CN113421235A - 一种基于深度学习的烟支定位装置及方法 - Google Patents
一种基于深度学习的烟支定位装置及方法 Download PDFInfo
- Publication number
- CN113421235A CN113421235A CN202110669654.3A CN202110669654A CN113421235A CN 113421235 A CN113421235 A CN 113421235A CN 202110669654 A CN202110669654 A CN 202110669654A CN 113421235 A CN113421235 A CN 113421235A
- Authority
- CN
- China
- Prior art keywords
- cigarette
- model
- positioning
- deep learning
- detection
- 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
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 37
- 241000208125 Nicotiana Species 0.000 claims abstract description 25
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000002360 preparation method Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 10
- 238000013138 pruning Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000004821 distillation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013137 model compression technique Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
-
- 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
Abstract
本发明公开了一种基于深度学习的烟支定位装置及方法，属于工业检测和计算机视觉技术领域，烟支定位装置包括依次连接的照明装置、工业相机、数据采集及处理系统和剔除装置；工业相机和照明装置安装在固定支架上，位于烟支斜上侧；数据采集及处理系统用于工业相机的触发及烟支图像数据的采集与处理；剔除装置用于不合格烟支的剔除。烟支定位方法是采用基于深度学习的烟支定位装置对烟支进行定位检测；所述定位检测方法包括数据准备阶段、模型训练阶段和模型应用阶段。通过基于深度学习的模型进行烟支检测，对烟包中的烟支进行精准定位，解决了传统烟支检测器存在的烟支定位误差问题，实现了设备调试过程中对目标的自适应，减少人力物力的耗费。
Description
技术领域
本发明属于工业检测和计算机视觉技术领域，具体涉及一种基于深度学习的烟支定位装置及方法。
背景技术
在烟草加工生产的过程中，烟支质量的好坏直接影响最终产品的质量，从卷接机输送到包装线的烟支因为种种原因会有各种次品。为保证最终烟包的烟支质量，包装线上需要安装烟支检测器，用于检测烟包内单个烟支的装填情况(空松头检测)，以及整个烟包的完整性(缺支、缺嘴检测)，并对存在缺陷的烟包向包装机组控制系统发送剔除信号。
利用计算机视觉在检测工业现场的产品质量由来已久。主要通过设计检测目标的特征来进行检测，比较初步的采用边沿检测、阈值分割、各种滤波器等方法。这些方法虽然在实现起来比较简单而且运行速度快，但是其只能应用于打光固定且匀称的场景，在低噪声的情况下，只有检测算法才可以较好的检测出缺陷的边缘，可以使用固定的阈值对目标进行分割。同时参数调试工作量巨大，无法对目标进行自适应。在高噪声环境，对检测设备稳定运行带来巨大挑战。
近年来，基于深度学习的机器自学习技术的出现，使计算机视觉检测水平进入了更高的层次，尤其是在图像分类和目标检测方面表现出了优越性，也使得在线烟支质量检测迈向“自动化”、“智能化”成为可能。
采用传统计算机视觉技术设计的烟支检测器，面对设备抖动、系统触发时间的不确定性带来烟支定位误差的问题往往束手无策；同时设备调试过程无法对目标自适应，设备调试往往需要花费大量的人力。
发明内容
针对现有技术中存在的上述技术问题，本发明提出了一种基于深度学习的烟支定位装置及方法。
本发明的技术方案如下：
一种基于深度学习的烟支定位装置，包括依次连接的照明装置、工业相机、数据采集及处理系统和剔除装置；
