CN110378618A - 基于在线烟丝表面缺陷检测的质量评价方法及系统 - Google Patents

基于在线烟丝表面缺陷检测的质量评价方法及系统 Download PDF

Info

Publication number
CN110378618A
CN110378618A CN201910684068.9A CN201910684068A CN110378618A CN 110378618 A CN110378618 A CN 110378618A CN 201910684068 A CN201910684068 A CN 201910684068A CN 110378618 A CN110378618 A CN 110378618A
Authority
CN
China
Prior art keywords
pipe tobacco
image
defect
defects detection
surface defects
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.)
Pending
Application number
CN201910684068.9A
Other languages
English (en)
Inventor
胡芬
楼阳冰
王月辉
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.)
Hangzhou Safety Intelligent Technology Co Ltd
Original Assignee
Hangzhou Safety Intelligent Technology 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 Hangzhou Safety Intelligent Technology Co Ltd filed Critical Hangzhou Safety Intelligent Technology Co Ltd
Priority to CN201910684068.9A priority Critical patent/CN110378618A/zh
Publication of CN110378618A publication Critical patent/CN110378618A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开基于在线烟丝表面缺陷检测的质量评价方法，包括获取烟丝生产线所有烟丝图像得到有缺陷的烟丝图像；进行预处理得到缺陷烟丝图像数据集划分为训练集和验证集；打上识别标签并将缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，得到缺陷出现的烟丝属性信息；得到实时检测数据的统计特征量确立出合理的预警报警阈值；基于所述预警报警阈值与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。当实时检测数据的统计特征量超出预警报警阈值时，发出预警报警信号，从而达到实时评价烟丝质量的目的。

