CN112189877A - 用于烟草生产线烟丝杂质的在线检测方法 - Google Patents
用于烟草生产线烟丝杂质的在线检测方法 Download PDFInfo
- Publication number
- CN112189877A CN112189877A CN202011091416.0A CN202011091416A CN112189877A CN 112189877 A CN112189877 A CN 112189877A CN 202011091416 A CN202011091416 A CN 202011091416A CN 112189877 A CN112189877 A CN 112189877A
- Authority
- CN
- China
- Prior art keywords
- tobacco shred
- tobacco
- spectral image
- wave band
- image data
- 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
Links
Images
Classifications
-
- 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
- A24B3/18—Other treatment of leaves, e.g. puffing, crimpling, cleaning
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24C—MACHINES FOR MAKING CIGARS OR CIGARETTES
- A24C5/00—Making cigarettes; Making tipping materials for, or attaching filters or mouthpieces to, cigars or cigarettes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/3416—Sorting according to other particular properties according to radiation transmissivity, e.g. for light, x-rays, particle radiation
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
-
- 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
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明提供一种用于烟草生产线烟丝杂质的在线检测方法,其包括数据降维和烟丝杂质检测两部分,具体实施步骤为:数据降维通过改进的最佳指数法对烟丝光谱图像数据进行波段选择,实现数据降维,在计算最佳指数前依次对烟丝光谱图像数据进行去噪、采样和分组三次筛选,从而选出信息量较大、波段间相关性较小、数量较少的波段子集;烟丝杂质检测将深度卷积神经网络与邻域去散点算法相结合,先通过训练好的卷积神经网络模型对待识别光谱图像各点进行初步识别,得到分类图像;再通过邻域去散点算法对分类出的杂质进行再识别,剔除分类图像中杂质中的错分的散点。根据光谱图像中各点的反射率对其进行分类,有效减小光照变化对分类结果的影响。
Description
技术领域
本发明涉及信号处理和数据降维技术领域,特别涉及一种用于烟草生产线烟丝杂质的在线检测方法。
背景技术
香烟在生产过程中烟丝中往往不可避免的会混有运输过程中的纸或者塑料包装碎屑,影响香烟的品质,因此需要对生产线上的烟丝进行杂质检测。人工挑选全凭人眼寻找烟丝中的杂质异物,受个体主观意识影响,且费时费力,长时间工作容易造成视觉疲劳,无法保证工作效率。传统的机器视觉方法检测香烟杂质时受烟丝间隙阴影影响较大,其纸屑与烟丝颜色十分相近,检测准确率有待提高。
基于光谱信息的目标检测技术通过获取目标的光谱信息得到目标连续的光谱曲线,根据不同物质间的光谱差异辨别出不同的物质,对颜色相近、光谱差异较大的物质尤为有效。香烟生产线上的烟丝在500-600nm间光谱呈上升曲线,在700-900nm间光谱呈下降曲线。
发明内容
针对现有技术存在的问题,本发明提供一种用于烟草生产线烟丝杂质的在线检测方法,通过波段选择选出少量保留较多有用信息的波段数据,减小计算量,提高处理效率;通过高光谱图像分类对烟丝光谱图像中的各点进行分类,预测每一点的类别,实现烟丝杂质的检测。
本发明提供了一种用于烟草生产线烟丝杂质的在线检测方法,其包括数据降维和烟丝杂质检测两部分,所述在线检测方法的具体实施步骤如下:
S1、对成像光谱仪采集的烟丝光谱图像数据进行降维:
S11、根据设定的单波段烟丝光谱图像特征值的阈值,剔除成像光谱仪所获得的烟丝光谱图像数据中,图像噪声影响较大,含有有用信息非常少的单波段,缩小在烟丝光谱图像数据全波段中的选择范围;
S12、将步骤S11获得的烟丝光谱图像数据,按光谱通道进行等距下采样处理,在经过剔除的烟丝光谱图像数据的波段子集中,等间隔抽取波段,将抽取的波段进行拼接组合,减小波段间的相关性,缩小波段的组合范围;
