[发明专利]一种基于深度学习的烟包缺支检测方法

说明书

本发明公开了一种基于深度学习的烟包缺支检测方法，属于烟包缺支检测技术领域，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，具体包括如下步骤：采集样本烟包滤嘴侧图像；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；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；通过本地和Web两种检测方式调用滤嘴侧分类模型，实时采集待检测烟包滤嘴侧图像，进行烟包缺支判决。本发明采用基于深度学习模型的烟包缺支在线检测算法，对比传统的图像算法，检测准确性高，鲁棒性强；发布的RESTful接口，可以充分利用有限的GPU硬件资源，同时扩展深度学习模型的应用场景。

技术领域

本发明属于烟包缺支检测技术领域，具体涉及一种基于深度学习的烟包缺支检测方法。

背景技术

在卷烟厂加工和生产香烟的过程中，因为种种原因使得从卷接机输送到烟包包装线的烟支出现各种次品。根据国家相应标准规定，烟包内烟支缺少属于A类严重质量缺陷，因此在流水线上进行烟包缺支检测、剔除不合格的烟包十分有必要。

在烟草自动化生产线上，传统的视觉检测设备依然采用“阈值标定”对缺陷进行识别，这种古老的识别方法在烟草行业经过十几年的运用，其缺点和短板已愈发凸显，比如识别精度不高、误剔率高、阈值需频繁调整、缺陷标定数量受限、对未标定的潜在缺陷无法识别、对尺寸或外观异常的烟包难以识别、人为干预因素太多等等，这些短板明显不利于企业对智能制造和精益生产模式的提升，后期维护成本也非常大。随着卷烟企业对产品质量、产品损耗、生产自动化、智能化、信息化程度等方面的指标和要求不断提高，传统的生产设备、生产工艺、检测设备、检测方法已无法满足日益增长的现实需求。

深度学习技术正成为当下机器视觉检测领域的主流研究趋势。将深度学习的理论方法应用到机器视觉的缺陷检测算法中，结合图像缺陷检测和分类中的相关问题，用基于深度学习的理论和方法研究缺陷检测算法，解决目前检测算法的不足，使工业缺陷检测更加准确、高效、智能化、低成本，以此提高产品生产效率和竞争力。

发明内容

为了解决上述问题，本发明提出了一种基于深度学习的烟包缺支检测方法，实现烟包缺支的智能化精确检测。

本发明的技术方案如下：

一种基于深度学习的烟包缺支检测方法，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。

优选地，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％。

优选地，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。