CN112766141A - 一种烟草卷包设备异物检测方法及系统 - Google Patents
一种烟草卷包设备异物检测方法及系统 Download PDFInfo
- Publication number
- CN112766141A CN112766141A CN202110053055.9A CN202110053055A CN112766141A CN 112766141 A CN112766141 A CN 112766141A CN 202110053055 A CN202110053055 A CN 202110053055A CN 112766141 A CN112766141 A CN 112766141A
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- unit
- tobacco
- matter detection
- detection model
- 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
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 106
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000005096 rolling process Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 235000019504 cigarettes Nutrition 0.000 description 10
- 238000007689 inspection Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种烟草卷包设备异物检测方法及系统,通过基于YOLOv3算法建立烟草卷包设备异物检测模型,将训练样本的训练及测试数据集的测试再调优相结合,有效提高了烟草卷包设备异物检测模型的准确率,极大地降低了人工成本;同时,根据测试结果为不同类型的异物设定了不同的阈值,进一步提高了检测的准确率,解决了难易样本不均衡所导致的模型准确率不稳定的问题。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种烟草卷包设备异物检测方法及系统。
背景技术
随着科技的进步以及硬件计算力的提升,采用人工监控审核的方式已经远远不能满足需要,因此智能监控技术应用而生并迅速成为一个研究热点。卷烟厂卷包车间设备的保养和点检是车间设备保障工作的重要环节,设备保养和点检的质量关系着车间产量目标的完成、产品质量的保障和消耗指标的控制。目前卷包车间设备保养评价采用分级检查模式,工作人员需要观察监控图像来一步一步查找异物点(烟丝、烟屑、烟灰、胶、胶垢、飞絮、铁屑、油渍、滤棒等)并评判保养情况,其中夹杂很多主观因素,工作人员判别标准的严格程度、经验值等因素都会影响其审查结果。另外,可能由于设备的老化,设备上的异物很难区分开,一是背景复杂度较高,二是异物较复杂(异物与异物之间的界限的判断受主观因素大,另外异物的大小不定,比如可能细小的烟丝人工视觉难以满足这种场合的需求),不仅耗费大量人力、时间和管理成本,且效率低下,返工率高。因此卷烟厂卷包车间顺应技术潮流,采用智能监控的方式来审核保养情况,即通过计算机视觉来代替人工视觉,这样能提高审核的公平度以及审核的准确率,同时能够方便工作人员的取证,降低工作人员的用眼度,提高生产效率,打造出新一代智慧工厂。
由于科技的不断发展,市面上也出现了几种烟丝检测识别产品,用来降低人工成本、提高工作效率。典型的有几下两种:
基于机器视觉的生产线残余烟丝检测系统,该系统将待检测的烟丝桶置于辊子输送带上进行输送,手摇式滚珠丝杠直线模组安装在烟丝桶的上方,相机通过相机固定架与滚珠丝杠直线模组相连,相机与相机固定架相对转动连接,相机固定架与带槽圆盘连接,光源固定架与带槽圆盘连接并相对带槽圆盘水平转动;多个条形光源均转动安装在光源固定架上,条形光源的光源朝向待检测的烟丝桶设置,相机的镜头端竖直向下依次穿过带槽圆盘、光源固定架后朝向待检测的烟丝桶设置,控制器与相机通过数据线连接,光电传感器与控制器通过电缆线相连。该系统主要是通过机器视觉对烟草已取出并清扫的烟丝桶内部进行图像采集检测,判断烟丝桶内有无烟丝残余。然而机器视觉检测系统主要包括检测平台、相机、光源、图像处理平台,其检测环境要求极高。卷包车间设备的一些部位并不能将其放在合适的光源和检测平台上进行检测。