S13、将步骤S12得到的烟丝光谱图像数据的波段子集进行分组,计算步骤S12得到的波段子集中两波段间的相关系数,得到波段间的相关性,根据波段间的相关系数大小进行分组,连续波段间相关系数均大于设定的相关系数阈值的,分为同一组;
S14、求取步骤S13中各组烟丝光谱图像数据的最佳波段组合,分组计算每一组中波段的标准差和波段间的相关系数,计算各波段组合的最佳波段指数OIF,最佳波段指数最大的组合即为该组的最佳波段组合:
其中,stdevi为某一组中第i个波段的标准差,rij为某一组中第i个波段与第j个波段间的相关系数,m为某一组的最佳波段组合中波段的个数;
S15、对步骤S14得到的各组烟丝光谱图像数据的最佳波段组合进行波段合成,通过拼接组合得到最终的波段组合,最终选出的最佳波段组合的总波段数为各组选出的最佳波段组合的波段数的和;
S2、用深度卷积神经网络对步骤S1处理的烟丝高光谱图像数据进行烟丝杂质检测:
S21、构建深度卷积神经网络分类模型的训练集和测试集;
S211、在步骤S15得到的烟丝光谱图像数据的最佳波段组合中选择一张人眼能清楚辨别样本点类别的单波段光谱图像,通过MATLAB在选择的单波段光谱图像上画线标记样本点,样本点分为纸屑、塑料、烟丝和其它等四类,每类样本标记一种颜色;
S212、通过MATLAB读取步骤S211标记的每类样本中各点的横纵坐标,得到每类样本点对应位置的各波段灰度值,再除以对应位置在白板上各波段的灰度值,得到对应位置的反射率:
re(x0,y0,b0)=gray(x0,y0,b0)/white(x0,y0,b0)
其中,re(x0,y0,b0)为x0行y0列的点在第b0波段的反射率,gray(x0,y0,b0)为x0行y0列的点在第b0波段的灰度值,white(x0,y0,b0)为x0行y0列的点在第b0波段白板上的灰度值;
S213、将步骤S212得到样本中每类样本点的顺序随机打乱,构建训练集和测试集,训练集和测试集的数量比例为1:9;
S22、设置深度卷积神经网络训练的初始化参数,通过步骤S21得到的训练集和测试集训练样本,得到样本的深度卷积神经网络的分类模型;
S23、用训练好的深度卷积神经网络分类模型对步骤S1得到的烟丝光谱图像数据中所有点进行初次识别,通过训练好的深度卷积神经网络分类模型对烟丝光谱图像数据进行分类,将预测类别相同的点设置成相同颜色,得到烟丝光谱图像数据的分类结果;
S24、通过邻域去散点算法对烟丝高光谱图像数据中的杂质进行剔除;
S241、选取a×a的网格作为选取的邻域范围,其中心点设为散点;
S242、统计步骤S241邻域范围内的b个点位,若统计点位的分类预测标签与中心点位预测标签相同的个数达到设定值,则中心点的预测类别不变,否则中心点预测为烟丝;
S243、通过MATLAB对步骤S242处理的烟丝高光谱图像进行图像处理,通过形态学膨胀和腐蚀等操作,填充烟丝高光谱图像中的孔洞。
可优选的是,在步骤S1烟丝光谱图像数据降维过程中,所述成像光谱仪采集的烟丝光谱图像数据中,单个波段的特征值越大,该波段图像数据所含有的信息量就越大。
可优选的是,在步骤S212的烟丝光谱图像数据分类中,将待识别光谱图像中各点的灰度值转化为对应位置的反射率,根据各点的反射率而不是灰度值进行分类,有效减小光照变化对识别结果的影响。
可优选的是,在步骤S23中,通过光谱图像分类实现烟丝杂质的检测,减小了烟丝间隙阴影对分类结果的影响,同时大大提高了与烟丝颜色相近的杂质的检测准确率。
可优选的是,所述邻域去散点算法,主要是通过计算杂质点周围的点中与杂质点类别相同的点的个数来判断杂质点是否为错分的散点,实现对分类出的杂质散点进行剔除。
可优选的是,在步骤S24中,对于烟丝光谱图像数据分类结果中的杂质散点,其预测类别与杂质散点周围点的预测类别均不相同,基于邻域去散点方法对其进行剔除,将其预测类别改为其周围多数点的预测类别。
本发明与现有技术相比,具有如下优点:
1.现今香烟生产线上烟丝杂质检测主要靠工人手工挑拣,本发明可实现烟草生产线烟丝杂质的在线自动检测;
2.本发明算法检测的准确率高,杂质的误检率与漏检率低;
3.本发明根据光谱图像中各点的反射率对其进行分类,有效减小光照变化对分类结果的影响;
4.本发明可实现不停烟丝传送带实时检测烟丝杂质。
附图说明
图1为本发明用于烟草生产线烟丝杂质的在线检测方法的流程图;
图2为本发明用于烟草生产线烟丝杂质的在线检测方法中数据降维算法流程图;
图3为本发明用于烟草生产线烟丝杂质的在线检测方法中烟丝杂质检测算法流程图;
图4a为本发明用于烟草生产线烟丝杂质的在线检测方法中单波段光谱图像的结果图;
图4b为本发明用于烟草生产线烟丝杂质的在线检测方法中深度卷积神经网络的分类结果图;以及
图4c为本发明用于烟草生产线烟丝杂质的在线检测方法中邻域去散点法的结果图。
具体实施方式
为详尽本发明之技术内容、所达成目的及功效,以下将结合说明书附图进行详细说明。
一种用于烟草生产线烟丝杂质的在线检测方法,如图1所示,包括数据降维和烟丝杂质检测两部分,数据降维主要根据最佳指数法选出少量的能保留较多有用信息的光谱波段图像数据,减少计算量,提高处理速度;烟丝杂质检测主要通过深度卷积神经网络与邻域去散点相结合,检测出烟丝中的杂质。具体实施步骤如下:
