CN113210264B

CN113210264B - 烟草杂物剔除方法及装置

Info

Publication number: CN113210264B
Application number: CN202110544549.7A
Authority: CN
Inventors: 吴锐; 郑庆元
Original assignee: Jiangsu Xinyuan Tobacco Slice Co ltd
Current assignee: Jiangsu Xinyuan Tobacco Slice Co ltd
Priority date: 2021-05-19
Filing date: 2021-05-19
Publication date: 2023-09-05
Anticipated expiration: 2041-05-19
Also published as: CN113210264A

Abstract

本发明实施例提供一种烟草杂物剔除方法及装置，所述方法包括：将烟草物料投入多级风选设备，进行初步分离，得到初步筛选结果；获取历史杂物样本，将杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；物料图像采集装置采集初步筛选结果中的烟草物料图像，并将烟草物料图像输入到卷积神经网络模型，得到第一杂物筛选结果；光谱图像采集装置采集初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到卷积神经网络模型，得到第二杂物筛选结果；结合第一杂物筛选结果和第二杂物筛选结果，得到烟草物料的最终筛选结果。采用本方法能够在节省人力资源的前提下，提高烟草杂质的剔除率，尽可能的减少烟草物料中的杂质。

Description

烟草杂物剔除方法及装置

技术领域

本发明涉及烟草制造技术领域，尤其涉及一种烟草杂物剔除方法及装置。

背景技术

在我国的烟草制造业中，随着生产技术的不断改进和升级，生产时流水线工程的自动化程度越来越高，对得到的烟草产品的质量要求也越来越高。但是，在生成的过程中，烟叶物料中或多或少会混进一些其他杂物，而这些杂物如果不进行剔除的话，会影响成品卷烟的品质，所以要及时并且准确的对这些混入杂物进行清除。

传统烟草加工中遇到的杂物问题，现有的杂物清理，大多都需要人工参与配合，如果没有人工配合，自动检测杂物，则准确率很低，很难彻底的清楚卷烟中的杂物。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种烟草杂物剔除方法及装置。

本发明实施例提供一种烟草杂物剔除方法，包括：

将烟草物料投入多级风选设备，并通过所述多级风选设备对所述烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果；

获取历史杂物样本，根据所述历史杂物样本确定对应的杂物特征数据，并将所述杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；

物料图像采集装置采集所述初步筛选结果中的烟草物料图像，并将所述烟草物料图像输入到训练后的卷积神经网络模型，通过所述烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果；

光谱图像采集装置采集所述初步筛选结果中的烟草物料光谱，并将所述烟草物料光谱输入到训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果；

结合所述第一杂物筛选结果和所述第二杂物筛选结果，得到所述烟草物料的最终筛选结果。

在其中一个实施例中，所述方法还包括：

获取生产线上的原始物料的高光谱图像，将所述高光谱图像输入到训练后的卷积神经网络模型进行二次训练；

所述将烟草物料光谱输入到训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果，包括：

将烟草物料光谱输入到二次训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果。

在其中一个实施例中，所述方法还包括：

获取所述初步筛选结果对应的初步烟草物料图像，通过HSV色彩空间变换技术，将所述初步烟草物料图像转化为对应矩阵；

根据所述矩阵计算对应的数据结果，根据所述数据结果分割出所述初步烟草物料图像的烟草物料部分和杂物部分，并剔除所述杂物部分。

在其中一个实施例中，所述方法还包括：

判断筛选结果是否符合所述第一杂物筛选结果的同时符合所述第二杂物筛选结果；

当所述筛选结果符合所述第一杂物筛选结果的同时符合所述第二杂物筛选结果，所述筛选结果为最终筛选结果。

在其中一个实施例中，所述方法还包括：

获取所述烟草物料的总重量、烟梗比重，根据所述总重量、烟梗比重预设所述多级风选设备中各个等级的风力数据。

本发明实施例提供一种烟草杂物剔除装置，包括：

初步筛选模块，用于将烟草物料投入多级风选设备，并通过所述多级风选设备对所述烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果；

获取模块，用于获取历史杂物样本，根据所述历史杂物样本确定对应的杂物特征数据，并将所述杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；