基于微波的湿团烟丝检测剔除方法,该方法主要通过以下几步实现:1)设计制作微波小功率微波发生器和微波强度检测器组合,该组合的长度和输送待检物料的皮带宽度一致,微波发生器和微波强度检测器按每5 20cm分布1组;2)设计与微波发生器和微波强度检测器相对应电源供给系统,提供稳定的电源确保微波发生器产生稳定的微波;3)把小功率微波发生器和微波强度检测器组合安装在相应皮带上,将每个微波强度检测器输出信号接入控制系统,在控制系统中配备信号处理,并和剔除器建立延时联动;该基于微波的湿团烟丝检测剔除方法可以根据微波场强度变化来判断湿团烟丝的存在,再通过剔除设备给予剔除。该方法目的是提供一种可以根据微波场强度变化来判断湿团烟丝的存在,再通过剔除设备给予剔除的基于微波的湿团烟丝检测剔除方法。根据微波的湿团烟丝检测剔除方法,可以开发相应的湿团烟丝和金属物检测剔除设备,应用于制丝过程中,从而剔除烟丝中的湿团烟丝,避免产生黄斑烟支,或避免金属物进入卷烟机导致设备损坏或停机;确保烟支质量和设备安全,弥补烟丝中的湿团烟丝检测剔除空白。这种方法主要是针对湿团烟丝进行检测,卷包车间设备保养后一些遗留的异物比如烟丝、烟屑、胶垢等则不能够定点检测。
因此目前卷烟厂主要还是通过人工审核的方式来检查交接班期间卷包车间设备保养情况,但是人工审核的方式存在以下问题:一是人工审核夹杂很多主观因素,工作人员判别标准的严格程度、经验值等因素都会影响其审查结果;二是由于设备的老化设备上的异物很难区分,主要原因是背景复杂度较高、异物较复杂,异物较复杂主要体现在异物与异物之间的界限的判断受主观因素影响大、异物的大小不确定等方面,例如对细小的烟丝或者夜班审核时受光线的影响,人工视觉难以满足多种场合的需要,因此,人工审核不仅耗费大量人力、时间和管理成本,且效率低下,返工率高。
发明内容
有鉴于此,本发明提供了一种烟草卷包设备异物检测方法及系统,使用人工智能图像识别方法对摄像头等设备采集的图像进行分析实现了高效的烟草卷包设备的异物检测。
本发明提供的一种烟草卷包设备异物检测方法,包括以下步骤:
基于YOLOv3算法建立烟草卷包设备异物检测模型,初步设置所述烟草卷包设备异物检测模型的参数,采用由烟草卷包设备异物图像及对应的标签构成的训练样本集对所述烟草卷包设备异物检测模型进行初步训练;然后,采用模型测试集测试所述烟草卷包设备异物检测模型,评估测试结果得到评估结果,根据所述评估结果确定所述烟草卷包设备异物检测模型的参数调优方案,根据所述参数调优方案设置所述烟草卷包设备异物检测模型完成所述烟草卷包设备异物检测模型的训练,其中,所述参数调优方案中包含不同异物类型的判断阈值;
使用中,将采集到的待检测烟草卷包设备的图像输入训练完成的所述烟草卷包设备异物检测模型,得到异物类型和异物位置信息,完成对所述待检测烟草卷包设备的检测。
进一步地,所述初步设置所述烟草卷包设备异物检测模型的参数,包括:设置Darknet网络的动量系数为0.9、权重衰减系数为0.0005及最大训练批次为100000步。
进一步地,所述模型测试集包含关键帧图像及对应的标签,所述关键帧图像为采用帧间差分法从测试视频中提取得到测试图像。
进一步地,所述评估结果包括平均准确率、召回率、真正类率、假正类率、真负类率、漏检率及虚警率。
本发明提供的一种烟草卷包设备异物检测系统,包括图像采集单元、图像预处理单元、异物检测单元、检测模型训练控制单元、检测模型优化单元、检测模型配置单元及训练样本集;
所述图像采集单元,用于采集烟草卷包设备的图像;
所述图像预处理单元,用于从所述图像采集单元输出的图像中提取关键帧作为待测图像;
所述异物检测单元,用于对所述图像预处理单元输入的所述待测图像进行检测,输出所述烟草卷包设备上是否存在异物、异物类型及异物位置;
所述检测模型训练控制单元,用于控制所述异物检测单元的训练过程,当所述训练样本集中新增样本时,启动所述异物检测单元的初步训练过程;当所述异物检测单元初步训练完毕后,启动所述检测模型优化单元;
所述检测模型优化单元,用于采用测试数据对完成初步训练的所述异物检测单元进行测试,通过对测试结果的评估确定所述异物检测单元的优化方案;
所述检测模型配置单元,用于所述异物检测单元的初始配置、根据所述检测模型优化单元生成的所述优化方案设置所述异物检测单元;
所述训练样本集,用于为所述异物检测单元的训练提供样本数据,包括烟草卷包设备异物图像及对应的标签。
进一步地,所述图像预处理单元从所述图像采集单元输出的图像中提取关键帧的方式为采用帧间差分法提取。
进一步地,所述异物检测单元输出的检测结果中存在未检出或检测错误的情况时,通过人工识别、标注图像形成新的样本增加到所述训练样本集中。
进一步地,所述图像采集单元包括摄像头或AR眼镜。
有益效果:
1、本发明基于YOLOv3算法建立烟草卷包设备异物检测模型,通过将训练样本的训练及测试数据集的测试再调优相结合,有效提高了烟草卷包设备异物检测模型的准确率,极大地降低了人工成本;同时,根据测试结果为不同类型的异物设定了不同的阈值,进一步提高了检测的准确率,解决了难易样本不均衡所导致的模型准确率不稳定的问题。
2、本发明采用提取关键帧的图像预处理方式,解决了视频信息实时高精度处理的问题,提高了检测的精度,降低了检测时的计算量,满足了检测的实时性需求。
