CN109472316A - 一种基于深度学习的滤棒装盒质量识别方法 - Google Patents

一种基于深度学习的滤棒装盒质量识别方法 Download PDF

Info

Publication number
CN109472316A
CN109472316A CN201811364291.7A CN201811364291A CN109472316A CN 109472316 A CN109472316 A CN 109472316A CN 201811364291 A CN201811364291 A CN 201811364291A CN 109472316 A CN109472316 A CN 109472316A
Authority
CN
China
Prior art keywords
mounted box
sample
filter stick
deep learning
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811364291.7A
Other languages
English (en)
Other versions
CN109472316B (zh
Inventor
杨赛
吴加莹
董宁
堵俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Original Assignee
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University, Nantong Research Institute for Advanced Communication Technologies Co Ltd filed Critical Nantong University
Priority to CN201811364291.7A priority Critical patent/CN109472316B/zh
Publication of CN109472316A publication Critical patent/CN109472316A/zh
Application granted granted Critical
Publication of CN109472316B publication Critical patent/CN109472316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理以及烟草科技领域，尤其是一种基于深度学习的滤棒装盒质量识别方法。包括1）在训练阶段下，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；2）随机从步骤1）中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；3）进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。本发明的深度学习模型在滤棒装盒质量的分类上结果优于传统的分类方法，同时对合格的标准装盒有着很高的查准率和查全率，更好地实现装盒到检测的自动化操作，提高整个生产线的自动化生产率。

Description

一种基于深度学习的滤棒装盒质量识别方法
技术领域
本发明涉及图像处理以及烟草科技领域，尤其是一种基于深度学习的滤棒装盒质量识别方法。
背景技术
目前，我国是烟草最大的生产与消费国，在香烟滤棒装盒机自动装盒的过程中，由于成型机输送滤棒速率的变化或者是装盒机在整理时不到位，装盒后的产品便会出现缺支、错位、横支等问题，这些问题产生之后则需要额外由人工进行滤棒的分类和整理。人工检测工作时间受限，工作地点受限，且人工成本费用也日趋渐高，如果这些带有缺陷的产品不能被及时发现并且被剔除，那么将会给企业带来非常大的负面影响。因此，找到一种能够快速准确进行滤棒质量判定的检测算法就显得尤为重要。
使用机器视觉对产品质量进行判断是工业上使用的最频繁的一种处理手段，而机器视觉的本质就是希望计算机能够模拟人类大脑做出有意义的判断。人类的大脑就像是一个复杂的神经网络，深度学习就是神经网络的进一步发展，它通过卷积层等对输入数据从低层到高层逐步地进行特征提取，模拟大脑的学习过程，对所提取的特征进行判断和分类，从而提高分类精度。
2006年，Hinton等首次提出深度学习的概念，利用深度学习的方法进行数据的分类和降维，他们认为多层神经网络具有更加优异的特征学习能力，能够对图像进行更本质的刻画。随后，深度学习便在学术界以至工业界持续升温，在目标跟踪、人脸识别、语音识别等多个领域取得了突破性进展，这也证明了深度学习是一种行之有效的分类识别工具。
发明内容
本发明的目的是针对目前的人工判断受时间，主观因素以及疲劳因素的影响，提供一种基于深度学习的滤棒装盒质量识别方法，识别更加准确、高效，能够在一定程度上可以适应生产线需要，提高生产效率，为后续无人化打包做好准备。
本发明是采取以下技术方案实现的：