第一采集模块，用于通过物料图像采集装置采集所述初步筛选结果中的烟草物料图像，并将所述烟草物料图像输入到训练后的卷积神经网络模型，通过所述烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果；

第二采集模块，用于通过光谱图像采集装置采集所述初步筛选结果中的烟草物料光谱，并将所述烟草物料光谱输入到训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果；

结合模块，用于结合所述第一杂物筛选结果和所述第二杂物筛选结果，得到所述烟草物料的最终筛选结果。

在其中一个实施例中，所述装置还包括：

第二获取模块，用于获取生产线上的原始物料的高光谱图像，将所述高光谱图像输入到训练后的卷积神经网络模型进行二次训练；

输入模块，用于将烟草物料光谱输入到二次训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果。

在其中一个实施例中，所述装置还包括：

第三获取模块，用于获取所述初步筛选结果对应的初步烟草物料图像，通过HSV色彩空间变换技术，将所述初步烟草物料图像转化为对应矩阵；

分割模块，用于根据所述矩阵计算对应的数据结果，根据所述数据结果分割出所述初步烟草物料图像的烟草物料部分和杂物部分，并剔除所述杂物部分。

本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述烟草杂物剔除方法的步骤。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述烟草杂物剔除方法的步骤。

本发明实施例提供的烟草杂物剔除方法及装置，将烟草物料投入多级风选设备，并通过多级风选设备对烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果；获取历史杂物样本，根据历史杂物样本确定对应的杂物特征数据，并将杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；物料图像采集装置采集初步筛选结果中的烟草物料图像，并将烟草物料图像输入到训练后的卷积神经网络模型，通过烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果；光谱图像采集装置采集初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到训练后的卷积神经网络模型，通过烟草物料光谱，得到第二杂物筛选结果；结合第一杂物筛选结果和第二杂物筛选结果，得到烟草物料的最终筛选结果。这样能够在节省人力资源的前提下，提高烟草杂质的剔除率，尽可能的减少烟草物料中的杂质。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中烟草杂物剔除方法的流程图；

图2为本发明实施例中多级风选设备的结构图；

图3为本发明实施例中烟草杂物剔除装置的结构图；

图4为本发明实施例中电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的烟草杂物剔除方法的流程示意图，如图1所示，本发明实施例提供了一种烟草杂物剔除方法，包括：

步骤S101，将烟草物料投入多级风选设备，并通过所述多级风选设备对所述烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果。

具体地，将烟草物料投入到多级风选设备中，其中，烟草物料指的是卷烟组成部分中的烟梗部分，风力选别机能根据比重对烟梗进行风选，多级风选设备可以如图2所示，并且多级风选设备的设计中需针对总重量、烟梗比重、形状优化设计的风选结构以及风选设备中各个登记的风力数据，减少烟梗造碎的同时避免风道堵塞，结合负压吸附与重力下落，实现轻、重杂质的同时分选，实现烟梗中50%以上杂质的初步剔除，得到初步筛选结果，为后续精选奠定良好基础。通过烟梗风选智能化装备，实现轻质杂物与重杂物的初步分选。

步骤S102，获取历史杂物样本，根据所述历史杂物样本确定对应的杂物特征数据，并将所述杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述杂物特征数据包括：杂物颜色、杂物形状、杂物光谱。

具体地，获取烟草杂质样本库中的历史杂物样本，根据历史杂物样本可以确定对应的杂物特征数据，其中，杂物特征数据包括：杂物颜色、杂物形状、杂物光谱，然后将杂物数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，训练后的卷积神经网络模型通过深度学习，包含对于杂物颜色、杂物形状、杂物光谱的识别功能。

步骤S103，物料图像采集装置采集所述初步筛选结果中的烟草物料图像，并将所述烟草物料图像输入到训练后的卷积神经网络模型，通过所述烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果。

具体地，通过物料图像采集装置采集初步筛选结果中对应的烟草物料图像，并将烟草物料图像输入到训练后的卷积神经网络模型，具体的训练过程是通过获取烟草物料图像的图像颜色和图像形状，然后通过图像颜色和图像形状输入到训练后的卷积神经网络模型，训练后的卷积神经网络模型通过深度学习的结果，可以得到图像颜色和图像形状中的杂物，进而得到第一杂物筛选结果，通过深度学习进行颜色和形状的杂物筛选，可以比较全面的深度筛选杂物并剔除。