Description

基于在线烟丝表面缺陷检测的质量评价方法及系统
技术领域
本发明涉及大数据算法技术领域，尤其涉及一种基于在线烟丝表面缺陷检测的质量评价方法及系统。
背景技术
烟丝质量对烟支的卷制质量影响大，而切丝、烘丝及风选等制丝工序是影响成品烟丝质量十分关键的工序，控制这几道工序的烟丝质量十分必要。但现阶段切丝、烘丝及风选等工序的烟丝质量检测还存在一些问题。切丝、烘丝及风选等工序烟丝质量检测点少，切丝、烘丝及风选等工序出口烟丝质量检测只有水分或温度，烟丝在制丝环节的质量变化难以全面反映出来。成品烟丝质量无实时检测及质量评价指标单一，当前成品烟丝质量只有离线检测烟丝整丝率等参数，导致不能实时了解切丝、烘丝及风选后的烟丝质量，从而不能实时反映当前批次质量。烟丝质量检测自动化程度低，现阶段切丝、烘丝及风选等制丝工序烟丝质量的检测只能依靠人工离线采样检测，检测频率低、费时长。
现阶段切丝、烘丝及风选等制丝工序烟丝质量检测方式是从问题出现到发现再到找出质量问题进而解决问题，导致整个检测过程时间久、滞后性大。因此，传统的烟丝质量检测方式存在效率低及质量问题滞后等不足，研究高效准确的烟丝质量评价方法十分必要。
发明内容
本发明针对现有技术中的缺点，提供了一种基于在线烟丝表面缺陷检测的质量评价方法及系统。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于在线烟丝表面缺陷检测的质量评价方法，包括以下步骤：
获取烟丝生产线所有烟丝图像，并将有缺陷的烟丝图像进行筛选，得到有缺陷的烟丝图像；
将有缺陷的烟丝图像进行预处理，得到缺陷烟丝图像数据集，并划分为训练集和验证集；
对训练集和验证集中的缺陷烟丝图像打上识别标签，并将识别标签以及相应地缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；
将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，基于实时图像缺陷检测结果得到缺陷出现的烟丝属性信息；
基于实时图像缺陷检测结果以及缺陷出现的烟丝属性信息提取各工位内部及之间的缺陷检测结果统计特征量，采用聚类分析法基于统计特征量确立出合理的预警报警阈值；
基于所述预警报警阈值，将与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。
作为一种可实施方式，烟丝生产线所有烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和烟丝一级风选后图像。
作为一种可实施方式，将有缺陷的烟丝图像进行预处理具体为：对烟丝图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。
作为一种可实施方式，所述对训练集和验证集中的缺陷烟丝图像打上识别标签具体为：对采集的缺陷烟丝图像标记梗签、跑片和湿团三种标签，通过可视化数据标注工具labelImg进行画框标注，生成对应地xml文件，所述xml文件包含的信息至少为图像文件名、缺陷烟丝类型以及缺陷烟丝的位置。
作为一种可实施方式，所述实时图像缺陷检测结果包括烟丝缺陷类型、缺陷类型在图像中的位置及尺寸信息。
作为一种可实施方式，所述缺陷出现的烟丝属性信息至少包括缺陷所在的工序信息、缺陷出现的时间、缺陷的烟丝牌号以及缺陷出现的批次。
作为一种可实施方式，所述统计特征量包括各工位内部各种缺陷频次在烟丝属性信息上的分布特征以及各工位之间同一种缺陷频次在烟丝属性信息上的分布特征。
一种基于在线烟丝表面缺陷检测的质量评价系统，包括获取模块、预处理划分模块、模型训练模块、结果输出模块、阈值确立模块和判断模块；
所述获取模块，用于获取烟丝生产线所有烟丝图像，并将有缺陷的烟丝图像进行筛选，得到有缺陷的烟丝图像；
所述预处理划分模块，用于将有缺陷的烟丝图像进行预处理，得到缺陷烟丝图像数据集，并划分为训练集和验证集；
所述模型训练模块，用于对训练集和验证集中的缺陷烟丝图像打上识别标签，并将识别标签以及相应地缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；
所述结果输出模块，用于将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，基于实时图像缺陷检测结果得到缺陷出现的烟丝属性信息；
所述阈值确立模块，用于基于实时图像缺陷检测结果以及缺陷出现的烟丝属性信息提取各工位内部及之间的缺陷检测结果统计特征量，采用聚类分析法基于统计特征量确立出合理的预警报警阈值；
所述判断模块，用于基于所述预警报警阈值，将与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。