附图说明
图1为本发明提供的一种烟草卷包设备异物检测方法建立的检测模型的结构示意图。
图2为本发明提供的一种烟草卷包设备异物检测方法建立的检测模型的测试优化过程示意图。
图3为本发明提供的一种烟草卷包设备异物检测系统的结构示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供的一种烟草卷包设备异物检测方法及系统,其核心思想是:基于YOLOv3算法构建了烟草卷包设备异物检测模型,采用涵盖多种异物类别的样本数据库训练烟草卷包设备异物检测模型,在此基础上,采用测试数据集对训练得到烟草卷包设备异物检测模型进行测试,根据测试结果对烟草卷包设备异物检测模型进一步调优得到最终的烟草卷包设备异物检测模型,将待测图像输入烟草卷包设备异物检测模型识别异物的种类和位置信息。
本发明提供了一种烟草卷包设备异物检测方法,具体包括以下步骤:
步骤1、构建训练样本集。
采集烟草卷包设备异物图像。由于机型的不同、观察视角范围的不同,都会导致异物形状产生较大差异,因此,为了保证模型的训练效果,本发明需要全方面采集大量数据。
然后,使用labelimg等标注工具完成对采集到的烟草卷包设备异物图像的标注,制作数据集。由于异物形态多样,异物种类之间的界限标注时要明确一致,严格按照所定标准标注,避免出现标注的异物类别间的模糊界定。
步骤2、基于YOLOv3算法建立烟草卷包设备异物检测模型,如图1所示,采用步骤1生成的训练样本集完成烟草卷包设备异物检测模型的训练。
针对烟草设备的异物类别和形态的特点,配置YOLOv3算法中的Darknet网络超参数,具体来说,经过实验验证,设置Darknet网络的动量系数为0.9、权重衰减系数为0.0005、最大训练批次为100000步,此外,为避免训练出现过拟合,学习率采用分布调整的策略。同时,为了进一步提高模型的训练效率,本发明选用开源的预训练权重darknet53.conv.74.weights初始化Darknet网络额卷积层。
本发明为进一步提升模型的检测精度,采用提高输入图像分辨率的方式。例如,由于采集的视频图像的尺寸普遍较大,因此本发明将输入图像的尺寸由默认的416×416调整为832×832像素大小,以提高模型检测的速度和精度。
步骤3、对完成训练的烟草卷包设备异物检测模型进行测试、评估和优化,如图2所示。
步骤3.1、提取测试视频的关键帧作为测试图像,将测试图像输入烟草卷包设备异物检测模型得到测试结果,测试结果包括异物类型及异物位置。
本发明采用训练好的烟草卷包设备异物检测模型对关键帧进行测试,有利于提高测试的实时性。其中,提取视频关键帧的方法,可以采用帧间差分法,但不限于此。帧间差分法,即将两帧图像进行差分,计算得到图像的平均像素变化强度,以此来衡量两帧图像的变化强度,对于连续的视频帧,计算当前帧与前一帧的像素平均帧间差分强度,选择具有局部强度最大值的视频帧作为关键帧。实验表明,帧间差分法提取到的关键帧均匀分布在视频中,视频丰富度上表现更佳。
步骤3.2、评估步骤3.1得到的测试结果,并根据评估结果对烟草卷包设备异物检测模型的参数进行调优。当评估结果满足设定阈值时,结束测试过程,输出当前烟草卷包设备异物检测模型。根据模型的测试结果,确定不同异物类型的最佳判断阈值。
其中,测试结果的评估包括计算平均准确率mAP、召回率、真正类率、假正类率、真负类率、F1-score、漏检率、虚警率等参数。由于异物类型的差异很大,为了进一步提高检测精度,本发明根据测试结果为每类异物设置了不同的判断阈值,即将测试结果中每类异物的具有最高检测精度的阈值固定该类异物的判断阈值。这一过程结束后,通常保存检测结果或检测结果日志。
一般来说,选择平均准确率最高的模型作为最终的烟草卷包设备异物检测模型,用于卷包设备异物检测。
步骤4、实际使用中,通过AR眼镜或摄像头采集待检测烟草卷包设备的视频信息,再由图像提取工具提取待测图像,将待测图像输入烟草卷包设备异物检测模型得到异物类型和异物位置信息,完成对待检测烟草卷包设备的检测。
本发明为了进一步提高模型的准确性,增加了人工优化环节,即在实际使用中对于未被检测到的异物或者识别错误的异物,则手动选择类别并定位,并将该信息作为样本数据保存在训练样本集中,通过采用新的训练样本集对模型进行重新训练实现模型的进一步优化。
采用本发明提供的一种烟草卷包设备异物检测方法,本发明提出了一种烟草卷包设备异物检测系统,系统结构如图3所示,具体包括:图像采集单元、图像预处理单元、异物检测单元、检测模型训练控制单元、检测模型优化单元、检测模型配置单元及训练样本集。
其中,图像采集单元,用于采集烟草卷包设备的图像。
图像预处理单元,用于从图像采集单元输出的待测视频中提取关键帧作为待测图像。其中,提取视频关键帧的方式可以是采用帧间差分法提取。