步骤S104，光谱图像采集装置采集所述初步筛选结果中的烟草物料光谱，并将所述烟草物料光谱输入到训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果。

具体地，通过光谱图像采集装置采集初步筛选结果中对应的烟草物料光谱，并将烟草物料光谱输入到训练后的卷积神经网络模型，具体的训练过程是将烟草物料光谱输入到训练后的卷积神经网络模型，训练后的卷积神经网络模型通过深度学习的结果，可以得到烟草物料光谱中属于杂物的光谱，进而得到第二杂物筛选结果，通过光谱筛选，可以筛选烟草物料中透明的杂物。

另外，还可以获取生产线上的原始物料的高光谱图像，将高光谱图像输入到训练后的卷积神经网络模型进行二次训练，即在进行光谱训练时，不仅可以通过杂物的光谱进行深度学习，还可以获取原始物料的光谱进行深度学习，然后进行烟草物料光谱输入时，能更准确的得到第二杂物筛选结果。

步骤S105，结合所述第一杂物筛选结果和所述第二杂物筛选结果，得到所述烟草物料的最终筛选结果。

具体地，将通过图像颜色和图像形状进行深度学习筛选后的第一杂物筛选结果和通过烟草物料光谱进行深度学习筛选后的第二杂物筛选结果，当筛选结果符合第一杂物筛选结果的同时符合第二杂物筛选结果，筛选结果为最终筛选结果，得到综合性的烟草物料的最终筛选结果。

本发明实施例提供的一种烟草杂物剔除方法，将烟草物料投入多级风选设备，并通过多级风选设备对烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果；获取历史杂物样本，根据历史杂物样本确定对应的杂物特征数据，并将杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；物料图像采集装置采集初步筛选结果中的烟草物料图像，并将烟草物料图像输入到训练后的卷积神经网络模型，通过烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果；光谱图像采集装置采集初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到训练后的卷积神经网络模型，通过烟草物料光谱，得到第二杂物筛选结果；结合第一杂物筛选结果和第二杂物筛选结果，得到烟草物料的最终筛选结果。这样能够在节省人力资源的前提下，提高烟草杂质的剔除率，尽可能的减少烟草物料中的杂质。

在上述实施例的基础上，所述烟草杂物剔除方法，还包括：

本发明实施例中，获取初步筛选结果对应的初步烟草物料图像，将采集到的将采集到的图像进过图像预处理，通过公式转换到HSV色彩空间，形成对应的矩阵。根据矩阵计算对应的数据结果，根据数据结果分割出初步烟草物料图像的烟草物料部分和杂物部分，并剔除所述杂物部分，具体地，利用相对软阈值分割出图像的烟叶和杂质部分。

本发明实施例通过对图像进行预处理剔除一部分烟草杂物，方便后续进一步进行杂物剔除。

在另一个实施例中，烟草杂物剔除方法还可以基于残差区域神经网络的多模态融合杂物智能识别技术来识别初步烟草物料图像中的杂物信息，残差结构使得网络的深度得以进一步加深，相比于传统的神经网络，能够有效的提升网络提取特征的能力，从而更加准确的从图像获取烟梗中的杂质信息，其中，

当网络的层数由l增加至L时

其梯度损失为：

这一损失梯度使得网络的深度能够得以加深，从而更有效提取图像中的各类特征，而在后续的检测网络（PANet）中包括24个卷积层和2个全连接层，其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

网络将输入图像分成S×S个格子，每个格子负责检测该格子内的物体。若某个物体的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。每个格子输出B个bounding box（包含物体的矩形区域）信息，以及C个物体属于某种类别的概率信息。

图2为本发明实施例提供的一种电子站牌的终端管理装置，包括：初步筛选模块S201、获取模块S202、第一采集模块S203、第二采集模块S204、结合模块S205，其中：

初步筛选模块，用于将烟草物料投入多级风选设备，并通过所述多级风选设备对所述烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果。