一种基于深度学习的滤棒装盒质量识别方法，包括如下步骤：
1)在训练阶段下，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；
2)随机从步骤1)中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；
3)进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。
优选的，步骤(1)中，通过拍摄某烟滤嘴公司滤棒生产线上装盒机的装盒产品图像，进行小样本训练，确定选取的样本，并将选取的样本形成一个训练集。
步骤2)中，在本发明的小样本训练下，对网络参数进行优化时经过60次迭代。
步骤2)中所取得的训练样本数量为400张，其中每类是100张。
优选的，步骤(2)可具体为：
2-1)在所选取的训练样本之外，挑选120张作为附加测试样本，确保每类测试样本均为30张，并将所述附加测试样本按照缺支、错位、缺支及错位以及标准装盒平均分类；所述附加测试样本用于来测试训练后深度网络的识别分类情况，与所述训练样本没有一张是相同的。
2-2)将步骤2-1)所得样本作为卷积神经网络模型的输入，通过激活函数得到经过卷积层的输出特征图；
假设是卷积层l的第j个通道的输出特征图，是前一层输出的特征图或者是输入原图，则卷积过程表达式如下：
式(1)中，Mj是用于进行卷积计算的特征图子集，是对应的卷积核矩阵，其矩阵参数随着模型迭代增加会进行更新，是对卷积后的特征图偏置，每个所对应的不一定相同，*是卷积符号，f(·)是激活函数，引入非线性因素，提升表达能力，在本发明中使用的激活函数为ReLU函数。其中，1≤l≤5(l为自然数)，j的取值为3,96,256,384，不同卷积层j取值不同，132≤i≤552(i为自然数的平方值)；
2-3)经由下式(2)的下采样层对输出特征图进行降维，对输出结果进行更新；
式(2)中，为下采样层的输出特征图，pooling(·)是下采样函数。其中，1≤m≤3(m为自然数)；
2-4)通过全连接层处理进行分类输出，根据样本的分类个数，将输出参数的类目设置为4，全连接层输出后的特征图表达为式(3)，
xn＝f(wnxn-1+dn) (3)
式(3)中，f(·)是激活函数，此处选用ReLU函数，xn-1是前一层特征图，wn是全连接层的权重系数，dn是偏置参数，其中n取值为1和2；对于输入x＝(x1,x2,x3...)在第k类的概率Pk，可以在Softmax层按照下式得出：
式(4)中Zk是Softmax层的输入，最大Pk所在分类k即为模型对输入的分类结果；
2-5)采用交叉熵函数L作为四种模型的损失函数，通过反向传播更新网络参数，得到四种微调后的网络。
所述交叉熵函数L见式(5)，
其中，h是训练样本容量，本发明中设置为10，os表示输入xs对应的模型预测输出，ys表示对应的实际标签。每层参数wi和bi的更新计算公式如下，其中ρ为学习率：
优选的，步骤(3)中，将测试样本输入到所得微调网络中进行测试，得到样本预测值。
本发明的有益效果为：经过试验证明，本发明的深度学习模型在滤棒装盒质量的分类上结果优于传统的分类方法，同时对合格的标准装盒有着很高的查准率和查全率，能帮助更好地实现装盒到检测的自动化操作，从而进一步提高整个生产线的自动化生产率。
附图说明
以下将结合附图对本发明作进一步说明：
图1是本发明方法的流程示意图；
图2是本发明使用的AlexNet迁移学习模型示意图。
具体实施方式
下面参照附图和具体实施例，对本发明方法作进一步说明。
如图1所示，是本发明方法的流程示意图。流程具体包括：
1)在训练阶段下，也即图中所示的迁移学习模型训练，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；
2)随机从步骤1)中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，采用交叉熵函数L作为四种模型的损失函数；通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；
3)进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。
图2通过图示方式，显示本发明使用的AlexNet迁移学习模型的过程。将给定的尺寸为227*227*3的训练样本或者测试样本作为模型的输入，经由第一层3*3的卷积层降维之后得到卷积层1的输出，后经过3*3的最大池化层操作，得到池化层1的输出，尺寸为27*27*96。依据如图的卷积尺寸和池化层尺寸得到一6*6*256的向量。第一层全连接层将6*6*256的向量转换成1*4096的向量，最后一层全连接层将其转换为1*4的向量送入分类器进行识别分类，输出送入模型的样本所预计的样本标签。
本发明所使用的深度学习网络模型，经过小样本训练，在测试阶段能够达到95％的较高的准确率。相较于普通的LBP特征特征提取结合SVM分类器分类的方法，普通的LBP特征特征提取结合最近邻分类的方法，在准确率上分别提升了8.5％和6.5％。

