本经过像素归一化处理。
5.如权利要求4所述的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，卷积神经网络具有九层结构，九层结构依次为卷积层Conv1、池化层Pool2、卷积层Conv3、池化层Pool4、卷积层Conv5、池化层Pool6、全连接层Fc7、全连接层Fc8、分类层Softmax9。
6.如权利要求5所述的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，生成器包括四层带有relu激活函数的转置卷积层和一层全连接层，判别器包括四层带有leaky-relu激活函数的卷积层和一层全连接层。
7.如权利要求6所述的一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法，其特征在于，生成器以及判别器通过单独交替迭代训练方法进行训练。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时实现如权利要求1至7中任何一项所述的印刷品缺陷识别方法。
CN202010425317.5A 2020-05-19 2020-05-19 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法 Active CN111612759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425317.5A CN111612759B (zh) 2020-05-19 2020-05-19 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425317.5A CN111612759B (zh) 2020-05-19 2020-05-19 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法

Publications (2)

Publication Number Publication Date
CN111612759A true CN111612759A (zh) 2020-09-01
CN111612759B CN111612759B (zh) 2023-11-07

Family

ID=72200582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425317.5A Active CN111612759B (zh) 2020-05-19 2020-05-19 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法

Country Status (1)

Country Link
CN (1) CN111612759B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381794A (zh) * 2020-11-16 2021-02-19 哈尔滨理工大学 一种基于深度卷积生成网络的印刷缺陷检测方法
CN114119607A (zh) * 2022-01-20 2022-03-01 广州易道智慧信息科技有限公司 基于深度神经网络的酒瓶缺陷样本生成方法及系统
CN117162665A (zh) * 2023-11-03 2023-12-05 星璟材料科技(南通)有限公司 一种印刷品印刷生产控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398928A (zh) * 2008-10-29 2009-04-01 重庆大学 一种印刷品数字水印嵌入与提取装置以及方法
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法
CN109190524A (zh) * 2018-08-17 2019-01-11 南通大学 一种基于生成对抗网络的人体动作识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398928A (zh) * 2008-10-29 2009-04-01 重庆大学 一种印刷品数字水印嵌入与提取装置以及方法
CN107563385A (zh) * 2017-09-02 2018-01-09 西安电子科技大学 基于深度卷积生成式对抗网络的车牌字符识别方法
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法
CN109190524A (zh) * 2018-08-17 2019-01-11 南通大学 一种基于生成对抗网络的人体动作识别方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381794A (zh) * 2020-11-16 2021-02-19 哈尔滨理工大学 一种基于深度卷积生成网络的印刷缺陷检测方法
CN112381794B (zh) * 2020-11-16 2022-05-31 哈尔滨理工大学 一种基于深度卷积生成网络的印刷缺陷检测方法
CN114119607A (zh) * 2022-01-20 2022-03-01 广州易道智慧信息科技有限公司 基于深度神经网络的酒瓶缺陷样本生成方法及系统
CN117162665A (zh) * 2023-11-03 2023-12-05 星璟材料科技(南通)有限公司 一种印刷品印刷生产控制系统
CN117162665B (zh) * 2023-11-03 2023-12-26 星璟材料科技(南通)有限公司 一种印刷品印刷生产控制系统

Also Published As

Publication number Publication date
CN111612759B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN110059694A (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN111612759B (zh) 一种基于深度卷积生成式对抗网络的印刷品缺陷识别方法
CN109684922B (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN112528782B (zh) 水下鱼类目标检测方法及装置
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
CN109767422A (zh) 基于深度学习的管道检测识别方法、存储介质及机器人
CN107273870A (zh) 一种监控场景下融合上下文信息的行人位置检测方法
CN105654066A (zh) 一种车辆识别方法及装置
CN109522883A (zh) 一种人脸检测方法、系统、装置及存储介质
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN111178121A (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
CN113011253B (zh) 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN113506239B (zh) 一种基于跨阶段局部网络的带钢表面缺陷检测方法
CN114581709A (zh) 识别医学图像中的目标的模型训练、方法、设备及介质
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
CN113076860B (zh) 一种野外场景下的鸟类检测系统
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
CN113627302A (zh) 一种登高施工合规性检测方法及系统
CN113538342A (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN117252839A (zh) 基于改进YOLO-v7模型的纤维预浸料缺陷检测方法及系统
CN110136098B (zh) 一种基于深度学习的线缆顺序检测方法
CN116704526A (zh) 工尺谱扫描机器人及其方法
CN110349119A (zh) 基于边缘检测神经网络的路面病害检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No.33 Guangyun Road, Nanhai District, Foshan City, Guangdong Province

Patentee after: Foshan University

Country or region after: China

Address before: No.33 Guangyun Road, Nanhai District, Foshan City, Guangdong Province

Patentee before: FOSHAN University

Country or region before: China