[發明專利]煙葉異物高精度識別方法、系統、電子設備及計算機可讀存儲介質

在審

• 申請號: 202210693938.0
• 申請日: 2022-06-19
• 公開（公告）號: CN114998287A
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 郭越;侯俊峰;周廣旭;馬媛媛;郭海全;李松;李耀鋒;王紅超
• 申請（專利權）人: 河南中煙工業有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/80;G06V10/44;G06V10/82;G06N3/08;G06N3/04
• 代理公司: 北京維澳專利代理有限公司 11252
• 代理人: 衣愛麗

本發明公開了一種煙葉異物高精度識別方法、系統、電子設備及計算機可讀存儲介質。方法包括：制作數據集，使用LabelImg工具對圖像數據進行標定，記錄物體的類別及位置信息，將異物類別標注接合到參雜異物的煙葉圖片數據中，形成訓練數據；通過將訓練數據和實例訓練數據訓練煙葉異物識別的所述深度卷積神經網絡模型；將數據集導入煙葉異物識別的所述深度卷積神經網絡模型中，通過模型訓練學習到的特征進行預測；得到的預測結果需要解碼，經過解碼后的先驗框的位置就是最終預測結果的位置。本發明具有高精度的識別性能，并且借鑒了卷積神經網絡中自動提取目標特征的特性，能夠進行煙葉中多種類型的異物的識別。

技術領域

本發明涉及卷煙技術領域，更具體地，涉及一種煙葉異物高精度識別方法、系統、電子設備及計算機可讀存儲介質。

背景技術

隨著工業現代化的不斷發展，自動化檢測與控制技術已經成為改造傳統生產設備、提高企業生產現代化水平的重要方式。現今，煙草行業已經形成了一個非常系統的產業鏈。而中國具有全球規模最為龐大的煙草市場和良好的原料基礎，但其傳統的生產制造工藝不能滿足高品質、高檔次香煙的生產需求，且卷煙生產的自動化能力較弱，客觀上給國外的煙草企業留下了市場空間。

煙葉原料在人工處理的過程中，包括對煙葉的生產、搜集、包裝等過程中，不可避免的對混入金屬、紙屑、布片、塑料及麻絲等雜物。在大流量生產線上雖然采用精選臺的方式進行挑選，但是勞動強度大、人工本錢高、剔除率低。在煙草加工環節中，其原材料易混有雜物，嚴重影響香煙的質量，目前的異物識別剔除率相對來說比較低。提高煙草的質量，就是要剔除煙草中的各種異物，對于異物的識別準確率有很高的要求。現在對于異物目標檢測的方法主要是在機器學習視覺技術上，難以適用于粉塵較大、異物類型較多、煙葉與異物顏色與尺寸相近的復雜煙草生產環境。自 2006年以來，深度學習在學術界和工業界持續升溫，在語音識別、自然語言處理、圖像識別等領域取得了驚人的進展，從而推動了人工智能和人機交互的大踏步前進。深度學習成為了新世紀以來最具有技術性和突破性的研究方向，為科技新時代的建立提供了整體的技術框架和核心思路。深度學習理論在圖像識別領域的深化應用，為煙葉異物識別問題提供了解決的思路。

因此，如何提供一種煙葉異物高精度識別方法、系統、電子設備及計算機可讀存儲介質成為本領域亟需解決的技術難題。

發明內容

本發明的目的是提供一種煙葉異物高精度識別方法、系統、電子設備及計算機可讀存儲介質。

本發明第一方面公開了一種煙葉異物高精度識別方法；所述方法包括：

步驟S1、收集參雜異物的煙葉的視頻和圖像，并且存儲到數據庫中；

步驟S2、制作數據集，使用LabelImg工具對圖像數據進行標定，記錄物體的類別及位置信息，將異物類別標注接合到參雜異物的煙葉圖片數據中，形成訓練數據；

步驟S3、搭建深度卷積神經網絡模型；

步驟S4、通過所述訓練數據和實例訓練數據訓練煙葉異物識別的所述深度卷積神經網絡模型；

步驟S5、將所述數據集導入煙葉異物識別的所述深度卷積神經網絡模型中，通過模型訓練學習到的特征進行預測；

步驟S6、得到的預測結果進行解碼，即是先驗框的左上角和右下角的位置進行調整，經過調整后的先驗框的位置就是最終預測結果的位置。

根據本發明第一方面的方法，在所述步驟S1中，所述收集參雜異物的煙葉的視頻和圖像的方法包括：

在煙廠的流水線上收集視頻圖像數據，然后把視頻圖像數據處理成圖片數據。

根據本發明第一方面的方法，在所述步驟S2中，所述使用LabelImg 工具對圖像數據進行標定，記錄物體的類別及位置信息，將異物類別標注接合到參雜異物的煙葉圖片數據中，形成訓練數據的方法包括：