作为一种可实施方式，所述模型训练模块被设置为：所述对训练集和验证集中的缺陷烟丝图像打上识别标签具体为：对采集的缺陷烟丝图像标记梗签、跑片和湿团三种标签，通过可视化数据标注工具labelImg进行画框标注，生成对应地xml文件，所述xml文件包含的信息至少为图像文件名、缺陷烟丝类型以及缺陷烟丝的位置。
作为一种可实施方式，所述结果输出模块被设置为：所述实时图像缺陷检测结果包括烟丝缺陷类型、缺陷类型在图像中的位置及尺寸信息。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明通过采集烟丝图像，对烟丝图像进行预处理，将带标签烟丝图像输入深度神经网络训练缺陷烟丝检测模型，再将实时获取的烟丝图像输入缺陷烟丝检测模型，输出实时图像缺陷检测结果。采集一定时间的缺陷检测结果后，对缺陷检测数据进行分析，提取各工位内部及之间的缺陷检测结果统计特征量，基于缺陷检测结果的统计特征量，采用机器学习中的聚类分析法确立合理的预警报警阈值，将缺陷检测预警报警阈值用于实时检测，当实时检测数据的统计特征量超出预警报警阈值时，发出预警报警信号，从而达到实时评价烟丝质量的目的，并起到辅助工艺优化的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图；
图2是本发明的整体结构示意图；
图3为切丝后原始图像；
图4为烘丝前原始图像；
图5为烘丝后原始图像；
图6为一级风选后原始图像；
图7为切丝后烟丝图像预处理效果；
图8为烘丝前烟丝图像预处理效果；
图9为烘丝后烟丝图像预处理效果；
图10为一级风选后烟丝图像预处理效果；
图11为梗签样本输入示例；
图12为跑片样本输入示例；
图13湿团样本输入示例。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种基于在线烟丝表面缺陷检测的质量评价方法，如图1所示，包括以下步骤：
S100、获取烟丝生产线所有烟丝图像，并将有缺陷的烟丝图像进行筛选，得到有缺陷的烟丝图像；
S200、将有缺陷的烟丝图像进行预处理，得到缺陷烟丝图像数据集，并划分为训练集和验证集；
S300、对训练集和验证集中的缺陷烟丝图像打上识别标签，并将识别标签以及相应地缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；
S400、将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，基于实时图像缺陷检测结果得到缺陷出现的烟丝属性信息；
S500、基于实时图像缺陷检测结果以及缺陷出现的烟丝属性信息对缺陷检测结果提取各工位内部及之间的缺陷检测结果统计特征量，采用聚类分析法基于统计特征量确立出合理的预警报警阈值；
S600、基于所述预警报警阈值，将与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。
本发明通过采集烟丝图像，对烟丝图像进行预处理，将带标签烟丝图像输入深度神经网络训练缺陷烟丝检测模型，再将实时获取的烟丝图像输入缺陷烟丝检测模型，输出实时图像缺陷检测结果。采集一定时间的缺陷检测结果后，对缺陷检测数据进行分析，提取各工位内部及之间的缺陷检测结果统计特征量，基于缺陷检测结果的统计特征量，采用机器学习中的聚类分析法确立合理的预警报警阈值，将缺陷检测预警报警阈值用于实时检测，当实时检测数据的统计特征量超出预警报警阈值时，检测系统发出预警报警信号，从而达到实时评价烟丝质量的目的，并起到辅助工艺优化的目的。
在步骤S100中，烟丝生产线所有烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和烟丝一级风选后图像。
在步骤S200中，将有缺陷的烟丝图像进行预处理具体为：对烟丝图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。
在步骤S300中，所述对训练集和验证集中的缺陷烟丝图像打上识别标签具体为：对采集的缺陷烟丝图像标记梗签、跑片和湿团三种标签，通过可视化数据标注工具labelImg进行画框标注，生成对应地xml文件，所述xml文件包含的信息至少为图像文件名、缺陷烟丝类型以及缺陷烟丝的位置。所述标签文件具体为：将训练集、验证集的xml单条标签文件信息转换成两个csv表格，最后将两个csv表格转换为record标签文件。
另外，在步骤S400中，所述实时图像缺陷检测结果包括烟丝缺陷类型、缺陷类型在图像中的位置及尺寸信息。在步骤S500中，所述缺陷出现的烟丝属性信息至少包括缺陷所在的工序信息、缺陷出现的时间、缺陷的烟丝牌号以及缺陷出现的批次。所述统计特征量包括各工位内部各种缺陷频次在烟丝属性信息上的分布特征以及各工位之间同一种缺陷频次在烟丝属性信息上的分布特征。所述提取所述统计特征量包括，各工位内部各种缺陷频次在烟丝属性信息上的分布特征，如均值、方差及累积值等；各工位之间同一种缺陷频次在烟丝属性信息上的分布特征，如均值、方差及累积值等。
