基于HOBS異常檢測的食品外包裝缺陷檢測研究

王 鑫，張 濤，楊亞寧

(大連民族大學(xué) a.機電工程學(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、二級包裝、三級包裝、外包裝等[1]。隨著人們生活水平的提高，消費者和企業(yè)對于食品外包裝的要求也越來越高，不僅要滿足自身的性能，達到保護內(nèi)部食品的作用，還要求產(chǎn)品外觀盡量沒有缺陷，吸引消費者。但在實際生產(chǎn)過程中，食品包裝機會因原輔材料、機械振動等非正常因素導(dǎo)致包裝材料褶皺、破損等質(zhì)量缺陷[2]。目前，傳統(tǒng)的缺陷檢測主要依靠人工，人工檢測存在著檢測效率低、誤檢率和漏檢率高、檢測速度慢、生產(chǎn)成本高等缺點和局限性[3-4]。

近年來，隨著研究的深入，異常檢測作為機器學(xué)習(xí)的一個研究方向得到迅速發(fā)展[5]。異常檢測就是檢測出數(shù)據(jù)中的離群點,不一致、不符合行為的異常數(shù)據(jù)，異常檢測在網(wǎng)絡(luò)入侵檢測、故障診斷、欺詐檢測等領(lǐng)域都得到應(yīng)用。伴隨著異常檢測技術(shù)的不斷完善，異常檢測涉及領(lǐng)域更加廣泛，在疾病檢測、身份識別、產(chǎn)品表面質(zhì)量檢測等方面都得到應(yīng)用，而且具有不錯的應(yīng)用效果?；诋惓z測的表面缺陷檢測方法相較于人工檢測方法，產(chǎn)品的檢測效率顯著提高，勞動成本和生產(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算法有：基于概率統(tǒng)計[7]、基于聚類[8]、基于最近鄰[9]等。但對于幾種常見的異常檢測算法都存在相應(yīng)的弊端，如基于概率統(tǒng)計對分布模型的依賴程度高，模型選擇不當(dāng)，則會造成檢測效果不明顯，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)，計算量大，不適用于在線使用；基于聚類檢測效果對聚類效果的依賴程度大，開銷成本大。本文所提基于HOBS異常檢測算法屬于基于概率統(tǒng)計異常檢測算法中的一種，HOBS異常檢測算法屬于無監(jiān)督模式檢測算法，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；檢測速度快，準(zhǔn)確率高；無需大量樣本，少量正常樣本即可進行訓(xùn)練等優(yōu)點。

1 基于HOBS異常檢測算法

1.1 算法原理

HOBS異常檢測算法的原理簡單，該算法通過對每一個數(shù)據(jù)進行評分，評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個柱并且每個柱的寬度相等，進入每一個柱的值的頻數(shù)作為柱的高度；

(2)動態(tài)寬度柱狀圖。柱個數(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個值裝進柱里，其中M代表樣例總數(shù)，N代表所分柱的個數(shù)，是一個超參數(shù)；柱的寬度由進入柱第一個值和最后一個值決定。

每一維度的數(shù)據(jù)都會有一個柱狀圖，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柱狀圖的高度是1，則可以保證每個特征的權(quán)重相同。每個特征的HOBS值計算如下。

假設(shè)數(shù)據(jù)x={x1,x2,x3，…，xn}，且樣本中每個維度相對獨立，則樣本x的概率密度計算公式為

P(x)=P(x1)P(x2)P(x3)…P(xn) ；

(1)

兩邊取對數(shù)，

log[P(x)]=log[P(x1)P(x2)P(x3)…P(xn)]

(2)

概率密度越大，異常評分越小，則兩邊乘“-1”：

(3)

然后將其應(yīng)用到評分模型：

(4)

則樣本x中的HOBS(x)的計算結(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異常檢測算法工作流程

HOBS異常檢測算法工作流程包括：數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型評估、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、驗證集、測試集，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)進行模型的訓(xùn)練，并將訓(xùn)練模型進行保存；模型評估利用測試集的數(shù)據(jù)對訓(xùn)練后的模型進行評估，根據(jù)評估結(jié)果得到異常分數(shù)直方圖，然后根據(jù)異常分數(shù)直方圖設(shè)置閾值分類標(biāo)準(zhǔn)，最后進行評估結(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，計算得到異常分數(shù)，將其與設(shè)置的閾值分類標(biāo)準(zhǔn)進行比較，得到最終結(jié)果并顯示。具體過程及每個過程涉及到的重要算子如圖1。

2 實驗過程

2.1 實驗數(shù)據(jù)集

以實驗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，利用圖像增強技術(shù)中的直方圖均衡化增加對比度，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 實驗環(huán)境及參數(shù)設(shè)置

環(huán)境配置見表1。實驗程序的編寫主要由HALCON軟件完成。

表1 環(huán)境配置

數(shù)據(jù)集訓(xùn)練時，需要選擇預(yù)訓(xùn)練網(wǎng)絡(luò)模型，然后對預(yù)訓(xùn)練網(wǎng)絡(luò)模型的參數(shù)進行設(shè)置，異常檢測預(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，還需要對模型的超參數(shù)進行設(shè)置，異常檢測訓(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 實驗結(jié)果分析

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

得到異常分數(shù)后，對整體數(shù)據(jù)集進行推斷，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)下檢測測試結(jié)果見表4。

表4 不同分類標(biāo)準(zhǔn)下檢測測試結(jié)果

從各個分類標(biāo)準(zhǔn)的檢測結(jié)果可以看出，當(dāng)選擇異常分數(shù)0.16或0.12作為標(biāo)準(zhǔn)時，往往經(jīng)過推斷圖像計算出的異常分數(shù)與選擇的標(biāo)準(zhǔn)異常分類很接近，這就使得推斷發(fā)生錯誤，造成誤判。將異常分數(shù)為0.14作為分類標(biāo)準(zhǔn)時，得到的檢測結(jié)果相對準(zhǔn)確性較高，因此綜合考慮，會選擇異常分數(shù)直方圖中黑色線代表的異常分數(shù)作為標(biāo)準(zhǔn)，能得較好效果。對數(shù)據(jù)集進行推斷結(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異常檢測的食品外包裝缺陷檢測方法，首先對基于HOBS異常檢測算法的原理及工作流程進行描述，然后對數(shù)據(jù)集進行構(gòu)建與實驗環(huán)境搭建，隨后對實驗中的參數(shù)進行設(shè)置，最后通過實驗得到實驗結(jié)果，并對實驗結(jié)果加以分析。實驗結(jié)果表明基于HOBS異常檢測的食品外包裝缺陷檢測方法可以解決傳統(tǒng)缺陷檢測檢測效率低、準(zhǔn)確率低、誤檢率高等問題，能滿足工業(yè)生產(chǎn)實時的檢測要求，具有較強的實用性。