王 鑫，張 濤，楊亞寧

(大連民族大學(xué) a.機(jī)電工程學(xué)院；b.信息與通信工程學(xué)院，遼寧 大連 116605 )

食品包裝是食用商品的重要組成部分，是食品加工工藝過程的主要工程之一。在食品生產(chǎn)行業(yè)，食品包裝主要分為內(nèi)包裝、二級(jí)包裝、三級(jí)包裝、外包裝等[1]。隨著人們生活水平的提高，消費(fèi)者和企業(yè)對(duì)于食品外包裝的要求也越來(lái)越高，不僅要滿足自身的性能，達(dá)到保護(hù)內(nèi)部食品的作用，還要求產(chǎn)品外觀盡量沒有缺陷，吸引消費(fèi)者。但在實(shí)際生產(chǎn)過程中，食品包裝機(jī)會(huì)因原輔材料、機(jī)械振動(dòng)等非正常因素導(dǎo)致包裝材料褶皺、破損等質(zhì)量缺陷[2]。目前，傳統(tǒng)的缺陷檢測(cè)主要依靠人工，人工檢測(cè)存在著檢測(cè)效率低、誤檢率和漏檢率高、檢測(cè)速度慢、生產(chǎn)成本高等缺點(diǎn)和局限性[3-4]。

近年來(lái)，隨著研究的深入，異常檢測(cè)作為機(jī)器學(xué)習(xí)的一個(gè)研究方向得到迅速發(fā)展[5]。異常檢測(cè)就是檢測(cè)出數(shù)據(jù)中的離群點(diǎn),不一致、不符合行為的異常數(shù)據(jù)，異常檢測(cè)在網(wǎng)絡(luò)入侵檢測(cè)、故障診斷、欺詐檢測(cè)等領(lǐng)域都得到應(yīng)用。伴隨著異常檢測(cè)技術(shù)的不斷完善，異常檢測(cè)涉及領(lǐng)域更加廣泛，在疾病檢測(cè)、身份識(shí)別、產(chǎn)品表面質(zhì)量檢測(cè)等方面都得到應(yīng)用，而且具有不錯(cuò)的應(yīng)用效果。基于異常檢測(cè)的表面缺陷檢測(cè)方法相較于人工檢測(cè)方法，產(chǎn)品的檢測(cè)效率顯著提高，勞動(dòng)成本和生產(chǎn)成本降低，漏檢率降低，生產(chǎn)效率提高[4]。

異常檢測(cè)算法的基本思想是：用正常數(shù)據(jù)訓(xùn)練模型得到閾值，然后再去判斷新的數(shù)據(jù)是否異常[6]。常見的幾種異常檢測(cè)算法有：基于概率統(tǒng)計(jì)[7]、基于聚類[8]、基于最近鄰[9]等。但對(duì)于幾種常見的異常檢測(cè)算法都存在相應(yīng)的弊端，如基于概率統(tǒng)計(jì)對(duì)分布模型的依賴程度高，模型選擇不當(dāng)，則會(huì)造成檢測(cè)效果不明顯，準(zhǔn)確率低；基于最近鄰不適用于高維數(shù)據(jù)，需要人工調(diào)節(jié)參數(shù)，計(jì)算量大，不適用于在線使用；基于聚類檢測(cè)效果對(duì)聚類效果的依賴程度大，開銷成本大。本文所提基于HOBS異常檢測(cè)算法屬于基于概率統(tǒng)計(jì)異常檢測(cè)算法中的一種，HOBS異常檢測(cè)算法屬于無(wú)監(jiān)督模式檢測(cè)算法，該方法具有數(shù)據(jù)集不需要標(biāo)注；硬件環(huán)境要求較低，在普通CPU下就可訓(xùn)練；檢測(cè)速度快，準(zhǔn)確率高；無(wú)需大量樣本，少量正常樣本即可進(jìn)行訓(xùn)練等優(yōu)點(diǎn)。

1 基于HOBS異常檢測(cè)算法

1.1 算法原理

HOBS異常檢測(cè)算法的原理簡(jiǎn)單，該算法通過對(duì)每一個(gè)數(shù)據(jù)進(jìn)行評(píng)分，評(píng)分越高則越可能表現(xiàn)為異常。HOBS算法首先繪制數(shù)據(jù)直方圖，常見的作圖方式有兩種：

(1)靜態(tài)跨度的柱狀圖。將值域分成K個(gè)柱并且每個(gè)柱的寬度相等，進(jìn)入每一個(gè)柱的值的頻數(shù)作為柱的高度；

(2)動(dòng)態(tài)寬度柱狀圖。柱個(gè)數(shù)相同，但柱寬度是變化的。該方法先將值域排序，然后將連續(xù)的M/N個(gè)值裝進(jìn)柱里，其中M代表樣例總數(shù)，N代表所分柱的個(gè)數(shù)，是一個(gè)超參數(shù)；柱的寬度由進(jìn)入柱第一個(gè)值和最后一個(gè)值決定。

每一維度的數(shù)據(jù)都會(huì)有一個(gè)柱狀圖，而柱狀圖的高度則可以代表該維度數(shù)據(jù)的密度，通過使用歸一化操作保證每個(gè)柱狀圖的高度是1，則可以保證每個(gè)特征的權(quán)重相同。每個(gè)特征的HOBS值計(jì)算如下。

假設(shè)數(shù)據(jù)x={x1,x2,x3，…，xn}，且樣本中每個(gè)維度相對(duì)獨(dú)立，則樣本x的概率密度計(jì)算公式為

P(x)=P(x1)P(x2)P(x3)…P(xn) ；

(1)

兩邊取對(duì)數(shù)，

log[P(x)]=log[P(x1)P(x2)P(x3)…P(xn)]

(2)

概率密度越大，異常評(píng)分越小，則兩邊乘“-1”：

(3)

然后將其應(yīng)用到評(píng)分模型：

(4)

則樣本x中的HOBS(x)的計(jì)算結(jié)果：

(5)

為防止某柱狀區(qū)間內(nèi)的頻數(shù)過小，可以通過增加容忍度ε，其異常得分可表示為：

(6)

1.2 HOBS異常檢測(cè)算法工作流程

HOBS異常檢測(cè)算法工作流程包括：數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型評(píng)估、模型推理。數(shù)據(jù)準(zhǔn)備階段讀取訓(xùn)練樣本，并按照一定比例將樣本分割成訓(xùn)練集、驗(yàn)證集、測(cè)試集，設(shè)置模型的初始化參數(shù)；模型訓(xùn)練通過設(shè)置訓(xùn)練參數(shù)進(jìn)行模型的訓(xùn)練，并將訓(xùn)練模型進(jìn)行保存；模型評(píng)估利用測(cè)試集的數(shù)據(jù)對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估，根據(jù)評(píng)估結(jié)果得到異常分?jǐn)?shù)直方圖，然后根據(jù)異常分?jǐn)?shù)直方圖設(shè)置閾值分類標(biāo)準(zhǔn)，最后進(jìn)行評(píng)估結(jié)果顯示；模型推理階段主要是將數(shù)據(jù)集應(yīng)用到模型，計(jì)算得到異常分?jǐn)?shù)，將其與設(shè)置的閾值分類標(biāo)準(zhǔn)進(jìn)行比較，得到最終結(jié)果并顯示。具體過程及每個(gè)過程涉及到的重要算子如圖1。

2 實(shí)驗(yàn)過程

2.1 實(shí)驗(yàn)數(shù)據(jù)集

以實(shí)驗(yàn)室采集的桶裝方便面圖像作為數(shù)據(jù)集，經(jīng)濾波處理消除圖像采集過程中的干擾，去除噪聲，使圖像更加清晰，質(zhì)量更高。濾波處理后，利用圖像增強(qiáng)技術(shù)中的直方圖均衡化增加對(duì)比度，圖像銳化改善邊緣模糊情況，使圖像的邊緣及輪廓信息更加明顯，便于識(shí)別。預(yù)處理后，數(shù)據(jù)集中包含正常圖片117張，異常圖片61張，正常和異常圖片樣例如圖2。

2.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

環(huán)境配置見表1。實(shí)驗(yàn)程序的編寫主要由HALCON軟件完成。

表1 環(huán)境配置

數(shù)據(jù)集訓(xùn)練時(shí)，需要選擇預(yù)訓(xùn)練網(wǎng)絡(luò)模型，然后對(duì)預(yù)訓(xùn)練網(wǎng)絡(luò)模型的參數(shù)進(jìn)行設(shè)置，異常檢測(cè)預(yù)訓(xùn)練網(wǎng)絡(luò)模型參數(shù)設(shè)置見表2。

表2 模型初始化參數(shù)設(shè)置

模型訓(xùn)練過程中，還需要對(duì)模型的超參數(shù)進(jìn)行設(shè)置，異常檢測(cè)訓(xùn)練模型超參數(shù)設(shè)置見表3。

表3 訓(xùn)練超參數(shù)設(shè)置

2.3 實(shí)驗(yàn)結(jié)果分析

通過對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，最終計(jì)算得到異常分?jǐn)?shù)，異常分?jǐn)?shù)為0.16，0.12，0.14。使用測(cè)試集對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估，得到異常分?jǐn)?shù)直方圖如圖3，其中從左往右第一條垂直虛線代表“nok”測(cè)試樣本獲得的最小異常分?jǐn)?shù)，使用此閾值將“ok”和“nok”樣本分開，可確保測(cè)試集中沒有錯(cuò)誤分類為“ok”的“nok”樣本；第二條垂直虛線代表“正?！睖y(cè)試樣本獲得的最大異常分?jǐn)?shù)。使用此閾值將“ok”和“nok”樣本分開，可確保測(cè)試集中沒有被錯(cuò)誤分類為“nok”的“ok”樣本。黑色垂直實(shí)線代表折中的中間閾值。異常分?jǐn)?shù)線的左側(cè)為正常，右側(cè)則視為異常。

得到異常分?jǐn)?shù)后，對(duì)整體數(shù)據(jù)集進(jìn)行推斷，抽取10張圖像，分別采用0.16，0.14，0.12作為分類標(biāo)準(zhǔn)判斷圖像是否異常。不同分類標(biāo)準(zhǔn)下檢測(cè)測(cè)試結(jié)果見表4。

表4 不同分類標(biāo)準(zhǔn)下檢測(cè)測(cè)試結(jié)果

從各個(gè)分類標(biāo)準(zhǔn)的檢測(cè)結(jié)果可以看出，當(dāng)選擇異常分?jǐn)?shù)0.16或0.12作為標(biāo)準(zhǔn)時(shí)，往往經(jīng)過推斷圖像計(jì)算出的異常分?jǐn)?shù)與選擇的標(biāo)準(zhǔn)異常分類很接近，這就使得推斷發(fā)生錯(cuò)誤，造成誤判。將異常分?jǐn)?shù)為0.14作為分類標(biāo)準(zhǔn)時(shí)，得到的檢測(cè)結(jié)果相對(duì)準(zhǔn)確性較高，因此綜合考慮，會(huì)選擇異常分?jǐn)?shù)直方圖中黑色線代表的異常分?jǐn)?shù)作為標(biāo)準(zhǔn)，能得較好效果。對(duì)數(shù)據(jù)集進(jìn)行推斷結(jié)果如圖4。

3 結(jié) 論

本文基于halcon圖像處理軟件，研究基于HOBS異常檢測(cè)的食品外包裝缺陷檢測(cè)方法，首先對(duì)基于HOBS異常檢測(cè)算法的原理及工作流程進(jìn)行描述，然后對(duì)數(shù)據(jù)集進(jìn)行構(gòu)建與實(shí)驗(yàn)環(huán)境搭建，隨后對(duì)實(shí)驗(yàn)中的參數(shù)進(jìn)行設(shè)置，最后通過實(shí)驗(yàn)得到實(shí)驗(yàn)結(jié)果，并對(duì)實(shí)驗(yàn)結(jié)果加以分析。實(shí)驗(yàn)結(jié)果表明基于HOBS異常檢測(cè)的食品外包裝缺陷檢測(cè)方法可以解決傳統(tǒng)缺陷檢測(cè)檢測(cè)效率低、準(zhǔn)確率低、誤檢率高等問題，能滿足工業(yè)生產(chǎn)實(shí)時(shí)的檢測(cè)要求，具有較強(qiáng)的實(shí)用性。