在步骤S500中，所述聚类分析方法具体为：K-means聚类、二分K-means聚类分析方法中一种。
在步骤S600中，基于所述得到的缺陷检测预警报警阈值，将其用于实时检测，当实时检测数据的统计特征量超出预警报警阈值时，检测系统发出预警报警信号。
基于以上详细的方法，结合附图3-13对此方法作更加具体的描述：
采用工业相机收集烟丝切丝后、烟丝烘丝前、烟丝烘丝后及一级风选后清晰烟丝图像；附图3-6展示的切丝后、烘丝前、烘丝后及一级风选后烟丝原始图像；
对采集的烟丝图像进行预处理，预处理过程中，用到的处理方式有：图像增强处理、去噪处理及图像分割处理中的一种或者几种，对原始图像进行预处理的作用是减少无效信息，能增强图像中有效的特征信息，进而可以提高图像的质量，从而改善图像的效果，预处理之后的切丝后、烘丝前、烘丝后及一级风选后烟丝图像预处理效果如图7-10所示。
将大量带有梗签、跑片和湿团标签的图像输入深度神经网络，训练缺陷烟丝检测模型，带有梗签、跑片和湿团标签的图像效果如图11-13所示。
通过本发明的技术方案，可以精确的知晓哪个环节出了问题，是否超出预警报警阈值，如果超出了，系统就会发出预警报警信号进行报警。
实施例2：
一种基于在线烟丝表面缺陷检测的质量评价系统，如图2所示，包括获取模块100、预处理划分模块200、模型训练模块300、结果输出模块400、阈值确立模块500和判断模块600；
所述获取模块100，用于获取烟丝生产线所有烟丝图像，并将有缺陷的烟丝图像进行筛选，得到有缺陷的烟丝图像；
所述预处理划分模块200，用于将有缺陷的烟丝图像进行预处理，得到缺陷烟丝图像数据集，并划分为训练集和验证集；
所述模型训练模块300，用于对训练集和验证集中的缺陷烟丝图像打上识别标签，并将识别标签以及相应地缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；
所述结果输出模块400，用于将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，基于实时图像缺陷检测结果得到缺陷出现的烟丝属性信息；
所述阈值确立模块500，用于基于实时图像缺陷检测结果以及缺陷出现的烟丝属性信息提取各工位内部及之间的缺陷检测结果统计特征量，采用聚类分析法基于统计特征量确立出合理的预警报警阈值；
所述判断模块600，用于基于所述预警报警阈值，将与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。
在获取模块100中，烟丝生产线所有烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和烟丝一级风选后图像。
在预处理划分模块200中，将有缺陷的烟丝图像进行预处理具体为：对烟丝图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。
在模型训练模块300中，所述对训练集和验证集中的缺陷烟丝图像打上识别标签具体为：对采集的缺陷烟丝图像标记梗签、跑片和湿团三种标签，通过可视化数据标注工具labelImg进行画框标注，生成对应地xml文件，所述xml文件包含的信息至少为图像文件名、缺陷烟丝类型以及缺陷烟丝的位置。所述标签文件具体为：将训练集、验证集的xml单条标签文件信息转换成两个csv表格，最后将两个csv表格转换为record标签文件。
另外，在结果输出模块400中，所述实时图像缺陷检测结果包括烟丝缺陷类型、缺陷类型在图像中的位置及尺寸信息。
在阈值确立模块500中，所述缺陷出现的烟丝属性信息至少包括缺陷所在的工序信息、缺陷出现的时间、缺陷的烟丝牌号以及缺陷出现的批次。所述统计特征量包括各工位内部各种缺陷频次在烟丝属性信息上的分布特征以及各工位之间同一种缺陷频次在烟丝属性信息上的分布特征。
在阈值确立模块500中，所述聚类分析方法具体为：K-means聚类、二分K-means聚类分析方法中一种。
在判断模块600中，基于所述得到的缺陷检测预警报警阈值，将其用于实时检测，当实时检测数据的统计特征量超出预警报警阈值时，检测系统发出预警报警信号。
通过本发明装置的技术方案，可以精确的知晓哪个环节出了问题，是否超出预警报警阈值，如果超出了，系统就会发出预警报警信号进行报警。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于在线烟丝表面缺陷检测的质量评价方法，其特征在于包括以下步骤：
获取烟丝生产线所有烟丝图像，并将有缺陷的烟丝图像进行筛选，得到有缺陷的烟丝图像；
