CN111537512A - 一种基于深度学习的烟梗形态智能识别系统及方法 - Google Patents

一种基于深度学习的烟梗形态智能识别系统及方法 Download PDF

Info

Publication number
CN111537512A
CN111537512A CN202010434239.5A CN202010434239A CN111537512A CN 111537512 A CN111537512 A CN 111537512A CN 202010434239 A CN202010434239 A CN 202010434239A CN 111537512 A CN111537512 A CN 111537512A
Authority
CN
China
Prior art keywords
tobacco stem
deep learning
tobacco
stem
image
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
CN202010434239.5A
Other languages
English (en)
Inventor
徐大勇
堵劲松
李善莲
邓国栋
张玉海
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.)
Zhengzhou Tobacco Research Institute of CNTC
Original Assignee
Zhengzhou Tobacco Research Institute of CNTC
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 Zhengzhou Tobacco Research Institute of CNTC filed Critical Zhengzhou Tobacco Research Institute of CNTC
Priority to CN202010434239.5A priority Critical patent/CN111537512A/zh
Publication of CN111537512A publication Critical patent/CN111537512A/zh
Pending legal-status Critical Current

Links

Images

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
    • A—HUMAN NECESSITIES
    • A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
    • A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
    • A24B3/00—Preparing tobacco in the factory
    • A24B3/16—Classifying or aligning leaves
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的烟梗形态智能识别系统及方法，特征是，所述识别系统包括烟梗传输装置，图像采集装置，深度学习烟梗识别模块；所述烟梗传输装置主要将烟梗进行分离传输，将其运送至图像采集工位，并给出光电信号；所述图像采集装置安装在烟梗传输装置上方，接收到烟梗传输装置发出的光电信号实时采集下方的烟梗图像并将其传输给深度学习烟梗识别模块；所述深度学习烟梗识别模块由深度学习开发板、上位机软件与烟梗识别深度学习模型三个部分组成，烟梗识别深度学习模型搭载于深度学习开发板上，用于烟梗图像的智能分析，确定烟梗形态。本发明可降低人为造成误差，提高检测效率，为卷烟原料挑选过程中烟梗识别分类提供一种自动化、智能化的检测手段。

Description

一种基于深度学习的烟梗形态智能识别系统及方法
技术领域
本发明属于卷烟原材料质量检测技术领域，具体涉及一种基于深度学习的烟梗形态智能识别系统及方法，利用本发明对烟梗形态进行在线识别。
背景技术
烟梗作为卷烟的主要原料之一，将其加工制成的梗丝或梗粒由于具有较高的填充值和较好的燃烧性，对减害降焦、降低配方成本、改善卷烟物理质量均具有十分重要的作用。烟梗长梗率、梗中含叶率、粗梗率等是衡量产品质量和加工水平的重要指标，烟梗的长短、粗细及梗头对切后梗丝结构、出丝率和切丝后梗签比例等有明显影响，从而影响卷制和成品烟支物理质量
烟梗形态主要检测指标为：长梗率、短梗率、梗中含叶（末）率、粗梗率、梗头比例。目前用于烟梗形态的识别方法均为人工方法，长梗率/短梗率：将烟梗样品逐根对应尺寸板比对，分别计算百分比; 粗梗率：振筛挑选；梗中含叶（末）率/梗头比例：人工挑选；该方法劳动强度较大，容易造成检测人员疲劳，检测结果误差较大，且无法获得烟梗结构的分布及其均匀性情况。
发明内容
本发明的目的正是为了克服上述现有技术的不足，而提供一种基于深度学习的烟梗形态智能识别系统及方法，可降低人为造成误差，提高检测效率，为卷烟原料挑选过程中烟梗识别分类提供一种自动化、智能化的检测手段。
本发明的的目的是通过以下技术方案来实现的：
一种基于深度学习的烟梗形态智能识别系统，包括烟梗传输装置，图像采集装置，深度学习烟梗识别模块；所述烟梗传输装置将烟梗进行分离传输，将其运送至图像采集工位，并给出光电信号；所述图像采集装置安装在烟梗传输装置上方，接收到烟梗传输装置发出的光电信号实时采集下方的烟梗图像并将其传输给深度学习烟梗识别模块；所述深度学习烟梗识别模块由深度学习开发板、上位机软件与烟梗识别深度学习模型组成，烟梗识别深度学习模型搭载于深度学习开发板上，用于烟梗图像的智能分析，确定烟梗形态。
所述烟梗传输装置由传输皮带机，光电探测器组成，在传输过程中烟梗被分离。
所述图像采集装置由环形LED照明光源、CCD相机、光学镜头组成；烟梗被输送至成像工位后，CCD相机接收到光电探测器的光电探测信号，在环形LED匀场照明环境下，通过低失真光学镜头采集烟梗图像。
所述深度学习烟梗识别模块由深度学习开发板、上位机软件（该上位机软件指的是带对话框的人机交互的操作软件，包括控制通讯、图像处理）与烟梗识别深度学习模型（该模型属于集成已有的一系列图像分析算法形成的一个烟梗识别专用算法）组成，烟梗识别深度学习模型基于CNN、FCN、YOLOV3等深度学习框架，由大量烟梗图像训练而成，图像采集装置将图像传输给深度学习烟梗识别模块后，上位机软件读取缓存中的数字图像信息，调用烟梗识别深度学习模型，完成烟梗形态识别。
利用上述识别系统进行烟梗形态智能识别的原理及方法包括以下过程：
1）本发明使用皮带输送机将烟梗进行分离传输；
2）通过输送线上的特定的照明环境及拍照装置获取烟梗图像，并将图片传输给深度学习烟梗识别模块；
3）在已搭载好的深度学习开发板上通过在线采集的烟梗图像对预先设置的深度学习模型进行训练，生成深度学习烟梗识别模型文件；
4）完成训练后，将训练好的模型加载在深度学习开发板上，重复1）、2）步骤后调取训练好的深度学习烟梗识别模型文件对实时图像进行分析，即可完成烟梗形态的在线智能识别与分类。
本发明的有益效果如下：
(1) 本发明采用的改进型深度学习算法，在烟梗的识别分类上对比传统的图像算法有着更高的准确率和召回率，该方法检测效率高，实用性强，鲁棒性强。
(2) 本发明采用的烟梗检测装置，采用环形光源的照明方式，配合网络相机该方法采集的图像更加清晰真实，有利于后续的图像的训练和实验测试。
(3) 本发明采用TX2开发板作为硬件处理核心，该运算核心体积小，运算速度快，在烟梗检测方面更加便利。
附图说明
图1是系统结构示意图，
图中：1.深度学习开发板 2.环形LED光源 3.输送机 4.相机 5.光电探测器。
图2是深度学习识别流程图。
具体实施方式
本发明以下结合附图对具体实施方式做进一步描述，操作流程如下：
如图1所示，当通电启动时，输送机3带动烟梗运动，烟梗到达检测工位时，光电探测器5探测到烟梗位置给相机4发送触发信号。相机4在环形LED光源2的环境下拍摄烟梗图片并将图片传输给深度学习开发板1，深度学习开发板1获得烟梗图片后，识别步骤如图2所示，烟梗图片预处理后被上位机软件调用，导入预先训练好的烟梗识别深度学习模型中，完成识别与分类；烟梗识别深度学习模型由图1中的装置采集大量训练用的烟梗图片，通过图像预处理，图像标注，模型训练得到。
具体的工作步骤如下：
1.将烟梗料使用上料机将烟梗输送到输送机上，输送机对烟梗进行自动传输，当烟梗经过检测工位时，光电探测器产生触发信号。
2.接收到触发信号后，负责图像采集的相机镜头在环形LED环形光源的照明下实时拍摄当前烟梗的图像，并传输给深度学习烟梗识别模块。
3.接收到烟梗图像后，软件系统通过图像预处理算法滤除原始图像中的噪声、背景等无用信息，重新调整图像的大小，降低图像的复杂度，制作深度学习所需要的VOC格式数据集。
4.完成烟梗数据集的采集后，人工使用labelimg软件对烟梗图像数据集进行标注。
5.完成标注后，使用CNN、FCN或YOLOV3等深度学习框架训练该数据集，得到一个基于深度学习的烟梗识别模型文件。
6.重复1、2步骤，对获取原始图像进行必要的滤波、图像增强等，并对该图像进行分割，为图像识别做准备。
7.在预先编写好的软件程序里调用训练好的烟梗识别模型文件，对烟梗形态进行识别分类。
8.对识别后的图像使用传统图像分析进行有关参数的计算和测量，计算烟梗的几何参数。

Claims (5)

1.一种基于深度学习的烟梗形态智能识别系统，其特征在于：包括烟梗传输装置，图像采集装置，深度学习烟梗识别模块；所述烟梗传输装置将烟梗进行分离传输，将其运送至图像采集工位，并给出光电信号；所述图像采集装置安装在烟梗传输装置上方，接收到烟梗传输装置发出的光电信号实时采集下方的烟梗图像并将其传输给深度学习烟梗识别模块；所述深度学习烟梗识别模块由深度学习开发板、上位机软件与烟梗识别深度学习模型组成，烟梗识别深度学习模型搭载于深度学习开发板上，用于烟梗图像的智能分析，确定烟梗形态。
2.根据权利要求1所述的基于深度学习的烟梗形态智能识别系统，其特征在于：所述烟梗传输装置由传输皮带机，光电探测器组成，在传输过程中烟梗被分离。
3.根据权利要求1所述的基于深度学习的烟梗形态智能识别系统，其特征在于：所述图像采集装置由环形LED照明光源、CCD相机、光学镜头组成；烟梗被输送至成像工位后，CCD相机接收到光电探测器的光电探测信号，在环形LED匀场照明环境下，通过低失真光学镜头采集烟梗图像。
4.根据权利要求1所述的基于深度学习的烟梗形态智能识别系统，其特征在于：所述烟梗识别深度学习模型基于CNN、FCN、YOLOV3等深度学习框架，由大量烟梗图像训练而成，图像采集装置将图像传输给深度学习烟梗识别模块后，上位机软件读取缓存中的数字图像信息，调用烟梗识别深度学习模型，完成烟梗形态识别。
5.一种基于深度学习的烟梗形态智能识别方法，其特征在于：包括以下步骤：
1）本发明使用皮带输送机将烟梗进行分离传输；
2）通过输送线上的特定的照明环境及拍照装置获取烟梗图像，并将图片传输给深度学习烟梗识别模块；
3）在已搭载好的深度学习开发板上通过在线采集的烟梗图像对预先设置的深度学习模型进行训练，生成深度学习烟梗识别模型文件；
4）完成训练后，将训练好的模型加载在深度学习开发板上，重复1）、2）步骤后调取训练好的深度学习烟梗识别模型文件对实时图像进行分析，即可完成烟梗形态的在线智能识别与分类。
CN202010434239.5A 2020-05-21 2020-05-21 一种基于深度学习的烟梗形态智能识别系统及方法 Pending CN111537512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010434239.5A CN111537512A (zh) 2020-05-21 2020-05-21 一种基于深度学习的烟梗形态智能识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010434239.5A CN111537512A (zh) 2020-05-21 2020-05-21 一种基于深度学习的烟梗形态智能识别系统及方法

Publications (1)

Publication Number Publication Date
CN111537512A true CN111537512A (zh) 2020-08-14

Family

ID=71977897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010434239.5A Pending CN111537512A (zh) 2020-05-21 2020-05-21 一种基于深度学习的烟梗形态智能识别系统及方法

Country Status (1)

Country Link
CN (1) CN111537512A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112674381A (zh) * 2020-12-07 2021-04-20 红塔烟草(集团)有限责任公司 一种烟梗梗头剔除装置及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104596423A (zh) * 2015-01-07 2015-05-06 云南昆船设计研究院 一种基于图像的烟梗外形结构检测方法及装置
CN108875789A (zh) * 2018-05-23 2018-11-23 广西民族大学 一种基于深度学习的甘蔗蔗芽特征识别装置
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法
CN110633684A (zh) * 2019-09-20 2019-12-31 南京邮电大学 一种基于深度学习的烟叶收购定级系统及定级方法
CN110648366A (zh) * 2019-10-14 2020-01-03 阿丘机器人科技(苏州)有限公司 基于深度学习的橘子检测系统及分瓣方法
CN110782435A (zh) * 2019-10-17 2020-02-11 浙江中烟工业有限责任公司 一种基于深度学习模型的烟虫检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104596423A (zh) * 2015-01-07 2015-05-06 云南昆船设计研究院 一种基于图像的烟梗外形结构检测方法及装置
CN108918527A (zh) * 2018-05-15 2018-11-30 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的印刷品缺陷检测方法
CN108875789A (zh) * 2018-05-23 2018-11-23 广西民族大学 一种基于深度学习的甘蔗蔗芽特征识别装置
CN110633684A (zh) * 2019-09-20 2019-12-31 南京邮电大学 一种基于深度学习的烟叶收购定级系统及定级方法
CN110648366A (zh) * 2019-10-14 2020-01-03 阿丘机器人科技(苏州)有限公司 基于深度学习的橘子检测系统及分瓣方法
CN110782435A (zh) * 2019-10-17 2020-02-11 浙江中烟工业有限责任公司 一种基于深度学习模型的烟虫检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡世龙等: "基于机器视觉的不合格叶梗烟丝检测方法", 《计算机应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112674381A (zh) * 2020-12-07 2021-04-20 红塔烟草(集团)有限责任公司 一种烟梗梗头剔除装置及方法

Similar Documents

Publication Publication Date Title
CN111067131B (zh) 一种烟叶等级自动识别分拣方法
CN100506401C (zh) 基于机器视觉的珍珠实时检测和分级系统
CN103109754B (zh) 血斑蛋在线无损检测分选设备及其方法
CN111830047B (zh) 一种基于机器视觉的卷烟飞灰检测装置及检测方法
CN104198324B (zh) 基于计算机视觉的烟丝中叶丝比例测定方法
CN110705655A (zh) 一种基于光谱和机器视觉耦合的烟叶分类方法
CN106706656B (zh) 一种基于机器视觉的拉链检测装置及方法
CN103076288B (zh) 一种基于计算机视觉的鱼肉自动分级装置和方法
CN102147402A (zh) 机器视觉技术快速检测鸡蛋新鲜度的方法
CN103868935A (zh) 基于计算机视觉的烟支外观质量检测方法
CN103292713B (zh) 烟丝宽度测量装置及方法
CN108982514A (zh) 一种铸件表面缺陷仿生视觉检测系统
CN201041551Y (zh) 一种基于机器视觉的珍珠实时检测和分级系统
CN1804620A (zh) 一种禽蛋表面品质检测的方法和装置
CN108198176A (zh) 一种基于图像分析烟草成熟度的判别方法
CN110403232A (zh) 一种基于二级算法的烟支质量检测方法
CN108318494B (zh) 红提果粉的在线视觉检测分级装置及其方法
CN112474387B (zh) 一种原粮不完善粒的图像识别和自动分拣装置
CN104048966B (zh) 一种基于大律法的布面疵点检测及分类方法
CN105319166A (zh) 一种大豆实时检测仪器
CN114062366A (zh) 烟草制丝生产风选剔梗质量在线检测方法及系统
CN111537512A (zh) 一种基于深度学习的烟梗形态智能识别系统及方法
CN207222383U (zh) 木板分拣系统
CN202074946U (zh) 一种烟盒外观检测设备
CN102680488B (zh) 一种基于pca的块状农产品在线识别装置及方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200814

WD01 Invention patent application deemed withdrawn after publication