Claims (7)

1.一种基于深度学习的滤棒装盒质量识别方法，其特征在于，包括如下步骤：
1)在训练阶段下，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；
2)随机从步骤1)中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；
3)进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。
2.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，在步骤(1)中，通过拍摄某烟滤嘴公司滤棒生产线上装盒机的装盒产品图像，进行小样本训练，确定选取的样本，并将选取的样本形成一个训练集。
3.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤2)中，对网络参数进行优化时经过60次迭代。
4.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤2)中所取得的训练样本数量为400张，其中每类是100张。
5.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤(2)的具体步骤包括：
2-1)在所选取的训练样本之外，挑选120张作为附加测试样本，确保每类测试样本均为30张，并将所述附加测试样本按照缺支、错位、缺支及错位以及标准装盒平均分类；所述附加测试样本用于来测试训练后深度网络的识别分类情况，与所述训练样本没有一张是相同的；
2-2)将步骤2-1)所得样本作为卷积神经网络模型的输入，通过激活函数得到经过卷积层的输出特征图；
假设是卷积层l的第j个通道的输出特征图，是前一层输出的特征图或者是输入原图，则卷积过程表达式如下：
式(1)中，Mj是用于进行卷积计算的特征图子集，是对应的卷积核矩阵，其矩阵参数随着模型迭代增加会进行更新，是对卷积后的特征图偏置，每个所对应的不一定相同，*是卷积符号，f(·)是激活函数，引入非线性因素，提升表达能力，在本发明中使用的激活函数为ReLU函数；其中，1≤l≤5，l为自然数，j的取值为3、96、256或384，不同卷积层j取值不同，132≤i≤552，i为自然数的平方值；
2-3)经由下式(2)的下采样层对输出特征图进行降维，对输出结果进行更新；
式(2)中，为下采样层的输出特征图，pooling(·)是下采样函数；
其中，1≤m≤3，m为自然数；
2-4)通过全连接层处理进行分类输出，根据样本的分类个数，将输出参数的类目设置为4，全连接层输出后的特征图表达为式(3)，
xn＝f(wnxn-1+dn) (3)
式(3)中，f(·)是激活函数，此处选用ReLU函数，xn-1是前一层特征图，wn是全连接层的权重系数，dn是偏置参数，其中n取值为1和2；对于输入x＝(x1,x2,x3...)在第k类的概率Pk，可以在Softmax层按照下式得出：
式(4)中Zk是Softmax层的输入，最大Pk所在分类k即为模型对输入的分类结果；
2-5)采用交叉熵函数L作为四种模型的损失函数，通过反向传播更新网络参数，得到四种微调后的网络。
6.根据权利要求5所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，所述交叉熵函数L见式(5)，
其中，h是训练样本容量，本发明中设置为10，os表示输入xs对应的模型预测输出，ys表示对应的实际标签；其中1≤s≤10，s为整数；
每层参数wi和bi的更新计算公式如下，其中ρ为学习率：
其中，132≤i≤552，i为自然数的平方值。
7.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤(3)中，将测试样本输入到所得微调网络中进行测试，得到样本预测值。
CN201811364291.7A 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法 Active CN109472316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811364291.7A CN109472316B (zh) 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811364291.7A CN109472316B (zh) 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法

Publications (2)

Publication Number Publication Date
CN109472316A true CN109472316A (zh) 2019-03-15
CN109472316B CN109472316B (zh) 2021-12-28

Family

ID=65673648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811364291.7A Active CN109472316B (zh) 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法

Country Status (1)

Country Link
CN (1) CN109472316B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472483A (zh) * 2019-07-02 2019-11-19 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN111582395A (zh) * 2020-05-13 2020-08-25 金陵科技学院 一种基于卷积神经网络的产品质量分类系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102275656A (zh) * 2010-06-12 2011-12-14 中国科学院沈阳自动化研究所 一种条烟装箱机缺条在线视觉检测装置及其检测方法
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN108787486A (zh) * 2018-06-05 2018-11-13 四川九哈科技股份有限公司 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102275656A (zh) * 2010-06-12 2011-12-14 中国科学院沈阳自动化研究所 一种条烟装箱机缺条在线视觉检测装置及其检测方法
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN108787486A (zh) * 2018-06-05 2018-11-13 四川九哈科技股份有限公司 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI YING等: "Detection of Cigarette Missing in Packing Based on Deep Convolutional Neural Network", 《2017 IEEE 3RD INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472483A (zh) * 2019-07-02 2019-11-19 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN110472483B (zh) * 2019-07-02 2022-11-15 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN111582395A (zh) * 2020-05-13 2020-08-25 金陵科技学院 一种基于卷积神经网络的产品质量分类系统

Also Published As

Publication number Publication date
CN109472316B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN109509187B (zh) 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN109271374B (zh) 一种基于机器学习的数据库健康度打分方法和打分系统
CN108021947B (zh) 一种基于视觉的分层极限学习机目标识别方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN110163234A (zh) 一种模型训练方法、装置和存储介质
CN109597968B (zh) 基于smt大数据的锡膏印刷性能影响因素分析方法
CN106960214A (zh) 基于图像的物体识别方法
CN108319968A (zh) 一种基于模型融合的果蔬图像分类识别方法及系统
CN108765412A (zh) 一种带钢表面缺陷分类方法
CN110363253A (zh) 一种基于卷积神经网络的热轧带钢表面缺陷分类方法
CN110321785A (zh) 一种引入ResNet深度学习网络构建皮纹分类预测模型的方法
CN112418130A (zh) 一种基于bp神经网络的香蕉成熟度检测方法及装置
CN109741341A (zh) 一种基于超像素和长短时记忆网络的图像分割方法
CN111914902B (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN110990784B (zh) 一种基于梯度提升回归树的烟支通风率预测方法
CN109766935A (zh) 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法
CN109871892A (zh) 一种基于小样本度量学习的机器人视觉认知系统
CN109711433A (zh) 一种基于元学习的细粒度分类方法
CN108846695A (zh) 终端更换周期的预测方法及装置
CN109993187A (zh) 一种用于识别物体类别的建模方法、机器人及存储装置
CN109472316A (zh) 一种基于深度学习的滤棒装盒质量识别方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant