基于深度学习的打印件中感光鼓损伤印迹识别系统设计

李志荣

摘  要： 传统的打印机感光鼓损伤印迹识别系统识别时间长，工作过程稳定性差，为了解决上述问题，基于深度学习设计了一种新的打印机感光鼓损伤印迹识别系统。在传统卷积神经网络基础上增加训练模型，设计了一种新的卷积神经网络，将该网络引入到系统硬件中，构建出系统硬件总结构，包括输入层、卷积层、下采样层、特征提出层和输出层五层。根据硬件设计软件程序，共分为信息预处理、感光鼓损伤印迹定位、感光鼓损伤印迹分割、感光鼓损伤印迹识别四步。为检测识别系统的工作效果，與传统识别系统进行实验对比，结果表明，基于深度学习设计的识别系统能够有效缩短感光鼓损伤印迹识别时间，工作过程稳定性高。

关键词： 感光鼓损伤印迹识别系统; 深度学习; 卷积神经网络; 实验参数设定; 识别时间对比; 稳定性对比

中图分类号： TN99?34; TP302.1                   文献标识码： A                     文章编号： 1004?373X（2020）11?0163?04

Design of deep learning based printer photosensitive drum damage imprint recognition system for printed pieces identification

LI Zhirong

（Department of Document Examination Technology， Criminal Investigation Police University of China， Shenyang 110035， China）

Abstract： Since the traditional printer photosensitive drum damage imprint recognition system takes a long time for the recognition and the working stability is poor， a new printer photosensitive drum damage imprint recognition system is designed based on the deep learning. In the system， a new convolutional neural network is designed by adding a training model to the traditional convolutional neural network. The new network is introduced into the system hardware to construct the overall system hardware structure， which include five layers， named input layer， convolutional layer， downsampling layer， feature extraction layer and output layer. According to the hardware， the software program is designed， which is divided into four steps， named information pretreatment， location of photosensitive drum damage imprint， segmentation of photosensitive drum damage imprint and identification of photosensitive drum damage imprint. Contrastive experiments on the proposed recognition system and traditional recognition system were carried out to test the operation effects. The results show that the proposed recognition system based on the deep learning can effectively shorten the recognition time of photosensitive drum damage imprint， and is of high working stability.

Keywords： photosensitive drum damage imprint recognition system; deep learning; convolutional neural network; experimental parameter setting; recognition time contrast; stability contrast

0  引  言

司法鉴定需要大量文件证据，一旦被伪造，就很难做出正确的审查决定[1]。民事诉讼中存在大量各种打印件，伪造检验极为困难。通过无损检验方法判断文件是否存在伪造，对于司法鉴定有重要的意义[2]。感光鼓是激光打印机的核心部件，组成材料主要是硫化镉和有机光导材料。打印机感光鼓表面材料为光导体，存在一定硬度，由于不断承受外界的机械压力，所以会出现一定的磨损，从而形成感光鼓损伤印迹，每一个打印件上都会出现这种损伤印迹，出现方式为周期性出现，感光鼓周长不同，出现周期也不同[3]。比较每个历史样本的感光鼓损伤印迹，可以确定打印件的具体时间，并判断文件中的打印件是否为一次打印而成[4]。

深度学习这一概念来自于人工神经网络，通过分析低层特征，判断出高层特征，进而确定出数据的分布式特征。机器可以利用深度学习方法对数据进行表征，通过监督式和半监督式的方法分析事物特性，并取代手工方法，提高工作效率[5]。

本文引入深度学习理论设计了一种新的识别系统，该系统能够针对感光鼓损伤印迹进行识别，分别设计了系统的硬件和软件，最终通过实验对该设计进行相关验证，判断识别的科学性和实用性。

1  打印件中感光鼓損伤印迹识别系统硬件设计

基于深度学习算法对打印件中感光鼓损伤印迹识别系统硬件进行设计，通过引入卷积神经网络，加强系统硬件的实用性。

1.1  卷积神经网络

深度学习算法内部包含了大量的神经元，神经元彼此独立，主要通过连接上层神经元接收下层神经元，神经元之间的组合方式不断变换，从而得到更多的语义信息，获得学习目标的分布式特征[6]。本文应用的神经网络为卷积神经网络，这是一种多层神经网络，能够很好地识别出二维特征，即使面对平移、缩放的学习目标，卷积神经网络也具有很强大的不变性。因此，十分适合应用到打印件的感光鼓损伤印迹识别工作中，卷积神经网络结构如图1所示。

观察图1可知，卷积神经网络的输入和输出可以看作非映射关系，通过训练已知模型，使卷积神经网络中的神经元形成映射关系，在进行训练之前，要对所有的参数值进行初始化设置，通过向前传播训练和反向传播训练调节神经元之间的关系[7]。