获取模块，用于获取历史杂物样本，根据所述历史杂物样本确定对应的杂物特征数据，并将所述杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述杂物特征数据包括：杂物颜色、杂物形状、杂物光谱。

第一采集模块，用于通过物料图像采集装置采集所述初步筛选结果中的烟草物料图像，并将所述烟草物料图像输入到训练后的卷积神经网络模型，通过所述烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果。

第二采集模块，用于通过光谱图像采集装置采集所述初步筛选结果中的烟草物料光谱，并将所述烟草物料光谱输入到训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果。

在一个实施例中，装置还可以包括：

第二获取模块，用于获取生产线上的原始物料的高光谱图像，将所述高光谱图像输入到训练后的卷积神经网络模型进行二次训练。

在一个实施例中，装置还可以包括：

第三获取模块，用于获取所述初步筛选结果对应的初步烟草物料图像，通过HSV色彩空间变换技术，将所述初步烟草物料图像转化为对应矩阵。

在一个实施例中，装置还可以包括：

判断模块，用于判断筛选结果是否符合所述第一杂物筛选结果的同时符合所述第二杂物筛选结果。

确定模块，用于当所述筛选结果符合所述第一杂物筛选结果的同时符合所述第二杂物筛选结果，所述筛选结果为最终筛选结果。

在一个实施例中，装置还可以包括：

第四获取模块，用于获取所述烟草物料的总重量、烟梗比重，根据所述总重量、烟梗比重预设所述多级风选设备中各个等级的风力数据。

关于烟草杂物剔除装置的具体限定可以参见上文中对于烟草杂物剔除方法的限定，在此不再赘述。上述烟草杂物剔除装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：将烟草物料投入多级风选设备，并通过多级风选设备对烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果；获取历史杂物样本，根据历史杂物样本确定对应的杂物特征数据，并将杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；物料图像采集装置采集初步筛选结果中的烟草物料图像，并将烟草物料图像输入到训练后的卷积神经网络模型，通过烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果；光谱图像采集装置采集初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到训练后的卷积神经网络模型，通过烟草物料光谱，得到第二杂物筛选结果；结合第一杂物筛选结果和第二杂物筛选结果，得到烟草物料的最终筛选结果。

此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：将烟草物料投入多级风选设备，并通过多级风选设备对烟草物料和烟草物料中的杂物进行初步分离，得到初步筛选结果；获取历史杂物样本，根据历史杂物样本确定对应的杂物特征数据，并将杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；物料图像采集装置采集初步筛选结果中的烟草物料图像，并将烟草物料图像输入到训练后的卷积神经网络模型，通过烟草物料图像的图像颜色和图像形状，得到第一杂物筛选结果；光谱图像采集装置采集初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到训练后的卷积神经网络模型，通过烟草物料光谱，得到第二杂物筛选结果；结合第一杂物筛选结果和第二杂物筛选结果，得到烟草物料的最终筛选结果。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种烟草杂物剔除方法，其特征在于，包括：

光谱图像采集装置采集所述初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到二次训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果；

2.根据权利要求1所述的烟草杂物剔除方法，其特征在于，所述得到初步筛选结果之后，还包括：

3.根据权利要求1所述的烟草杂物剔除方法，其特征在于，所述多级风选设备，包括：

4.一种烟草杂物剔除装置，其特征在于，所述烟草杂物剔除装置包括：

第一获取模块，用于获取历史杂物样本，根据所述历史杂物样本确定对应的杂物特征数据，并将所述杂物特征数据输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，所述杂物特征数据包括：杂物颜色、杂物形状、杂物光谱；

第二采集模块，用于通过光谱图像采集装置采集所述初步筛选结果中的烟草物料光谱，并将烟草物料光谱输入到二次训练后的卷积神经网络模型，通过所述烟草物料光谱，得到第二杂物筛选结果；

结合模块，用于判断筛选结果是否符合所述第一杂物筛选结果的同时符合所述第二杂物筛选结果；

5.根据权利要求4中所述的烟草杂物剔除装置，其特征在于，所述烟草杂物剔除装置还包括：

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述烟草杂物剔除方法的步骤。

7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述烟草杂物剔除方法的步骤。