[发明专利]一种自学习型的烟丝杂物视像检测方法

说明书

本发明提供一种自学习型的烟丝杂物视像检测方法，包括：采集含有不同种类杂物的烟丝图片，并对所述烟丝图片进行图像预处理；对处理后的所述烟丝图片采用图像分割技术提取烟丝杂物图像，并对所述烟丝杂物图像进行变换、旋转和明暗度调整处理，得到多张对应的烟丝杂物图像；将烟丝标准图像和所述烟丝杂物图像进行融合，以形成深度学习所需要的训练集图像；建立深度学习算法模型，并通过所述训练集图像对所述深度学习算法模型进行训练，以预测输出杂物目标；通过工业相机拍摄烟丝输送带的烟丝得到烟丝图像，将所述烟丝图像输入训练后的所述深度学习算法模型进行杂物检测。本发明能提高烟丝杂物检测的准确性和工作效率，提高卷烟的生产质量。

技术领域

本发明涉及卷烟生产管理技术领域，尤其涉及一种自学习型的烟丝杂物视像检测方法。

背景技术

香烟在生产过程中烟丝中往往不可避免的会混有运输过程中的纸或者塑料包装碎屑，影响香烟的品质，因此需要对生产线上的烟丝进行杂质检测。人工挑选全凭人眼寻找烟丝中的杂质异物，受个体主观意识影响，且费时费力，长时间工作容易造成视觉疲劳，无法保证工作效率。传统的机器视觉方法检测香烟杂质时受烟丝间隙阴影影响较大，其纸屑与烟丝颜色十分相近，检测准确率有待提高。

当前深度学习技术已经广泛应用于机器视觉检测领域，但深度学习技术在烟丝杂物检测应用方面国内目前尚无较好的应用案例。因此，如何使用深度学习技术在烟丝图像中对杂物目标进行检测，提高目标识别的准确率和效率，具有重要的意义。

发明内容

本发明提供一种自学习型的烟丝杂物视像检测方法，解决现有烟丝中杂物检测存在检测效率低和准确率不高的问题，能提高烟丝杂物检测的准确性和工作效率，提高卷烟的生产质量。

为实现以下目的，本发明提供以下技术方案：

一种自学习型的烟丝杂物视像检测方法，包括：

采集含有不同种类杂物的烟丝图片，并对所述烟丝图片进行图像预处理；

对处理后的所述烟丝图片采用图像分割技术提取烟丝杂物图像，并对所述烟丝杂物图像进行变换、旋转和明暗度调整处理，得到多张对应的烟丝杂物图像；

将烟丝标准图像和所述烟丝杂物图像进行融合，以形成深度学习所需要的训练集图像；

建立深度学习算法模型，并通过所述训练集图像对所述深度学习算法模型进行训练，以预测输出杂物目标；

通过工业相机拍摄烟丝输送带的烟丝得到烟丝图像，将所述烟丝图像输入训练后的所述深度学习算法模型进行杂物检测。

优选的，还包括：

采用Python语言构建所述深度学习算法模型和卷积神经网络，并通过所述卷积神经网络调用所述深度学习算法模型进行杂物检测。

优选的，还包括：

通过Python语言构建工控机与工业相机之间的控制界面，通过所述认为控制界面控制工业相机的拍摄、图像流抓取和图像流格式转换的操作。

优选的，还包括：

通过Python语言构建工控机与PLC控制器的通讯界面，通过所述通讯界面实现工控机对烟丝输送带的启停控制。

优选的，所述深度学习算法模型采用Yolo V3模型，并采用Keras-TensorFlow深度学习GPU加速平台实现GPU加速。

优选的，还包括：

通过实验测试对Yolo V3模型进行更改损失函数中没有杂物部分图像的权重系数，找到最适合检测输送带上烟丝表面杂物的权重系数后运用Yolov3模型对所述训练集图像进行训练并得到权重文件；