S1、对成像光谱仪采集的烟丝光谱图像数据进行降维,如图2所示,通过改进的OIF算法进行波段选择,实现光谱图像的数据降维,在计算OIF指数前依次进行去噪、采样、分组三次筛选,选出信息量较大、波段间相关性较小、数量较少的波段子集;在烟丝光谱图像数据的全波段中,通过波段选择算法,在保障光谱分类准确度不发生明显下降的前提下,减少光谱通道数,节省大量的处理时间,提高烟丝光谱图像数据分类算法的速度。
S11、根据设定的单波段烟丝光谱图像特征值阈值,剔除成像光谱仪所获得的烟丝光谱图像数据中,图像噪声影响较大,含有有用信息非常少的单波段,缩小在烟丝光谱图像数据全波段中的选择范围,通常情况下,成像光谱仪采集的烟丝光谱图像数据中单个波段的特征值越大,该波段图像数据所含有的信息量就越大。
S12、将步骤S11获得的烟丝光谱图像数据,按光谱通道进行等距下采样处理,在经过剔除的烟丝光谱图像数据的波段子集中,等间隔抽取波段,将抽取的波段进行拼接组合,减小波段间的相关性,缩小波段的组合范围,来减小烟丝光谱图像波段选择算法的计算量。
S13、将步骤S12得到的烟丝光谱图像数据的波段子集进行分组,计算步骤S12得到的波段子集中两波段间的相关系数,得到波段间的相关性,根据波段间的相关系数大小进行分组,连续波段间相关系数均大于设定的相关系数阈值的,分为同一组。
S14、求取步骤S13中各组烟丝光谱图像数据的最佳波段组合,分组计算,每一组中波段的标准差和波段间的相关系数,计算各波段组合的最佳波段指数OIF,最佳波段指数最大的组合即为该组的最佳波段组合:
其中,stdevi为某一组中第i个波段的标准差,rij为某一组中第i个波段与第j个波段间的相关系数,m为某一组的最佳波段组合中波段的个数。
S15、对步骤S14得到的各组烟丝光谱图像数据的最佳波段组合进行波段合成,对步骤S14得到的各组的最佳波段组合进行拼接组合,得到最终的波段组合,最终选出的最佳波段组合的总波段数为各组选出的最佳波段组合的波段数的和。
S2、如图3所示,用深度卷积神经网络对步骤S1处理的烟丝光谱图像数据进行烟丝杂质检测。
S21、构建深度卷积神经网络分类模型的训练集和测试集;
S211、在步骤S15得到的烟丝光谱图像数据的最佳波段组合中选择一张人眼能清楚辨别样本点类别的单波段光谱图像,通过MATLAB在选择的单波段光谱图像上画线标记样本点,样本点分为纸屑、塑料、烟丝和其它等四类,每类样本标记一种颜色;
S212、通过MATLAB读取步骤S211标记的每类样本中各点的横纵坐标,得到每类样本点对应位置的各波段灰度值,再除以对应位置在白板上各波段的灰度值,得到对应位置的反射率;
re(x0,y0,b0)=gray(x0,y0,b0)/white(x0,y0,b0)
其中,re(x0,y0,b0)为x0行y0列的点在第b0波段的反射率,gray(x0,y0,b0)为x0行y0列的点在第b0波段的灰度值,white(x0,y0,b0)为x0行y0列的点在第b0波段白板上的灰度值;
S213、将步骤S212得到样本中每类样本点的顺序随机打乱,构建训练集和测试集,训练集和测试集的数量比例为1:9。
S22、设置深度卷积神经网络训练的初始化参数,通过步骤S21得到的训练集和测试集训练样本,得到样本的深度卷积神经网络的分类模型。
S23、用训练好的深度卷积神经网络分类模型,对步骤S1得到的烟丝光谱图像数据中所有点进行初次识别;通过训练好的分类模型对待识别的烟丝光谱图像数据各点进行分类,预测图中各点分别属于烟丝、纸屑、塑料以及其它中的哪一类,将预测类别相同的点设置成相同颜色,得到烟丝光谱图像的分类结果。
步骤S23得到的分类结果图中,烟丝杂质会有很多错分的散点,这些散点与其邻域内的其它点的预测类别均不相同,需要剔除这些错分的散点。
S24、通过邻域去散点算法对烟丝高光谱图像数据中的杂质进行剔除;
S241、选取a×a的网格作为选取的邻域范围,本发明中网格的边长取5,其中心点设为散点;
S242、统计步骤S241邻域范围内的b个点位,若统计点位的分类预测标签与中心点位预测标签相同的个数达到设定值,则中心点的预测类别不变,否则中心点预测为烟丝;
S243、通过MATLAB对步骤S242处理的烟丝光谱图像进行图像处理,通过形态学膨胀和腐蚀等操作,填充烟丝高光谱图像中的孔洞。
在步骤S1高光谱图像数据降维过程中,基于两两波段间的相关系数对波段集合进行分组,之后分组计算各组的最佳波段组合,最后得到最终的最佳波段组合。
进一步,为了提高在线检测方法的精度,在步骤S212的烟丝光谱图像数据分类中,将待识别光谱图像中各点的灰度值转化为对应位置的反射率,根据各点的反射率而不是灰度值进行分类,其有效减小光照变化对识别结果的影响。
在步骤S23中,通过光谱图像分类实现烟丝杂质的检测,减小了烟丝间隙阴影对分类结果的影响,同时大大提高了与烟丝颜色相近的杂质的检测准确率。
具体而言,邻域去散点算法,主要是通过计算杂质点周围的点中与杂质点类别相同的点的个数来判断杂质点是否为错分的散点,实现对分类出的杂质散点进行剔除。
在步骤S24中,对于烟丝光谱图像数据分类结果中的杂质散点,其预测类别与杂质散点周围点的预测类别均不相同,基于邻域去散点方法对其进行剔除,将其预测类别改为其周围多数点的预测类别。
可优选地,在烟丝光谱图像分类之前对光谱数据进行光谱数据降维处理,降维方法包括但不限于波段选择;烟丝光谱图像分类算法包括但不限于深度卷积神经网络;对于烟丝光谱图像分类结果中错分散点的处理方法,包括但不限于邻域去散点。
以下结合实施例对本发明一种用于烟草生产线烟丝杂质的在线检测方法做进一步描述:
本发明的具体实例例子在具有Intel CORE i7-9750H,2.60GHz处理器、24.0G内存和64位Windows操作系统的计算机上进行仿真实验,所用设备成像光谱仪的波长范围为400-1000nm,成像光谱仪采集的全波段光谱图像为260个大小为2048×2048的TIFF格式的不同波段图像,本次具体实施例子烟丝中主要有纸屑和塑料两种杂质。
在线检测方法的具体实施步骤如下:
S1、对成像光谱仪采集的烟丝光谱图像数据进行降维,在烟丝光谱图像数据的全波段中,通过波段选择算法,在保障光谱分类准确度不发生明显下降的前提下,减少光谱通道数,节省大量的处理时间,提高烟丝光谱图像数据分类算法的速度。
S11、设定单波段烟丝光谱图像特征值阈值Ea为0.25,剔除成像光谱仪所获得的烟丝光谱图像数据中,图像噪声影响较大,含有有用信息非常少的单波段,这些波段对于特征提取的作用十分有限,波段选择前可以先将其剔除,缩小在烟丝光谱图像数据全波段中的选择范围;剔除特征值小于Ea的波段,通过步骤S11从初始的260个波段中剔除了20个噪声波段,剩余240个波段,构成去噪后的波段子集E。
S12、由于步骤S11获得的去噪后烟丝光谱图像数据,各波段间的相关性较强,按光谱通道进行5倍等距下采样处理,在经过剔除的烟丝光谱图像数据的波段子集中,等间隔抽取波段,将抽取的波段进行拼接组合,减小波段间的相关性,缩小波段的组合范围,来减小烟丝光谱图像波段选择算法的计算量,最终得到采样后的波段子集S,采样后剩余48个波段。
S13、将步骤S12得到的烟丝光谱图像数据的波段子集分组,设定相关系数阈值ra,计算步骤S12得到的波段子集中连续两波段间的相关系数,得到波段间的相关性,根据波段间的相关系数大小以及连续波段间相关系数大于设定的相关系数阈值ra,对经过下采样处理后的波段子集S进行分组;其中连续波段相关系数大于相关系数阈值ra的分为一组,共分为5组,第一组G1为波段子集S的第1-11波段,第二组G2为波段子集S的第12-22波段,第三组G3为波段子集S的第23-40波段,第四组G4为波段子集S的第41-47波段,第五组G5为波段子集S的第48波段。
S14、求取步骤S13中各组烟丝光谱图像数据的最佳波段组合,分组计算,每一组中波段的标准差和波段间的相关系数,计算各波段组合的最佳波段指数OIF,最佳波段指数最大的组合即为该组的最佳波段组合:
其中,stdevi为某一组中第i个波段的标准差,rij为某一组中第i个波段与第j个波段间的相关系数,m为某一组的最佳波段组合中波段的个数。
最终得到的目标波段个数为8个,最终选出的烟丝光谱波段波长分别为500nm、530nm、580nm、670nm、758nm、840nm、858nm和920nm。
S15、对步骤S14得到的各组烟丝光谱图像数据的最佳波段组合进行波段合成,对步骤S14得到的各组的最佳波段组合进行拼接组合,得到最终的波段组合,最终选出的最佳波段组合的总波段数为各组选出的最佳波段组合的波段数的和。
S2、如图3所示,用深度卷积神经网络对步骤S1处理的烟丝光谱图像数据进行烟丝杂质检测。
S21、构建深度卷积神经网络分类模型的训练集和测试集;
S211、在步骤S15得到的烟丝光谱图像数据的最佳波段组合中选择一张最亮的单波段光谱图像,通过MATLAB在选择的单波段光谱图像上画线标记样本点,样本点分为纸屑、塑料、烟丝和其它等四类,每类样本标记一种颜色;
S212、通过MATLAB读取步骤S211标记的每类样本中各点的横纵坐标,得到每类样本点对应位置的各波段灰度值,再除以对应位置在白板上各波段的灰度值,得到对应位置的反射率;
re(x0,y0,b0)=gray(x0,y0,b0)/white(x0,y0,b0)
其中,re(x0,y0,b0)为x0行y0列的点在第b0波段的反射率,gray(x0,y0,b0)为x0行y0列的点在第b0波段的灰度值,white(x0,y0,b0)为x0行y0列的点在第b0波段白板上的灰度值;
S213、将步骤S212得到样本中每类样本点的顺序随机打乱,将各样本数据拼接构成数据集,构建训练集和测试集,训练集和测试集的数量比例为1:9。
S22、设置深度卷积神经网络训练的初始化参数,类别数clsCnt为9,训练集中点的个数trnNum为200,批次大小batchsize为5,训练周期numepochs为5000,网络的激活函数采用Sigmoid函数;通过步骤S21得到的训练集和测试集训练样本,得到样本的深度卷积神经网络的分类模型。
S23、用训练好的深度卷积神经网络分类模型,对步骤S1得到的烟丝光谱图像数据中所有点进行初次识别,读取烟丝光谱图像数据中各点的灰度值,将其转化为各点的反射率,有效减小光照变化对识别结果的影响;通过训练好的分类模型对待识别的烟丝光谱图像数据各点进行分类,预测图中各点分别属于烟丝、纸屑、塑料以及其它中的哪一类,将预测类别相同的点设置成相同颜色,得到烟丝光谱图像的分类结果。
S24、通过邻域去散点算法对烟丝高光谱图像数据中的杂质进行剔除;
S241、选取5×5的网格作为选取的邻域范围,其中心点设为散点;
S242、在网格中除去中心剩余24个点,选取步骤S241邻域范围内的8个点位,8个点为网格的4个顶点和中心点的四邻域,统计8个点与中心点类别相同的点的个数,如果与中心点类别相同的点的个数大于3,则中心点的预测类别不变;否则中心点预测为烟丝;
S243、通过MATLAB对步骤S242处理的烟丝光谱图像进行图像处理,通过形态学膨胀和腐蚀等操作,填充烟丝高光谱图像中的孔洞。
本次实验的单波段光谱图像如图4a所示、深度卷积神经网络分类结果如图4b所示以及邻域去散点结果如图4c所示。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种用于烟草生产线烟丝杂质的在线检测方法,其包括数据降维和烟丝杂质检测两部分,其特征在于,所述在线检测方法包括步骤如下:
S1、对成像光谱仪采集的烟丝光谱图像数据进行降维:
S11、根据设定的单波段烟丝光谱图像特征值的阈值,剔除成像光谱仪所获得的烟丝光谱图像数据中图像噪声影响大、且含有用信息少的单波段,缩小在烟丝光谱图像数据全波段中的选择范围;
S12、将步骤S11获得的烟丝光谱图像数据,按光谱通道进行等距下采样处理,在经过剔除的烟丝光谱图像数据的波段子集中,等间隔抽取波段,将抽取的波段进行拼接组合,减小波段间的相关性,缩小波段的组合范围;
S13、将步骤S12得到的烟丝光谱图像数据的波段子集进行分组,计算步骤S12得到的波段子集中两波段间的相关系数,得到波段间的相关性,根据波段间的相关系数大小进行分组,连续波段间相关系数均大于设定的相关系数阈值的,分为同一组;
S14、求取步骤S13中各组烟丝光谱图像数据的最佳波段组合,分组计算每一组中波段的标准差和波段间的相关系数,计算各波段组合的最佳波段指数OIF,最佳波段指数最大的组合即为该组的最佳波段组合:
其中,stdevi为某一组中第i个波段的标准差,rij为某一组中第i个波段与第j个波段间的相关系数,m为某一组的最佳波段组合中波段的个数;
S15、对步骤S14得到的各组烟丝光谱图像数据的最佳波段组合进行波段合成,通过拼接组合得到最终的波段组合,最终选出的最佳波段组合的总波段数为各组选出的最佳波段组合的波段数的和;
S2、用深度卷积神经网络对步骤S1处理的烟丝高光谱图像数据进行烟丝杂质检测:
S21、构建深度卷积神经网络分类模型的训练集和测试集;
S211、在步骤S15得到的烟丝光谱图像数据的最佳波段组合中选择一张人眼能清楚辨别样本点类别的单波段光谱图像,通过MATLAB在选择的单波段光谱图像上画线标记样本点,样本点分为纸屑、塑料、烟丝和其它等四类,每类样本标记一种颜色;
S212、通过MATLAB读取步骤S211标记的每类样本中各点的横纵坐标,得到每类样本点对应位置的各波段灰度值,再除以对应位置在白板上各波段的灰度值,得到对应位置的反射率:
re(x0,y0,b0)=gray(x0,y0,b0)/white(x0,y0,b0)
其中,re(x0,y0,b0)为x0行y0列的点在第b0波段的反射率,gray(x0,y0,b0)为x0行y0列的点在第b0波段的灰度值,white(x0,y0,b0)为x0行y0列的点在第b0波段白板上的灰度值;
S213、将步骤S212得到样本中每类样本点的顺序随机打乱,构建训练集和测试集,训练集和测试集的数量比例为1:9;
S22、设置深度卷积神经网络训练的初始化参数,通过步骤S21得到的训练集和测试集训练样本,得到样本的深度卷积神经网络的分类模型;
S23、用训练好的深度卷积神经网络分类模型对步骤S1得到的烟丝光谱图像数据中所有点进行初次识别,通过训练好的深度卷积神经网络分类模型对烟丝光谱图像数据进行分类,将预测类别相同的点设置成相同颜色,得到烟丝光谱图像数据的分类结果;
S24、通过邻域去散点算法对烟丝高光谱图像数据中的杂质进行剔除;
S241、选取a×a的网格作为选取的邻域范围,其中心点设为散点;
S242、统计步骤S241邻域范围内的b个点位,若统计点位的分类预测标签与中心点位预测标签相同的个数达到设定值,则中心点的预测类别不变,否则中心点预测为烟丝;
S243、通过MATLAB对步骤S242处理的烟丝高光谱图像进行图像处理,通过形态学膨胀和腐蚀等操作,填充烟丝高光谱图像中的孔洞。
2.根据权利要求1所述的用于烟草生产线烟丝杂质的在线检测方法,其特征在于,在步骤S1烟丝光谱图像数据降维过程中,所述成像光谱仪采集的烟丝光谱图像数据中,单个波段的特征值越大,该波段图像数据所含有的信息量就越大。
3.根据权利要求1所述的用于烟草生产线烟丝杂质的在线检测方法,其特征在于,在步骤S212的烟丝光谱图像数据分类中,将待识别光谱图像中各点的灰度值转化为对应位置的反射率,根据各点的反射率而不是灰度值进行分类,有效减小光照变化对识别结果的影响。
4.根据权利要求1所述的用于烟草生产线烟丝杂质的在线检测方法,其特征在于,在步骤S23中,通过光谱图像分类实现烟丝杂质的检测,减小了烟丝间隙阴影对分类结果的影响,同时大大提高了与烟丝颜色相近的杂质的检测准确率。
5.根据权利要求1所述的用于烟草生产线烟丝杂质的在线检测方法,其特征在于,所述邻域去散点算法,主要是通过计算杂质点周围的点中与杂质点类别相同的点的个数来判断杂质点是否为错分的散点,实现对分类出的杂质散点进行剔除。
6.根据权利要求5所述的用于烟草生产线烟丝杂质的在线检测方法,其特征在于,在步骤S24中,对于烟丝光谱图像数据分类结果中的杂质散点,其预测类别与杂质散点周围点的预测类别均不相同,基于邻域去散点方法对其进行剔除,将其预测类别改为其周围多数点的预测类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091416.0A CN112189877B (zh) | 2020-10-13 | 2020-10-13 | 用于烟草生产线烟丝杂质的在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091416.0A CN112189877B (zh) | 2020-10-13 | 2020-10-13 | 用于烟草生产线烟丝杂质的在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112189877A true CN112189877A (zh) | 2021-01-08 |
CN112189877B CN112189877B (zh) | 2021-07-02 |
Family
ID=74008849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011091416.0A Active CN112189877B (zh) | 2020-10-13 | 2020-10-13 | 用于烟草生产线烟丝杂质的在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112189877B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800909A (zh) * | 2021-01-19 | 2021-05-14 | 红云红河烟草(集团)有限责任公司 | 一种自学习型的烟丝杂物视像检测方法 |
CN112819796A (zh) * | 2021-02-05 | 2021-05-18 | 杭州天宸建筑科技有限公司 | 烟丝异物识别方法及设备 |
CN113210264A (zh) * | 2021-05-19 | 2021-08-06 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113533349A (zh) * | 2021-07-19 | 2021-10-22 | 吴玉生 | 一种智能化烟丝杂质自动检测和剔除系统 |
CN114155385A (zh) * | 2021-11-30 | 2022-03-08 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
CN114705034A (zh) * | 2022-04-14 | 2022-07-05 | 安徽道源食品有限公司 | 一种自动烘干控制管理系统 |
WO2023070724A1 (zh) * | 2021-10-27 | 2023-05-04 | 江苏大学 | 一种烟丝低色度差塑料异物的脉冲光谱在线成像检测方法及其装置 |
GB2618044A (en) * | 2021-10-27 | 2023-10-25 | Univ Jiangsu | Method and apparatus for pulse spectrum online imaging detection of low-chromaticity-difference plastic foreign matters in tobacco shreds |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000028544A (ja) * | 1998-07-08 | 2000-01-28 | Japan Tobacco Inc | 近赤外線式異物検出装置 |
CN1382399A (zh) * | 2002-06-04 | 2002-12-04 | 重庆大学 | 烟草等物品在线检测中的异物识别方法 |
US20180121706A1 (en) * | 2012-11-19 | 2018-05-03 | Altria Client Services Llc | On-line oil and foreign matter detection system and method employing hyperspectral imaging |
CN109426225A (zh) * | 2017-09-01 | 2019-03-05 | 秦皇岛烟草机械有限责任公司 | 一种烟草制丝生产的质量控制方法 |
CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
-
2020
- 2020-10-13 CN CN202011091416.0A patent/CN112189877B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000028544A (ja) * | 1998-07-08 | 2000-01-28 | Japan Tobacco Inc | 近赤外線式異物検出装置 |
CN1382399A (zh) * | 2002-06-04 | 2002-12-04 | 重庆大学 | 烟草等物品在线检测中的异物识别方法 |