将有缺陷的烟丝图像进行预处理，得到缺陷烟丝图像数据集，并划分为训练集和验证集；
对训练集和验证集中的缺陷烟丝图像打上识别标签，并将识别标签以及相应地缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；
将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，基于实时图像缺陷检测结果得到缺陷出现的烟丝属性信息；
基于实时图像缺陷检测结果以及缺陷出现的烟丝属性信息提取各工位内部及之间的缺陷检测结果统计特征量，采用聚类分析法基于统计特征量确立出合理的预警报警阈值；
基于所述预警报警阈值，将与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。
2.根据权利要求1所述的基于在线烟丝表面缺陷检测的质量评价方法，其特征在于，烟丝生产线所有烟丝图像包括采集烟丝切丝后图像、烟丝烘丝前图像、烟丝烘丝后图像和烟丝一级风选后图像。
3.根据权利要求2所述的基于在线烟丝表面缺陷检测的质量评价方法，其特征在于，将有缺陷的烟丝图像进行预处理具体为：对烟丝图像进行图像增强处理、图像去噪处理及图像分割处理中的一种或几种。
4.根据权利要求1所述的基于在线烟丝表面缺陷检测的质量评价方法，其特征在于，所述对训练集和验证集中的缺陷烟丝图像打上识别标签具体为：对采集的缺陷烟丝图像标记梗签、跑片和湿团三种标签，通过可视化数据标注工具labelImg进行画框标注，生成对应地xml文件，所述xml文件包含的信息至少为图像文件名、缺陷烟丝类型以及缺陷烟丝的位置。
5.根据权利要求1所述的基于在线烟丝表面缺陷检测的质量评价方法，其特征在于，所述实时图像缺陷检测结果包括烟丝缺陷类型、缺陷类型在图像中的位置及尺寸信息。
6.根据权利要求1所述的基于在线烟丝表面缺陷检测的质量评价方法，其特征在于，所述缺陷出现的烟丝属性信息至少包括缺陷所在的工序信息、缺陷出现的时间、缺陷的烟丝牌号以及缺陷出现的批次。
7.根据权利要求1所述的基于在线烟丝表面缺陷检测的质量评价方法，其特征在于，所述统计特征量包括各工位内部各种缺陷频次在烟丝属性信息上的分布特征以及各工位之间同一种缺陷频次在烟丝属性信息上的分布特征。
8.一种基于在线烟丝表面缺陷检测的质量评价系统，其特征在于，包括获取模块、预处理划分模块、模型训练模块、结果输出模块、阈值确立模块和判断模块；
所述获取模块，用于获取烟丝生产线所有烟丝图像，并将有缺陷的烟丝图像进行筛选，得到有缺陷的烟丝图像；
所述预处理划分模块，用于将有缺陷的烟丝图像进行预处理，得到缺陷烟丝图像数据集，并划分为训练集和验证集；
所述模型训练模块，用于对训练集和验证集中的缺陷烟丝图像打上识别标签，并将识别标签以及相应地缺陷烟丝图像输入至SSD模型中，训练得到在线烟丝表面缺陷检测模型；
所述结果输出模块，用于将实时获取的烟丝图像输入烟丝表面缺陷检测模型中，输出实时图像缺陷检测结果，基于实时图像缺陷检测结果得到缺陷出现的烟丝属性信息；
所述阈值确立模块，用于基于实时图像缺陷检测结果以及缺陷出现的烟丝属性信息提取各工位内部及之间的缺陷检测结果统计特征量，采用聚类分析法基于统计特征量确立出合理的预警报警阈值；
所述判断模块，用于基于所述预警报警阈值，将与实时检测数据的统计特征量进行对比，得到对比结果，基于对比结果判断是否产生预警报警信号。
9.根据权利要求8所述的基于在线烟丝表面缺陷检测的质量评价系统，其特征在于，所述模型训练模块被设置为：
所述对训练集和验证集中的缺陷烟丝图像打上识别标签具体为：对采集的缺陷烟丝图像标记梗签、跑片和湿团三种标签，通过可视化数据标注工具labelImg进行画框标注，生成对应地xml文件，所述xml文件包含的信息至少为图像文件名、缺陷烟丝类型以及缺陷烟丝的位置。
10.根据权利要求8所述的基于在线烟丝表面缺陷检测的质量评价系统，其特征在于，所述结果输出模块被设置为：
所述实时图像缺陷检测结果包括烟丝缺陷类型、缺陷类型在图像中的位置及尺寸信息。
CN201910684068.9A 2019-07-26 2019-07-26 基于在线烟丝表面缺陷检测的质量评价方法及系统 Pending CN110378618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910684068.9A CN110378618A (zh) 2019-07-26 2019-07-26 基于在线烟丝表面缺陷检测的质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910684068.9A CN110378618A (zh) 2019-07-26 2019-07-26 基于在线烟丝表面缺陷检测的质量评价方法及系统

