CN111666992B - 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 - Google Patents
基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 Download PDFInfo
- Publication number
- CN111666992B CN111666992B CN202010468228.9A CN202010468228A CN111666992B CN 111666992 B CN111666992 B CN 111666992B CN 202010468228 A CN202010468228 A CN 202010468228A CN 111666992 B CN111666992 B CN 111666992B
- Authority
- CN
- China
- Prior art keywords
- data
- capsule
- cigarette
- normal data
- matrix
- 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.)
- Active
Links
Images
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
- G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明的目的在于提供一种基于改进Fisher判别分析和马氏距离变化程度的烟支胶囊破损缺陷智能检测方法;该方法主要包括基于改进Fisher判别分析的最优分离方向提取、基于马氏距离变化程度的胶囊正常基准建模、胶囊破损缺陷在线智能检测三个部分,能够准确判断烟支胶囊是否破损,杜绝存在胶囊破损缺陷的爆珠卷烟流入市场。
Description
技术领域
本发明涉及基于烟支胶囊滤棒水分和密度检测数据,进行烟支胶囊破损缺陷的有效特征信息提取,进而根据特征信息构建基准模型在线准确判断烟支胶囊破损缺陷的检测技术。
背景技术
为满足更多样化以及特定市场的消费者需求,卷烟市场发展格局与产品创新形势出现了结构性转变。国内各大卷烟制造企业纷纷研发“爆珠”类卷烟,以发展卷烟消费的新增长点。同时,随着卷烟行业“降焦减害”形势的日益深化,各类卷烟产品的香气损失问题日益显著,而爆珠辅助加香方法也成为有效弥补卷烟香气品质的新技术[1,2]。在爆珠卷烟生产过程中,烟支胶囊检测作为产品质量过程控制中的重要环节越发受到重视[3,4]。目前针对烟支胶囊破损缺陷的检测主要基于微波传感器获得胶囊滤棒的电压信号,通过电压信号的点单数据横向对比[5]、波峰形态特征统计[6]、波峰形态Fisher分类[7]进行判断,而基于烟支水分和密度值的胶囊破损缺陷检测未见报道。以杭州卷烟厂最新推出的某特定牌号爆珠卷烟为例,检验室利用德国TEWS公司MW4420微波水分与密度分布测量仪获得整个烟支的水份和密度值,通过与人工设定阈值的比较判断烟支胶囊缺陷,包括胶囊缺失、胶囊破损、胶囊异位等情况。通过烟支水分和密度检测值与人工设定阈值的对比,可以准确检测烟支胶囊缺失和胶囊异位两类缺陷,但是烟支胶囊破损经常有误判,产品质量存在一定的潜在风险,亟需构建一种简单有效的烟支胶囊破损缺陷智能检测方法。[1]陈辰.全球爆珠烟发展概况[J].中国烟草,2017,(1): 42-43.[2]王金棒,汪志波,郑新章,等.中国爆珠卷烟专利技术研发热点与趋势分析[J].烟草科技,2018,51(11):43-50.[3]丁多,黄溢清,黄富,等.滤棒加香胶囊添加装置的设计与实现 [J].烟草科技,2014,47(10):32-34.[4]曹祥薇,彭三文,刘强,等.基于凸轮滑块结构的细支爆珠滤棒植珠装置[J].烟草科技,2019,52(1):98-102.[5]陈鹏,朱剑凌,龚志文,等.微波技术在烟支胶囊状态检测中的应用[J].轻工科技,2016,(12):105-107.[6]龚志文,彭黔荣,周明珠,等.微波法胶囊滤棒检测算法研究与装置设计[J].烟草科技,2017,50(10):80-86.[7]龚志文.基于微波技术的烟用胶囊制品检测方法与系统研究[D].合肥:中国科学技术大学,2018.
