标签缺陷检测系统的算法设计与应用研究
发布时间：2021-06-21 04:55
随着社会经济的不断发展,人们对商品的成分、产地、生产日期及有效期等信息格外关注,而记录这些重要信息的正是商品的标签。标签在印刷过程中,受到各种因素的影响,导致一些质量问题,如多印、少印等引起的点缺陷、线缺陷、面缺陷。因此,标签质量检测显得尤为重要。本文根据实际使用需求,开发了一套基于改进的AlexNet标签缺陷检测系统。该系统能有效避免由人工主观因素导致的错检、漏检等问题,提高了检出率,达到保证标签质量的目的。1)研究了卷积神经网络和Caffe深度学习框架等标签缺陷检测的基本理论。在此基础上,结合检测需求给出了标签缺陷检测系统的总体设计方案,主要包括需求分析、技术路线实现、硬件设备的研究、软件模块设计等。2)在研究主成分分析法（Principal Component Analysis,PCA）和支持向量机（Support Vector Machine,SVM）的基础上,提出了基于PCA-SVM的标签缺陷检测算法。通过对数据集进行归一化处理,并将其输入到模型中训练获取最优化参数,从而完成检测模型的构建。实验结果表明,该算法无需进行图像的预处理和复杂模板的制作,实现方法简单,适应性强。3)...
【文章来源】：南京信息工程大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
单神经元网络图
南京信息工程大学硕士学位论文3,1( ) ( ) ( )Tw b i iih x f W x f W x b （2-1其中，W 是权值，b 是偏置， f :R R被称之为“激活函数”。激活函加快了网络的学习速度，尤其在进行大量数据训练时优势更加明显。其原因要是卷积神经网络的线性模型表达能力不足，而非线性模型表达能力强，加激活函数可以引入非线性因素，提高网络的表达能力。常用的激活函数有ReL函数1f =max(0,x)、 sigmoid 函数12(1 )xf e 和双曲正切函 数（ Tanh3f tanh( x)，如图 2.2 所示。
图 2.2 所示。图 2.2 激活函数图像知，sigmoid 和 tanh 函数在 x 极大或者极小时很容易饱和，而 ReLUs 函数是一种非线性饱和快很多[27]。络由多个单神经元以分层的方式组合而成，图。由图可知，该网络包含输入层、输出层和
【参考文献】：
期刊论文
[1]基于深度学习的标签缺陷检测系统应用[J]. 李致金,李培秀,朱超. 现代电子技术. 2019(07)
[2]卷积神经网络中激活函数的一种改进[J]. 刘小文,郭大波,李聪. 测试技术学报. 2019(02)
[3]基于Caffe深度学习框架的标签缺陷检测应用研究[J]. 李培秀,李致金,韩可,朱超. 中国电子科学研究院学报. 2019(02)
[4]一种改进型卷积神经网络的图像分类方法[J]. 张斌,王强. 成都信息工程大学学报. 2019(01)
[5]工业过程故障诊断的FDKICA-PCA方法[J]. 张静,朱菲菲,刘佳兴,王江涛. 哈尔滨理工大学学报. 2018(06)
[6]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
[7]基于改进多类支持向量机的印刷缺陷检测[J]. 胡方尚,郭慧. 华东理工大学学报(自然科学版). 2017(01)
[8]适用于多接口CCD相机的图像采集软件设计与实现[J]. 张娜,沈建宏,朱斌. 电子技术与软件工程. 2016(14)
[9]基于多GPU的深度神经网络训练算法[J]. 顾乃杰,赵增,吕亚飞,张致江. 小型微型计算机系统. 2015(05)
[10]基于边缘与非边缘分开处理的印刷品缺陷检测[J]. 马鹏,韩震宇,邹龙飞,兰云. 计测技术. 2015(01)
博士论文
[1]基于深度学习的手语识别技术研究[D]. 黄杰.中国科学技术大学 2018
[2]彩色印刷品视觉检测相关算法研究[D]. 郭轩.华中科技大学 2010
硕士论文
[1]基于深度卷积神经网络的多通道图像超分辨方法[D]. 李金航.南京理工大学 2018
[2]基于深度学习的自然场景中交通标志识别研究[D]. 谭兆麟.华南理工大学 2018
[3]基于卷积神经网络的图像分类算法研究[D]. 温煌璐.新疆大学 2018
[4]基于深度卷积神经网络的目标检测算法研究[D]. 黄莉芝.西南交通大学 2018
[5]卷积网络算法研究及其在图像分类中的应用[D]. 邱诗洁.东南大学 2018
[6]基于深度学习的图片验证码识别算法研究[D]. 张乐乐.青岛科技大学 2018
[7]基于深度学习的知乎标题的多标签文本分类[D]. 张闯.北京交通大学 2018
[8]基于卷积神经网络的多标签图像分类[D]. 苏越.吉林大学 2018
[9]基于深度学习的自然场景图像文本检测[D]. 黄家冕.西安电子科技大学 2018
[10]基于深度学习的车牌识别技术研究[D]. 耿文辉.西安电子科技大学 2018
本文编号：3240021
【文章来源】：南京信息工程大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
单神经元网络图
南京信息工程大学硕士学位论文3,1( ) ( ) ( )Tw b i iih x f W x f W x b （2-1其中，W 是权值，b 是偏置， f :R R被称之为“激活函数”。激活函加快了网络的学习速度，尤其在进行大量数据训练时优势更加明显。其原因要是卷积神经网络的线性模型表达能力不足，而非线性模型表达能力强，加激活函数可以引入非线性因素，提高网络的表达能力。常用的激活函数有ReL函数1f =max(0,x)、 sigmoid 函数12(1 )xf e 和双曲正切函 数（ Tanh3f tanh( x)，如图 2.2 所示。
图 2.2 所示。图 2.2 激活函数图像知，sigmoid 和 tanh 函数在 x 极大或者极小时很容易饱和，而 ReLUs 函数是一种非线性饱和快很多[27]。络由多个单神经元以分层的方式组合而成，图。由图可知，该网络包含输入层、输出层和
【参考文献】：
期刊论文
[1]基于深度学习的标签缺陷检测系统应用[J]. 李致金,李培秀,朱超. 现代电子技术. 2019(07)
[2]卷积神经网络中激活函数的一种改进[J]. 刘小文,郭大波,李聪. 测试技术学报. 2019(02)
[3]基于Caffe深度学习框架的标签缺陷检测应用研究[J]. 李培秀,李致金,韩可,朱超. 中国电子科学研究院学报. 2019(02)
[4]一种改进型卷积神经网络的图像分类方法[J]. 张斌,王强. 成都信息工程大学学报. 2019(01)
[5]工业过程故障诊断的FDKICA-PCA方法[J]. 张静,朱菲菲,刘佳兴,王江涛. 哈尔滨理工大学学报. 2018(06)
[6]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
[7]基于改进多类支持向量机的印刷缺陷检测[J]. 胡方尚,郭慧. 华东理工大学学报(自然科学版). 2017(01)
[8]适用于多接口CCD相机的图像采集软件设计与实现[J]. 张娜,沈建宏,朱斌. 电子技术与软件工程. 2016(14)
[9]基于多GPU的深度神经网络训练算法[J]. 顾乃杰,赵增,吕亚飞,张致江. 小型微型计算机系统. 2015(05)
[10]基于边缘与非边缘分开处理的印刷品缺陷检测[J]. 马鹏,韩震宇,邹龙飞,兰云. 计测技术. 2015(01)
博士论文
[1]基于深度学习的手语识别技术研究[D]. 黄杰.中国科学技术大学 2018
[2]彩色印刷品视觉检测相关算法研究[D]. 郭轩.华中科技大学 2010
硕士论文
[1]基于深度卷积神经网络的多通道图像超分辨方法[D]. 李金航.南京理工大学 2018
[2]基于深度学习的自然场景中交通标志识别研究[D]. 谭兆麟.华南理工大学 2018
[3]基于卷积神经网络的图像分类算法研究[D]. 温煌璐.新疆大学 2018
[4]基于深度卷积神经网络的目标检测算法研究[D]. 黄莉芝.西南交通大学 2018
[5]卷积网络算法研究及其在图像分类中的应用[D]. 邱诗洁.东南大学 2018
[6]基于深度学习的图片验证码识别算法研究[D]. 张乐乐.青岛科技大学 2018
[7]基于深度学习的知乎标题的多标签文本分类[D]. 张闯.北京交通大学 2018
[8]基于卷积神经网络的多标签图像分类[D]. 苏越.吉林大学 2018
[9]基于深度学习的自然场景图像文本检测[D]. 黄家冕.西安电子科技大学 2018
[10]基于深度学习的车牌识别技术研究[D]. 耿文辉.西安电子科技大学 2018
本文编号：3240021
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3240021.html