Publications (1)

Publication Number Publication Date
CN110378618A true CN110378618A (zh) 2019-10-25

Family

ID=68256459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910684068.9A Pending CN110378618A (zh) 2019-07-26 2019-07-26 基于在线烟丝表面缺陷检测的质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN110378618A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853014A (zh) * 2019-11-12 2020-02-28 王文学 癌症手术室故障率解析装置
CN111948104A (zh) * 2020-06-29 2020-11-17 中国烟草总公司郑州烟草研究院 一种梗签粒度检测与分类控制方法
CN112557399A (zh) * 2020-11-30 2021-03-26 河北白沙烟草有限责任公司 一种烟机设备质量检测系统点检方法及装置
CN112704259A (zh) * 2020-12-11 2021-04-27 杭州安脉盛智能技术有限公司 一种密集烟叶识别的打叶质量评价方法及系统
CN113034498A (zh) * 2021-04-28 2021-06-25 江苏欧密格光电科技股份有限公司 Led灯珠缺陷检测和评估方法、装置、计算机设备及介质
CN114267002A (zh) * 2022-03-02 2022-04-01 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质
CN116681644A (zh) * 2023-02-03 2023-09-01 红云红河烟草(集团)有限责任公司 基于变分贝叶斯推理的烟支外观缺陷检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323272A (zh) * 2011-08-10 2012-01-18 合肥望远电子科技有限公司 基于机器视觉技术的滤纸缺陷检测系统及其检测方法
CN108876781A (zh) * 2018-06-26 2018-11-23 广东工业大学 基于ssd算法的表面缺陷识别方法
CN109239082A (zh) * 2018-09-21 2019-01-18 杭州安脉盛智能技术有限公司 基于机器视觉技术的烟丝结构质量在线检测方法及系统
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN109934811A (zh) * 2019-03-08 2019-06-25 中国科学院光电技术研究所 一种基于深度学习的光学元件表面缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323272A (zh) * 2011-08-10 2012-01-18 合肥望远电子科技有限公司 基于机器视觉技术的滤纸缺陷检测系统及其检测方法
CN108876781A (zh) * 2018-06-26 2018-11-23 广东工业大学 基于ssd算法的表面缺陷识别方法
CN109239082A (zh) * 2018-09-21 2019-01-18 杭州安脉盛智能技术有限公司 基于机器视觉技术的烟丝结构质量在线检测方法及系统
CN109544522A (zh) * 2018-11-12 2019-03-29 北京科技大学 一种钢板表面缺陷检测方法及系统
CN109934811A (zh) * 2019-03-08 2019-06-25 中国科学院光电技术研究所 一种基于深度学习的光学元件表面缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
范爱军等: "《ControlLogix在烟草行业的应用》", 30 June 2014, 华中科技大学出版社, pages: 377 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853014A (zh) * 2019-11-12 2020-02-28 王文学 癌症手术室故障率解析装置
CN111948104A (zh) * 2020-06-29 2020-11-17 中国烟草总公司郑州烟草研究院 一种梗签粒度检测与分类控制方法
CN112557399A (zh) * 2020-11-30 2021-03-26 河北白沙烟草有限责任公司 一种烟机设备质量检测系统点检方法及装置
CN112557399B (zh) * 2020-11-30 2022-11-22 河北白沙烟草有限责任公司 一种烟机设备质量检测系统点检方法及装置
CN112704259A (zh) * 2020-12-11 2021-04-27 杭州安脉盛智能技术有限公司 一种密集烟叶识别的打叶质量评价方法及系统
CN113034498A (zh) * 2021-04-28 2021-06-25 江苏欧密格光电科技股份有限公司 Led灯珠缺陷检测和评估方法、装置、计算机设备及介质
CN113034498B (zh) * 2021-04-28 2023-11-28 江苏欧密格光电科技股份有限公司 Led灯珠缺陷检测和评估方法、装置、计算机设备及介质
CN114267002A (zh) * 2022-03-02 2022-04-01 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质
CN114267002B (zh) * 2022-03-02 2022-05-24 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质
CN116681644A (zh) * 2023-02-03 2023-09-01 红云红河烟草(集团)有限责任公司 基于变分贝叶斯推理的烟支外观缺陷检测方法
CN116681644B (zh) * 2023-02-03 2024-01-12 红云红河烟草(集团)有限责任公司 基于变分贝叶斯推理的烟支外观缺陷检测方法

Similar Documents

Publication Publication Date Title
CN110378618A (zh) 基于在线烟丝表面缺陷检测的质量评价方法及系统
CN111354366B (zh) 一种异常声音检测方法及异常声音检测装置
CN109344905A (zh) 一种基于集成学习的输电设备自动故障识别方法
CN111401419A (zh) 基于改进RetinaNet的员工着装规范检测方法
TWI642126B (zh) 半導體晶圓檢測系統及其方法
CN102915432B (zh) 一种车载微机图像视频数据提取方法及装置
CN111160451A (zh) 一种柔性材料检测方法及其储存介质
CN118209830B (zh) 一种电缆局放异常智能监测方法及系统
CN106248680A (zh) 一种基于机器视觉的电机换向器质量检测系统及检测方法
CN115576284A (zh) 一种服装车间智能化管理方法及系统
CN109283182A (zh) 一种电池焊点缺陷的检测方法、装置及系统
CN115409131A (zh) 基于spc过程管控系统的生产线异常检测方法
CN118408743B (zh) 一种轴承故障检测系统及方法
CN114255784A (zh) 一种基于声纹识别的变电站设备故障诊断方法及相关装置
CN111161233A (zh) 一种用于冲孔皮革缺陷检测方法及系统
CN104112003B (zh) 对游戏终端的性能进行检测的方法及系统
CN106955097A (zh) 一种胎儿心率状态分类方法
CN113723521A (zh) 一种电机异响识别方法和识别系统
TWM550465U (zh) 半導體晶圓檢測系統
US20240013369A1 (en) Image defect detecting system, generation method of image defect detecting system and non-transitory computer readable medium
CN116206625A (zh) 基于频谱与时间信息结合的自监督异常声音检测方法
WO2023085992A1 (en) Image analysis of cut flowers
CN105628380B (zh) 一种可调式中智模型轴承故障分类器的故障分类方法
CN115106615A (zh) 一种基于工况智能识别的焊偏实时检测方法及系统
CN114897056A (zh) 一种基于知识图谱的机泵叠加故障检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191025

RJ01 Rejection of invention patent application after publication