[发明专利]一种基于深度学习的烟包缺支检测方法

权利要求书

1.一种基于深度学习的烟包缺支检测方法，其特征在于，通过烟包缺支检测系统完成烟包缺支状态的在线智能识别与分类；

所述烟包缺支检测系统包括图像采集组件、上位机软件、Web服务器；

所述烟包缺支检测方法具体包括如下步骤：

S1.通过图像采集组件采集样本烟包滤嘴侧图像，并传输给上位机软件；

S2.采用图像处理技术，对取得的烟包滤嘴侧图像进行数据增强，扩充样本数据；

S3.根据样本数据，基于Keras框架和DenseNet轻量级卷积神经网络训练滤嘴侧分类模型，生成深度学习滤嘴缺支缺陷检测模型文件；

S4.上位机软件加载深度学习滤嘴缺支缺陷检测模型文件和预设的缺陷等级类别文件，对图像采集组件采集的待检测烟包滤嘴侧图片，实时判别烟包缺支缺陷是否存在及缺陷等级；

S5.同步发布RESTful接口，Web服务器通过调用深度学习滤嘴缺支缺陷检测模型，对通过HTTP协议传入的烟包滤嘴侧图片，以JSON数据格式给出烟包缺支缺陷是否存在及缺陷等级。

2.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述步骤S1中，采集的样本烟包滤嘴侧图像中烟包有缺陷、无缺陷各占50％。

3.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述步骤S2中，采用系列随机变换的方式对烟包滤嘴图片进行数据增强；采用的随机变换处理包括水平平移、垂直平移、透视变换、缩放、通道转换、随机水平翻转。

4.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述步骤S3中，模型构建的具体过程为：在创建网络之后，加载预训练权重，然后将卷积输出压平，添加全连接层、Dropout正则化和分类层，最后设定冻结层和训练层，采用Adam优化器对模型进行编译，随后开展训练，不断调整冻结网络层数、学习率、衰减率参数。

5.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述步骤S4完成的是深度学习滤嘴缺支缺陷检测模型的本地在线检测，具体内容为：首先进行模型格式的转换，由Keras生成的hdf5模型需要转换为上位机软件程序支持的pb模型；接着在上位机软件程序里引入必要的深度学习动态链接库，读入缺陷类别文件，加载转换后的pb模型文件，将输入图像信息转换为输入张量，最后设置模型输入，执行网络推理，实时判别烟包缺支缺陷是否存在及缺陷等级。

6.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述步骤S5完成的是将深度学习滤嘴缺支缺陷检测模型发布RESTful接口服务，具体内容为：系统Web服务器读入缺陷类别文件和训练完成的深度学习滤嘴缺支缺陷检测模型文件，对通过HTTP协议传入的烟包滤嘴侧图片后进行缺支判决，实现用户传入图片，Web服务器端执行网络推理，以JSON数据格式给出烟包缺支缺陷是否存在及缺陷等级结果。

7.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述RESTful接口接入的前端语言包括android，ios，html5，所述Web服务器只负责处理数据。

8.根据权利要求1所述基于深度学习的烟包缺支检测方法，其特征在于，所述图像采集组件包括LED照明灯、光学平面镜、光学镜头；光学镜头位于光学平面镜斜上侧，LED照明灯提供光源给烟包打光，光学镜头采集光学平面镜反射后的烟包滤嘴侧图像信息。