US20180121706A1 (en) * | 2012-11-19 | 2018-05-03 | Altria Client Services Llc | On-line oil and foreign matter detection system and method employing hyperspectral imaging |
CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
CN109426225A (zh) * | 2017-09-01 | 2019-03-05 | 秦皇岛烟草机械有限责任公司 | 一种烟草制丝生产的质量控制方法 |
CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
Non-Patent Citations (1)
Title |
---|
高震宇等: "基于卷积神经网络的烟丝物质组成识别方法", 《烟草科技》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800909A (zh) * | 2021-01-19 | 2021-05-14 | 红云红河烟草(集团)有限责任公司 | 一种自学习型的烟丝杂物视像检测方法 |
CN112819796A (zh) * | 2021-02-05 | 2021-05-18 | 杭州天宸建筑科技有限公司 | 烟丝异物识别方法及设备 |
CN113210264A (zh) * | 2021-05-19 | 2021-08-06 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113210264B (zh) * | 2021-05-19 | 2023-09-05 | 江苏鑫源烟草薄片有限公司 | 烟草杂物剔除方法及装置 |
CN113533349A (zh) * | 2021-07-19 | 2021-10-22 | 吴玉生 | 一种智能化烟丝杂质自动检测和剔除系统 |
WO2023070724A1 (zh) * | 2021-10-27 | 2023-05-04 | 江苏大学 | 一种烟丝低色度差塑料异物的脉冲光谱在线成像检测方法及其装置 |
GB2618044A (en) * | 2021-10-27 | 2023-10-25 | Univ Jiangsu | Method and apparatus for pulse spectrum online imaging detection of low-chromaticity-difference plastic foreign matters in tobacco shreds |
US11825871B2 (en) | 2021-10-27 | 2023-11-28 | Jiangsu University | Method and device for detecting plastic foreign objects with low chromaticity difference in shredded tobacco through online pulse spectral imaging |
GB2618044B (en) * | 2021-10-27 | 2024-04-10 | Univ Jiangsu | Method and device for detecting plastic foreign objects with low chromaticity difference in shredded tobacco through online pulse spectral imaging |
CN114155385A (zh) * | 2021-11-30 | 2022-03-08 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
CN114705034A (zh) * | 2022-04-14 | 2022-07-05 | 安徽道源食品有限公司 | 一种自动烘干控制管理系统 |
CN114705034B (zh) * | 2022-04-14 | 2023-04-11 | 安徽道源食品有限公司 | 一种自动烘干控制管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112189877B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112189877B (zh) | 用于烟草生产线烟丝杂质的在线检测方法 | |
Nachtigall et al. | Classification of apple tree disorders using convolutional neural networks | |
Doh et al. | Automatic citrus fruit disease detection by phenotyping using machine learning | |
Fuentes et al. | Automated grapevine cultivar classification based on machine learning using leaf morpho-colorimetry, fractal dimension and near-infrared spectroscopy parameters | |