异物检测单元,用于对图像预处理单元输入的待测图像进行检测判断烟草卷包设备上是否存在异物。对于异物检测单元的输出增加人工识别,当输出结果中存在未检出或检测错误的情况时,经过人工识别、标注形成新的样本增加到训练样本集中。
检测模型训练控制单元,用于控制异物检测单元中检测模型的训练过程,当训练样本集中新增样本时,启动检测模型的训练过程,当检测模型训练完毕后,启动检测模型优化单元。
检测模型优化单元,用于采用测试数据对完成训练的异物检测单元进行测试,通过对测试结果的评估确定对异物检测单元优化方案。
检测模型配置单元,用于针对烟草设备的异物类别和形态的特点实现异物检测单元中的检测模型的初始配置,并且能够根据检测模型优化单元确定的优化方案完成异物检测单元中的检测模型的优化配置。其中,对于基于YOLOv3算法的检测模型来说,配置内容为配置YOLOv3算法中的Darknet网络超参数。
训练样本集,用于为异物检测单元的训练提供样本数据,包括烟草卷包设备异物图像及其对应的标签。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种烟草卷包设备异物检测方法,其特征在于,包括以下步骤:
基于YOLOv3算法建立烟草卷包设备异物检测模型,初步设置所述烟草卷包设备异物检测模型的参数,采用由烟草卷包设备异物图像及对应的标签构成的训练样本集对所述烟草卷包设备异物检测模型进行初步训练;然后,采用模型测试集测试所述烟草卷包设备异物检测模型,评估测试结果得到评估结果,根据所述评估结果确定所述烟草卷包设备异物检测模型的参数调优方案,根据所述参数调优方案设置所述烟草卷包设备异物检测模型完成所述烟草卷包设备异物检测模型的训练,其中,所述参数调优方案中包含不同异物类型的判断阈值;
使用中,将采集到的待检测烟草卷包设备的图像输入训练完成的所述烟草卷包设备异物检测模型,得到异物类型和异物位置信息,完成对所述待检测烟草卷包设备的检测。
2.根据权利要求1所述的方法,其特征在于,所述初步设置所述烟草卷包设备异物检测模型的参数,包括:设置Darknet网络的动量系数为0.9、权重衰减系数为0.0005及最大训练批次为100000步。
3.根据权利要求1所述的方法,其特征在于,所述模型测试集包含关键帧图像及对应的标签,所述关键帧图像为采用帧间差分法从测试视频中提取得到测试图像。
4.根据权利要求1所述的方法,其特征在于,所述评估结果包括平均准确率、召回率、真正类率、假正类率、真负类率、漏检率及虚警率。
5.一种烟草卷包设备异物检测系统,其特征在于,包括图像采集单元、图像预处理单元、异物检测单元、检测模型训练控制单元、检测模型优化单元、检测模型配置单元及训练样本集;
所述图像采集单元,用于采集烟草卷包设备的图像;
所述图像预处理单元,用于从所述图像采集单元输出的图像中提取关键帧作为待测图像;
所述异物检测单元,用于对所述图像预处理单元输入的所述待测图像进行检测,输出所述烟草卷包设备上是否存在异物、异物类型及异物位置;
所述检测模型训练控制单元,用于控制所述异物检测单元的训练过程,当所述训练样本集中新增样本时,启动所述异物检测单元的初步训练过程;当所述异物检测单元初步训练完毕后,启动所述检测模型优化单元;
所述检测模型优化单元,用于采用测试数据对完成初步训练的所述异物检测单元进行测试,通过对测试结果的评估确定所述异物检测单元的优化方案;
所述检测模型配置单元,用于所述异物检测单元的初始配置、根据所述检测模型优化单元生成的所述优化方案设置所述异物检测单元;
所述训练样本集,用于为所述异物检测单元的训练提供样本数据,包括烟草卷包设备异物图像及对应的标签。
6.根据权利要求5所述的系统,其特征在于,所述图像预处理单元从所述图像采集单元输出的图像中提取关键帧的方式为采用帧间差分法提取。
7.根据权利要求5所述的系统,其特征在于,所述异物检测单元输出的检测结果中存在未检出或检测错误的情况时,通过人工识别、标注图像形成新的样本增加到所述训练样本集中。
8.根据权利要求5所述的系统,其特征在于,所述图像采集单元包括摄像头或AR眼镜。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011636679 | 2020-12-31 | ||
CN2020116366795 | 2020-12-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766141A true CN112766141A (zh) | 2021-05-07 |
Family
ID=75700837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110053055.9A Pending CN112766141A (zh) | 2020-12-31 | 2021-01-15 | 一种烟草卷包设备异物检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766141A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110191103A (zh) * | 2019-05-10 | 2019-08-30 | 长安通信科技有限责任公司 | 一种dga域名检测分类方法 |