向前传播训练会将卷积神经网络的数据集中到一起，以样本的形式向中心网络输出，通过不断变换组合得到最终的输出结果[8]。本文设定的卷积神经网络向前传递方式和传统神经网络向前传递方式大致相同，输入层和输出层满足如下关系：

[Al=f（KlAl-1+Bl）] （1）

式中：[Al]代表输出结果;[Al-1]表示输入层;[l]代表卷积神经网络层数;[K]代表权值;[B]代表偏置;[f]代表激活函数。

卷积神经网络在经过一次向前传播之后，会出现反向传播，根据误差定义方式判断传播网络状态，上层神经元接收误差之后要更新自身权值[9]。

1.2  识别系统硬件结构设计

根据设计的卷积神经网络构建新的硬件识别系统，系统总体结构如图2所示。

观察图2可知，本文设计的打印件中感光鼓损伤印迹识别系统硬件共分为5个层次，分别是输入层、卷积层、下采样层、特征提出层和输出层[10]。

1） 输入层设置。将需要识别的感光鼓损伤印迹提取出来，以矩阵的方式输入到识别系统，为确保识别结果的准确性，最初的输入矩阵规格统一设定成64×64，在此基础上不断扩展[11]。输入方式如图3所示。

2） 卷积层设置。应用本文设计的识别系统设置卷积层，通过卷积运算和不同的滤波器分析输入的感光鼓损伤印迹特征，提取原始信号后，对信号进行增强处理。识别系统中的神经元连接区域不同，识别性能也有所不同，设置的卷积层卷积核尺寸为10×10，如图4所示。

3） 采样层设置。在对感光鼓损伤印迹进行采样时，会得到多个特征图，为提高特征图的分辨率可以进行简单的缩放处理，减少卷积神经网络的输入权值参数。为确保采样过程系统的稳健性，设定的缩放因子不能过大，要小于2，采样过程如图5所示。

4） 特征提取层设置。利用归一化处理，将识别的感光鼓损伤印迹提取出来，采取一一对应的方式得到损伤印迹特征，并根据卷积要求对特征进行重新组合，确保卷积网络中的神经元连接数量在可控制范围内。本文设置的特征提取层尤其适用不同特征的感光鼓损伤印迹提取。

在特征提出层内部设定了一个匹配模板，能够针对输出层的特征进行模板匹配。传统的识别系统内部也存在匹配模板，但由于设定的模板为单一模板，所以很容易受到外界因素的影响，因此需要设置出多个标准模板，使识别结果更加准确，并且能够更加全面地解决多方面问题。但是如果模板过多会加大系统计算量，使系统运算过程更加复杂化，本文结合多方考虑，设置了3个匹配模板，将提取出来的感光鼓损伤印迹进行特征匹配，在不同模板中进行识别[12]。

5） 输出层设置。观察系统硬件框架图可知，输出层和特征层的连接方式为全连接，每一层卷积网络中包含的神经元能够达到500个，输出的连接链路高达3 000条。系统在识别时，一定会出现错误识别结果，因此在输出层加入了局部识别模块，该模块记录了常用的错误识别类型，并针对每一个输出结果进行局部识别，如果发现错误的输出结果，将会重新标注，以此确保输出结果的精确度[13]。

系统硬件电路图如图6所示。

2  打印件中感光鼓损伤印迹识别系统软件设计

在打印件中感光鼓损伤印迹识别系统硬件结构上进行软件设计，软件流程如图7所示。

感光鼓损伤印迹识别系统软件流程如下：

1） 信息预处理。打印件中的感光鼓损伤印迹很有可能受到外界因素影响，因此，这时需要去掉隐藏的无用信息。通过预处理的方式将打印件中的所有信息灰度化，利用平滑操作处理信息，并尽可能地剔除干扰信息，方便后期处理。

2） 感光鼓损伤印迹定位。利用卷积神经网络生成候选框，在候选框内部设定通道，通过回归目标函数确定感光鼓损伤定位。

3） 感光鼓损伤印迹分割。在确定出感光鼓损伤印迹所在位置之后，根据损伤印迹存在间隔的特点设定投影，从中间位置向前、后两个方向分割，由于每一个印迹的尺寸不同，所以需要归一化处理，使印迹尺寸能够统一到一起。

4） 感光鼓损伤印迹识别。对损伤印迹进行降噪处理，分别计算出最小距离和最大距离，在识别模板上确定点集和字符集。如果模板内部的点分布方式比较集中，则模板与损伤印迹匹配度非常高，易于识别;如果模板内部的点分布方式比较分散，则模板与损伤印迹匹配度相对较低，识别起来比较困难，可以针对特征进行识别，确定易错识别位置，同时可以多设定几个识别模板，确保识别结果的准确率。