发明内容
基于胶囊滤棒水分和密度两个维度的不同位置检测数据以及胶囊是否破损的标签数据,如何从检测数据中有效提取胶囊破损的特征信息,进而根据特征信息构建基准模型是在线准确判断胶囊破损的关键;Fisher判别分析通过构造一个最优投影方向,可以提取不同种类数据间的特征信息;但是Fisher判别分析要求类内离散度矩阵为非奇异阵,实际中该条件有时无法满足;并且其求取的判别向量无法保证相互垂直存在冗余信息,对特性信息的提取结果造成影响;在一定程度上制约了该方法的应用效果。
针对以上烟支胶囊破损缺陷检测存在的不足,本发明的目的在于提供一种基于改进Fisher 判别分析和马氏距离变化程度的烟支胶囊破损缺陷智能检测方法;该方法主要包括基于改进 Fisher判别分析的最优分离方向提取、基于马氏距离变化程度的胶囊正常基准建模、胶囊破损缺陷在线智能检测三个部分,能够准确判断烟支胶囊是否破损,杜绝存在胶囊破损缺陷的爆珠卷烟流入市场。
为了实现上述发明目的,本发明采用的具体技术方案如下:
烟支胶囊破损类似于烟支胶囊在正常背景上的新事物,胶囊破损程度的多少可以用破损时烟支胶囊的状态特征向量与正常基准模型的距离来评判;距离越大,表明烟支胶囊的当前状态与正常状态差距越大,烟支胶囊的状态越差。因此,为识别烟支胶囊的破损程度,采用改进Fisher判别分析有效提取胶囊破损的特征信息,采用马氏距离描述胶囊破损时特征信息与正常基准模型的变化程度;
具体包括如下步骤:
1)收集某牌号细支卷烟胶囊的正常数据X1(N1×J)和破损缺陷数据X2(N2×J);
2)针对收集的正常数据X1(N1×J)和破损缺陷数据X2(N2×J)采用改进Fisher判别分析方法提取破损缺陷对应的最优分离方向R(J×R);
3)沿提取的最优分离方向计算正常数据X1(N1×J)对应的特征矩阵T1(N1×R);
4)计算每个正常数据x1,m(1×J),m=1,2,…N1到正常数据X1(N1×J)中心的马氏距离
5)采用核密度估计方法确定马氏距离的分布,计算正常数据的报警阈值
6)计算当前烟支胶囊数据xnew(1×J)到正常数据X1(N1×J)中心的马氏距离通过与报警阈值的比较判断当前烟支胶囊是否存在缺陷;
在步骤2)中,针对Fisher判别分析要求类内离散度矩阵为非奇异阵,以及其求取的判别向量无法保证相互垂直存在冗余信息的问题,所采用的改进Fisher判别分析方法主要计算过程如下:
步骤i)数据预处理:计算胶囊正常、胶囊破损缺陷数据Xi(Ni×J)的数据均值向量并计算所对应的类内离散度矩阵Sw(J×J)和类间离散度矩阵Sb(J×J);
步骤ii)判别向量的首次提取:通过最小化类内离散度矩阵Sw计算判别向量w,构建判别矩阵W=[w1,w2,…,wM]。计算每个数据类Xi相互垂直的特征矩阵Zi=XiW;
步骤iii)判别向量的二次提取:将特征矩阵Zi(Ni×M)代替胶囊正常和胶囊破损缺陷的原始数据Xi,计算每个特征矩阵Zi的数据均值向量并计算所对应的类内离散度矩阵 S′w(M×M)和类间离散度矩阵Sb′(M×M);寻找最优Fisher判别向量θ,使得类间离散度最大、同时类内离散度最小,两次提取得到的判别向量为β=Wθ;
步骤iv)原始数据的紧缩处理:利用两次提取的判别向量β计算Zi对应特征向量ti=Ziθ,剔除每个数据类原始数据Xi中与ti相关的信息,得到原始数据Xi中与ti无关的残差矩阵Ei;
步骤v)迭代循环:用残差矩阵Ei代替步骤1中的原始数据Xi,依次执行步骤1~4,当提取到每个数据类中所有期望的判别向量时迭代停止,获得对应胶囊正常数据的判别矩阵R(J×R),即最优分离方向;
在步骤3)中,沿提取的最优分离方向计算正常数据X1(N1×J)对应的特征矩阵T1(N1×R),计算公式如下:T1=X1R;
在步骤4)中,计算每个正常数据x1,m(1×J),m=1,2,…N1到正常数据X1(N1×J)中心的马氏距离计算公式如下:
t1,m=x1,mR
式中:t1,m表示第m个烟支胶囊正常数据沿最优分离方向R计算得到的特征向量,表示沿最优分离方向R计算得到的特征矩阵T1的均值向量,Σ1表示对角矩阵,其对角元素由沿最优分离方向R计算得到的特征矩阵T1的方差构成,马氏距离表示第m个烟支胶囊正常数据沿最优分离方向R的变化程度;
在步骤5)中,采用核密度估计方法确定马氏距离的分布,计算正常数据的报警阈值计算公式如下:
其中,K为高斯核函数,N1为烟支胶囊正常数据的个数,h为窗宽。当h较小时,核密度估计曲线能够反映较多细节,但光滑性较差,当h较大时,核密度估计曲线较为光滑,但会掩盖一些细节;将核密度曲线中最右侧的统计量数据作为烟支胶囊正常数据的报警阈值
在步骤6)中,计算当前烟支胶囊数据xnew(1×J)到正常数据X1(N1×J)中心的马氏距离计算公式如下:
tnew=xnewR
式中:tnew表示当前烟支胶囊数据xnew沿最优分离方向R计算得到的特征向量;马氏距离表示当前烟支胶囊数据xnew沿最优分离方向R的变化程度;
如果马氏距离小于报警阈值表明当前烟支胶囊未破损,否则表明当前烟支胶囊偏离基准模型,并且该值越高,意味着当前烟支胶囊破损越严重。
进一步地,本发明第二方面实施例提出了一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时执行上述所述的烟支胶囊破损缺陷智能检测方法。
烟支胶囊破损缺陷检测是爆珠卷烟生产的关键环节,检验室采用微波水分与密度分布测量仪获得烟支胶囊的水分和密度数据,但是反映胶囊破损的水分和密度数据特征不明显,检测过程中对于烟支胶囊破损经常有误判,产品质量存在一定的潜在风险。本发明提出一种基于改进Fisher判别分析和马氏距离变化程度的烟支胶囊破损缺陷智能检测方法,采用具有正交判别成分的改进Fisher判别分析方法识别胶囊正常和胶囊破损的水分和密度数据最优分离方向,利用提取的最优分离方向计算胶囊正常数据的特征信息,采用基于马氏距离变化程度构建胶囊破损缺陷的基准模型。本发明所提智能检测方法通过胶囊破损特征的高效提取能够准确识别烟支胶囊破损缺陷,具有较强鲁棒性和较高检测准确率,杜绝存在胶囊破损缺陷的爆珠卷烟流入市场,为烟支胶囊破损缺陷检测提供了一种可供借鉴的新思路、新方案。
附图说明
图1为烟支胶囊破损缺陷智能检测方法的流程图;
图2为烟支胶囊建模正常数据、破损缺陷数据的改进Fisher判别分析分类结果图;
图3为烟支胶囊建模正常数据的马氏距离核密度曲线图;
图4为本发明所提智能检测方法的烟支胶囊建模数据检测结果图;
图5为水分单阈值检测方法的烟支胶囊建模数据检测结果图;
图6为本发明所提智能检测方法的烟支胶囊测试数据检测结果图;
图7为水分单阈值检测方法的烟支胶囊测试数据检测结果图。
具体实施方式
为了更好的理解本发明的技术方案,以下结合说明书附图对本发明的实施方式作进一步描述。本实施是用于基于水分和密度数据的烟支胶囊破损缺陷智能检测方法,算法流程见附图1。MW4420微波水分和密度测量仪(德国TEWS公司)是用于测定烟支、滤棒水分和密度的自动化设备,采用高精度微波共振测量技术对水分和密度进行测量,能够保证水分测量值和密度测量值的相互独立,可以获得每根烟支间隔为1毫米的水分和密度原始数据。
1)收集检验室某牌号细支卷烟胶囊的正常数据X1(N1×J)和破损缺陷数据X2(N2×J)。
本实例中,针对97毫米某牌号细支卷烟,其滤棒部分长度为30毫米、直径为5.4毫米,选取以滤棒爆珠中心及其左右各10毫米的区域为有效表征区域,得到表征每支卷烟的水分和密度数据向量x(1×42),其中前21个数据表示不同位置的水分值、后21个数据表示不同位置的密度值。收集检验室2019年2月检测的200组正常和99组破损缺陷烟支胶囊数据,构成建模数据集X1(200×42)和X2(99×42)。
2)采用具有正交判别成分的改进Fisher判别分析方法提取烟支胶囊正常数据X1和破损缺陷数据X2的最优分离方向R。
本实例中,对烟支胶囊正常数据X1(200×42)和破损缺陷数据X2(99×42)进行改进Fisher 判别分析,提取最优分离方向R(42×2)。
烟支胶囊正常数据X1(200×42)和破损缺陷数据X2(99×42)在最优分离方向R(42×2)上投影见附图2,具有正交判别成分的改进Fisher判别分析在特征向量1和特征向量2两个维度均可以实现正常数据、破损缺陷数据的准确分类,表明改进Fisher判别分析能够提取正常数据、破损缺陷数据的有效差异特征。
3)沿提取的最优分离方向计算正常数据X1(N1×J)对应的特征矩阵T1(N1×R)。
本实例中,沿提取的最优分离方向R(42×2)计算烟支胶囊正常数据X1(200×42)对应的特征矩阵T1(200×2)。
4)计算每个正常数据x1,m(1×J),m=1,2,…N1到正常数据X1(N1×J)中心的马氏距离
本实例中,计算每个正常数据x1,m(1×42),m=1,2,…200到正常数据X1(200×42)中心的马氏距离
5)采用核密度估计方法确定马氏距离的分布,计算正常数据的报警阈值
本实例中,选取窗口h为3,马氏距离的核密度曲线见附图3,将核密度曲线中最右侧的马氏距离数据作为烟支胶囊正常建模数据的报警阈值即
6)计算当前烟支胶囊数据xnew(1×J)到正常数据X1(N1×J)中心的马氏距离通过与报警阈值的比较判断当前烟支胶囊是否存在缺陷。
本实例中,由200组烟支胶囊正常数据X1(200×42)和99组烟支胶囊破损数据X2(99×42) 组成的建模样本,计算到正常数据X1(200×42)中心的马氏距离本发明所提智能检测方法的建模样本检测效果见附图4。
目前检验室通过人工设定的水分阈值与爆珠中心水分检测值的比较,判断烟支胶囊是否破损。工艺专家人工设定的水分阈值为11.2%,水分单阈值检测方法的建模样本检测效果见附图5。
从附图4可知,本文所提智能检测方法可以对200组烟支胶囊正常数据和99组烟支胶囊破损数据进行准确检测,仅发生1次对胶囊正常的误报,建模样本的检测准确率为99.67%。从附图5可知,烟支胶囊水分单阈值检测方法可以对200组烟支胶囊正常数据进行准确检测,但是对99组烟支胶囊破损数据的检测结果误报较多,无法有效支撑烟支胶囊破损缺陷的准确检测。
重新收集检验室2019年5月检测的200组烟支胶囊数据作为测试样本Xtest(200×42),其中爆珠正常的数据50组(样本1~50)、爆珠破损小于0.5小时的数据50组(样本51~100)、爆珠破损大于0.5小时且小于1小时的数据50组(样本101~150)、爆珠破损大于1小时且小于2小时的数据50组(样本151~200)。计算测试样本Xtest(200×42)到正常数据X1(200×42)中心的马氏距离本发明所提智能检测方法的测试样本检测效果见附图6,水分单阈值检测方法的测试样本检测效果见附图7。
从附图6可知,本发明所提智能检测方法可以对200组烟支胶囊测试数据进行准确检测,仅发生1次对胶囊正常的误报,测试样本的检测准确率为99.5%,算法具有较强鲁棒性和较高检测准确率,能够满足烟支胶囊破损缺陷连续检测的需求。从附图7可知,烟支胶囊水分单阈值检测方法可以对150组烟支胶囊破损数据进行准确检测,但是对50组烟支胶囊正常数据的检测结果误报较多,无法有效支撑烟支胶囊破损缺陷的准确检测。为减少误判实际生产中需要工艺专家经常修改水分阈值,表明烟支胶囊水分单阈值检测方法的鲁棒性较差。
Claims (3)
1.基于水分和密度数据的烟支胶囊破损缺陷智能检测方法,其特征在于,该方法包括如下步骤:
1)收集某牌号细支卷烟胶囊的正常数据X1(N1×J)和破损缺陷数据X2(N2×J);
2)针对收集的正常数据X1(N1×J)和破损缺陷数据X2(N2×J)采用改进Fisher判别分析方法提取破损缺陷对应的最优分离方向R(J×R);
3)沿提取的最优分离方向计算正常数据X1(N1×J)对应的特征矩阵T1(N1×R);
4)计算每个正常数据x1,m(1×J),m=1,2,…N1到正常数据X1(N1×J)中心的马氏距离
5)采用核密度估计方法确定马氏距离m=1,2,…N1的分布,计算正常数据的报警阈值
6)计算当前烟支胶囊数据xnew(1×J)到正常数据X1(N1×J)中心的马氏距离通过与报警阈值的比较判断当前烟支胶囊是否存在缺陷;
在步骤2)中,针对Fisher判别分析要求类内离散度矩阵为非奇异阵,以及其求取的判别向量无法保证相互垂直存在冗余信息的问题,所采用的改进Fisher判别分析方法主要计算过程如下:
步骤i)数据预处理:计算胶囊正常、胶囊破损缺陷数据Xi(Ni×J)的数据均值向量并计算所对应的类内离散度矩阵Sw(J×J)和类间离散度矩阵Sb(J×J);
步骤ii)判别向量的首次提取:通过最小化类内离散度矩阵Sw计算判别向量w,构建判别矩阵W=[w1,w2,…,wM];计算每个数据类Xi相互垂直的特征矩阵Zi=XiW;
步骤iii)判别向量的二次提取:将特征矩阵Zi(Ni×M)代替胶囊正常和胶囊破损缺陷的原始数据Xi,计算每个特征矩阵Zi的数据均值向量并计算所对应的类内离散度矩阵S′w(M×M)和类间离散度矩阵S′b(M×M);寻找最优Fisher判别向量θ,使得类间离散度最大、同时类内离散度最小,两次提取得到的判别向量为β=Wθ;
步骤iv)原始数据的紧缩处理:利用两次提取的判别向量β计算Zi对应特征向量ti=Ziθ,剔除每个数据类原始数据Xi中与ti相关的信息,得到原始数据Xi中与ti无关的残差矩阵Ei;
步骤v)迭代循环:用残差矩阵Ei代替步骤1中的原始数据Xi,依次执行步骤1~4,当提取到每个数据类中所有期望的判别向量时迭代停止,获得对应胶囊正常数据的判别矩阵R(J×R),即最优分离方向;
在步骤3)中,沿提取的最优分离方向计算正常数据X1(N1×J)对应的特征矩阵T1(N1×R),计算公式如下:T1=X1R;
在步骤4)中,计算每个正常数据x1,m(1×J),m=1,2,…N1到正常数据X1(N1×J)中心的马氏距离计算公式如下:
t1,m=x1,mR
式中:t1,m表示第m个烟支胶囊正常数据沿最优分离方向R计算得到的特征向量,表示沿最优分离方向R计算得到的特征矩阵T1的均值向量,Σ1表示对角矩阵,其对角元素由沿最优分离方向R计算得到的特征矩阵T1的方差构成,马氏距离表示第m个烟支胶囊正常数据沿最优分离方向R的变化程度;
在步骤5)中,采用核密度估计方法确定马氏距离m=1,2,…N1的分布,计算正常数据的报警阈值计算公式如下:
其中,K为高斯核函数,N1为烟支胶囊正常数据的个数,h为窗宽;当h较小时,核密度估计曲线能够反映较多细节,但光滑性较差,当h较大时,核密度估计曲线较为光滑,但会掩盖一些细节;将核密度曲线中最右侧的统计量数据作为烟支胶囊正常数据的报警阈值在步骤6)中,计算当前烟支胶囊数据xnew(1×J)到正常数据X1(N1×J)中心的马氏距离计算公式如下:
tnew=xnewR
式中:tnew表示当前烟支胶囊数据xnew沿最优分离方向R计算得到的特征向量;马氏距离表示当前烟支胶囊数据xnew沿最优分离方向R的变化程度;
如果马氏距离小于报警阈值表明当前烟支胶囊未破损,否则表明当前烟支胶囊偏离基准模型,并且该值越高,意味着当前烟支胶囊破损越严重。
2.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时执行所述权利要求1所述的烟支胶囊破损缺陷智能检测方法。
3.如权利要求1所述的烟支胶囊破损缺陷智能检测方法在爆珠卷烟生产中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468228.9A CN111666992B (zh) | 2020-05-28 | 2020-05-28 | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468228.9A CN111666992B (zh) | 2020-05-28 | 2020-05-28 | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666992A CN111666992A (zh) | 2020-09-15 |
CN111666992B true CN111666992B (zh) | 2023-04-18 |
Family
ID=72384942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468228.9A Active CN111666992B (zh) | 2020-05-28 | 2020-05-28 | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666992B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897542A (zh) * | 2017-04-18 | 2017-06-27 | 浙江中烟工业有限责任公司 | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
WO2017210894A1 (zh) * | 2016-06-08 | 2017-12-14 | 东北大学 | 基于运行视频信息的一种电弧炉故障监测方法 |
CN110132879A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9218232B2 (en) * | 2011-04-13 | 2015-12-22 | Bar-Ilan University | Anomaly detection methods, devices and systems |
US9443132B2 (en) * | 2013-02-05 | 2016-09-13 | Children's National Medical Center | Device and method for classifying a condition based on image analysis |
US12001949B2 (en) * | 2018-09-05 | 2024-06-04 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for data analysis |
-
2020
- 2020-05-28 CN CN202010468228.9A patent/CN111666992B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210894A1 (zh) * | 2016-06-08 | 2017-12-14 | 东北大学 | 基于运行视频信息的一种电弧炉故障监测方法 |
CN106897542A (zh) * | 2017-04-18 | 2017-06-27 | 浙江中烟工业有限责任公司 | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
CN110132879A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烤烟香韵鉴别方法 |
Non-Patent Citations (1)
Title |
---|
张振华 ; .烟支重量控制与紧头位置调整.工业控制计算机.2010,(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111666992A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3680639B1 (en) | Abnormality model learning device, method, and program | |
TWI796681B (zh) | 基於深度學習的二維pcb外觀缺陷實時自動檢測之方法 | |
EP2269080B1 (en) | Method and apparatus for analyzing waveform signals of a power system | |
CN106092625B (zh) | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 | |
CN115271003B (zh) | 用于自动化环境监测设备的异常数据分析方法及系统 | |
CN112347894B (zh) | 基于迁移学习和高斯混合模型分离的单株植被提取方法 | |
CN115392408A (zh) | 一种电子数粒机运行异常检测方法及系统 | |
CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
KR20150082573A (ko) | 계측 타겟 특성화 | |
CN111666992B (zh) | 基于水分和密度数据的烟支胶囊破损缺陷智能检测方法 | |
CN110335611A (zh) | 一种基于质量维度的声纹识别算法评估方法 | |
Wang et al. | A VGGNet-like approach for classifying and segmenting coal dust particles with overlapping regions | |
CN112433928A (zh) | 一种存储设备的故障预测方法、装置、设备及存储介质 | |
CN117152152A (zh) | 检测试剂盒的生产管理系统及方法 | |
CN117955863A (zh) | 基于人工智能的数据安全检测方法及系统 | |
CN117668892A (zh) | 一种敏感信息检测反馈方法、装置、设备及介质 | |
Wang et al. | Digital image forensics based on CFA interpolation feature and Gaussian mixture model | |
CN114611606A (zh) | 基于核混合空间投影的故障检测方法 | |
Zabary et al. | A MATLAB pipeline for spatiotemporal quantification of monolayer cell migration | |
CN117711593B (zh) | 一种智慧药房进出药管理系统 | |
CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 | |
CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 | |
CN117654907B (zh) | 用于带料检测机的自动剔除方法及系统 | |
CN117649059B (zh) | 一种用于数字化育种流程的成果评价优化方法 | |
US20220067426A1 (en) | Separation distance between feature vectors for semi-supervised hotspot detection and classification |
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 |