CN111723657A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 一种基于YOLOv3与自优化的河道异物检测方法及装置 |
WO2020248515A1 (zh) * | 2019-06-13 | 2020-12-17 | 苏州玖物互通智能科技有限公司 | 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法 |
-
2021
- 2021-01-15 CN CN202110053055.9A patent/CN112766141A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110191103A (zh) * | 2019-05-10 | 2019-08-30 | 长安通信科技有限责任公司 | 一种dga域名检测分类方法 |
WO2020248515A1 (zh) * | 2019-06-13 | 2020-12-17 | 苏州玖物互通智能科技有限公司 | 结合帧间差分与贝叶斯分类器的车辆行人检测识别方法 |
CN111723657A (zh) * | 2020-05-12 | 2020-09-29 | 中国电子系统技术有限公司 | 一种基于YOLOv3与自优化的河道异物检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
崔江;王友仁;: "基于聚类预处理和支持向量机的模拟电路故障诊断技术" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110403232B (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN101907453B (zh) | 基于机器视觉的块状农产品尺寸在线测量方法与装置 | |
CN110779937A (zh) | 一种铸件产品内部缺陷智能检测装置 | |
CN107886500A (zh) | 一种基于机器视觉和机器学习的产品生产监控方法及系统 | |
CN101949686A (zh) | 水果内外综合品质在线无损检测方法及装置 | |
CN105335692A (zh) | 一种轮胎x光图像检测识别方法及系统 | |
CN102221559A (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN108685158B (zh) | 基于自动光学检测技术的切丝机智能维护方法和系统 | |
CN103698341B (zh) | 一种棉花轧工质量检测系统及棉花轧工质量图像检测方法 | |
CN106556611A (zh) | 基于机器视觉的彩色印刷品缺陷自动检测系统及检测方法 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN110146516A (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN105092579A (zh) | 一种芒果品质无损检测设备 | |
CN110517233A (zh) | 一种基于人工智能的缺陷分类学习系统及其分类方法 | |
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 | |
CN111754737A (zh) | 一种计量装置安装验收在线识别评价装置及评价方法 | |
CN112766141A (zh) | 一种烟草卷包设备异物检测方法及系统 | |
CN115128033A (zh) | 烟叶检测方法、装置和系统、存储介质 | |
de la Cruz et al. | Convolutional neural networks for the Hass avocado classification using LabVIEW in an agro-industrial plant | |
CN110243826A (zh) | 一种产品在线检测方法及装置 | |
CN114062366B (zh) | 烟草制丝生产风选剔梗质量在线检测方法及系统 | |
CN205128440U (zh) | 圆柱锂电池油墨打标不良品的在线监测和筛选装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |