[發明專利]用于煙草生產線煙絲雜質的在線檢測方法

有效

• 申請號: 202011091416.0
• 申請日: 2020-10-13
• 公開（公告）號: CN112189877B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 張立國;孫勝春;金梅;張少闊;張子豪;張勇;劉博;郎夢園
• 申請（專利權）人: 燕山大學
• 主分類號: A24B3/18
• 分類號: A24B3/18;A24C5/00;B07C5/34;G01N21/25;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 孫建

1.一種用于煙草生產線煙絲雜質的在線檢測方法，其包括數據降維和煙絲雜質檢測兩部分，其特征在于，所述在線檢測方法包括步驟如下：

S1、對成像光譜儀采集的煙絲光譜圖像數據進行降維：

S11、根據設定的單波段煙絲光譜圖像特征值的閾值，剔除成像光譜儀所獲得的煙絲光譜圖像數據中圖像噪聲影響大、且含有用信息少的單波段，縮小在煙絲光譜圖像數據全波段中的選擇范圍；

S12、將步驟S11獲得的煙絲光譜圖像數據，按光譜通道進行等距下采樣處理，在經過剔除的煙絲光譜圖像數據的波段子集中，等間隔抽取波段，將抽取的波段進行拼接組合，減小波段間的相關性，縮小波段的組合范圍；

S13、將步驟S12得到的煙絲光譜圖像數據的波段子集進行分組，計算步驟S12得到的波段子集中兩波段間的相關系數，得到波段間的相關性，根據波段間的相關系數大小進行分組，連續波段間相關系數均大于設定的相關系數閾值的，分為同一組；

S14、求取步驟S13中各組煙絲光譜圖像數據的最佳波段組合，分組計算每一組中波段的標準差和波段間的相關系數，計算各波段組合的最佳波段指數OIF，最佳波段指數最大的組合即為該組的最佳波段組合：

其中，stdev_i為某一組中第i個波段的標準差，r_ij為某一組中第i個波段與第j個波段間的相關系數，m為某一組的最佳波段組合中波段的個數；

S15、對步驟S14得到的各組煙絲光譜圖像數據的最佳波段組合進行波段合成，通過拼接組合得到最終的波段組合，最終選出的最佳波段組合的總波段數為各組選出的最佳波段組合的波段數的和；

S2、用深度卷積神經網絡對步驟S1處理的煙絲高光譜圖像數據進行煙絲雜質檢測：

S21、構建深度卷積神經網絡分類模型的訓練集和測試集；

S211、在步驟S15得到的煙絲光譜圖像數據的最佳波段組合中選擇一張人眼能清楚辨別樣本點類別的單波段光譜圖像，通過MATLAB在選擇的單波段光譜圖像上畫線標記樣本點，樣本點分為紙屑、塑料、煙絲和其它四類，每類樣本標記一種顏色；

S212、通過MATLAB讀取步驟S211標記的每類樣本中各點的橫縱坐標，得到每類樣本點對應位置的各波段灰度值，再除以對應位置在白板上各波段的灰度值，得到對應位置的反射率：

re(x₀,y₀,b₀)＝gray(x₀,y₀,b₀)/white(x₀,y₀,b₀)

其中，re(x₀,y₀,b₀)為x₀行y₀列的點在第b₀波段的反射率，gray(x₀,y₀,b₀)為x₀行y₀列的點在第b₀波段的灰度值，white(x₀,y₀,b₀)為x₀行y₀列的點在第b₀波段白板上的灰度值；

S213、將步驟S212得到樣本中每類樣本點的順序隨機打亂，構建訓練集和測試集，訓練集和測試集的數量比例為1:9；

S22、設置深度卷積神經網絡訓練的初始化參數，通過步驟S21得到的訓練集和測試集訓練樣本，得到樣本的深度卷積神經網絡的分類模型；

S23、用訓練好的深度卷積神經網絡分類模型對步驟S1得到的煙絲光譜圖像數據中所有點進行初次識別，通過訓練好的深度卷積神經網絡分類模型對煙絲光譜圖像數據進行分類，將預測類別相同的點設置成相同顏色，得到煙絲光譜圖像數據的分類結果；

S24、通過鄰域去散點算法對煙絲高光譜圖像數據中的雜質進行剔除；

S241、選取a×a的網格作為選取的鄰域范圍，其中心點設為散點；

S242、統計步驟S241鄰域范圍內的b個點位，若統計點位的分類預測標簽與中心點位預測標簽相同的個數達到設定值，則中心點的預測類別不變，否則中心點預測為煙絲；

S243、通過MATLAB對步驟S242處理的煙絲高光譜圖像進行圖像處理，通過形態學膨脹和腐蝕操作，填充煙絲高光譜圖像中的孔洞。