Barnes et al. | Visual detection of blemishes in potatoes using minimalist boosted classifiers | |
Chen et al. | Combining discriminant analysis and neural networks for corn variety identification | |
Zapotoczny et al. | Application of image analysis for the varietal classification of barley:: Morphological features | |
Faisal et al. | Deep learning and computer vision for estimating date fruits type, maturity level, and weight | |
Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
Mustafa et al. | Classification of fruits using Probabilistic Neural Networks-Improvement using color features | |
Phillips et al. | Developing a new ensemble approach with multi-class SVMs for Manuka honey quality classification | |
Alharbi et al. | Detection and classification of apple diseases using convolutional neural networks | |
Font et al. | An image processing method for in-line nectarine variety verification based on the comparison of skin feature histogram vectors | |
Pandey et al. | A novel non-destructive grading method for Mango (Mangifera Indica L.) using fuzzy expert system | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
Sharath Kumar et al. | Identification and classification of fruit diseases | |
Lucca et al. | Applying aggregation and pre-aggregation functions in the classification of grape berries | |
Calixto et al. | Development of a computer vision approach as a useful tool to assist producers in harvesting yellow melon in northeastern Brazil | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
Du et al. | Application of near-infrared spectroscopy and CNN-TCN for the identification of foreign fibers in cotton layers | |
Setiawan et al. | Rice Foreign Object Classification Based on Integrated Color and Textural Feature Using Machine Learning. | |
Zhao et al. | Digital microscopic imaging for citrus peel disease classification using color texture features | |
Poojari et al. | Identification and solutions for grape leaf disease using convolutional neural network (CNN) | |
Malar et al. | Deep learning based disease detection in tomatoes | |
Indukuri et al. | Paddy Disease Classifier using Deep learning Techniques |
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 |