所述照明装置和工业相机均安装在固定支架上，位于烟支烟丝一侧的斜上方，与烟支成一定的角度；
所述数据采集及处理系统通过通讯电缆与工业相机相连，被配置用于工业相机的触发及烟支图像数据的采集与处理；
剔除装置通过工业总线与数据采集及处理系统相连，被配置用于不合格烟支的剔除。
优选地，工业相机和所述照明装置与烟支所成角度均为20°～30°。
优选地，烟支定位装置的具体工作过程为：照明装置对烟支烟丝侧进行打光，减少外界环境对图像采集的干扰，获取清晰的烟支烟丝侧的图像；数据采集及处理系统控制工业相机采集烟丝的图像，并对采集的图像进行处理，判断烟支烟丝侧是否存在缺陷，如果存在缺陷，剔除装置进行剔除处理。
一种基于深度学习的烟支定位方法，采用如上所述基于深度学习的烟支定位装置对烟支进行定位检测；所述定位检测方法包括数据准备阶段、模型训练阶段和模型应用阶段；其中，
步骤1：数据准备阶段；
步骤1.1：利用烟支定位装置采集一定数量烟包的样本图片；
步骤1.2：将采集到的每张图片按照每支烟一个区域的原则进行标注，分成样本子图；
步骤1.3：对所有样本子图进行数据增强，得到数据增强后的训练样本、验证样本和测试样本；
步骤2：模型训练阶段；
步骤2.1：模型选取FasterRCNN作为目标检测网络；
步骤2.2：选择ResNet50作为主干网络进行训练；
步骤2.3：选择IMAGENET作为预训练模型；
步骤2.4：对图像数据进行增强处理；
步骤2.5：利用深度学习的方法进行模型训练，得到烟支端面轮廓的位置检测模型；
步骤3：模型应用阶段；
步骤3.1：将训练之后的检测模型进行导出并部署；
步骤3.2：对模型进行压缩以缩短模型的检测时间；
步骤3.2：在模型部署及压缩完成后，对烟包进行检测，判断烟支轮廓所在位置，进而完成烟包中各个烟支的定位。
优选地，步骤2.4中，图像增强处理的方式包括随机水平翻转、随机亮度、随机对比度、随机饱和度、随机调色。
优选地，步骤2.5中，模型训练时采用PaddleDetection套件，通过选择对应的Yaml文件，对模型参数进行修改完成训练。
优选地，Yaml文件的内容包括：基本信息、模型信息、学习率及优化器信息、训练信息、评估信息。
优选地，步骤3.1中，导出的模型部署在Python环境下对烟支进行定位检测，或通过C#调用C++的dll方式进行定位检测。
优选地，步骤3.2中，采用的模型压缩技术为剪枝、蒸馏或量化。
本发明所带来的有益技术效果：
通过基于深度学习的模型进行烟支检测，对烟包中的烟支进行精准定位，解决了传统烟支检测器在面对设备抖动、系统触发时间的不确定性时带来烟支定位误差的问题，实现了设备调试过程中对目标的自适应，减少人力物力的耗费。
附图说明
图1是基于深度学习的烟支定位装置主要组成部分的结构图；
图2是待检测烟包烟支排列示意图；
图3是烟包烟支位置检测结果示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
实施例1
图1具体展示了一种基于深度学习的烟支定位装置的结构，该装置主要包括依次连接的照明装置、作为视觉检测的工业相机、数据采集及处理系统和剔除装置。其中，工业相机和照明装置安装在固定支架上，位于被检测烟支的烟丝侧，与被检测烟支成一定的低角度(20°～30°)；数据采集及处理系统通过通讯电缆与工业相机相连，用于相机的触发及图像数据的采集；剔除装置通过工业总线与数据采集及处理系统相连，用于不合格烟支的剔除。
该装置的具体工作过程为：照明装置对烟支烟丝侧进行打光，减少外界环境对图像采集的干扰，获取更清晰的烟支烟丝侧的图像；数据采集及处理系统控制工业相机采集烟丝的图像，并对采集的图像进行处理，判断烟支烟丝侧是否存在缺陷，如果存在缺陷，控制剔除装置进行剔除处理。
实施例2
一种基于深度学习的烟支定位方法，采用实施例1中所述的基于深度学习的烟支定位装置对烟支进行检测定位。该方法需要完成三个阶段，分别为数据准备阶段、模型训练阶段和模型应用阶段。其中，
一、数据准备阶段。
步骤1.1：样本采集。利用基于深度学习的烟支定位装置采集一定数量的烟包的样本图片。
步骤1.2：样本标注。将采集到的每张图片，按照每支烟一个区域的原则进行标注，分成样本子图。
步骤1.3：样本子图的划分。对所有样本子图进行数据增强，得到数据增强后的训练样本、验证样本和测试样本。
二、模型训练阶段。
步骤2.1：选择模型Faster RCNN。
Faster RCNN在多个数据集上表现优秀，且容易进行迁移，对数据集中的目标类进行更改就可以很好的改变测试模型,相较于其他一阶段的检测网络，两阶段的网络更加的精准，更加可以解决多尺度、小目标问题，Faster RCNN通过两阶段加上RPN，实现高精度的检测性能。
步骤2.2：Backbone选择：ResNet50。
主干网络(Backbone)是用来做特征提取的网络，代表网络的一部分，一般是用于前端提取图片信息，生成特征图feature map,供后面的网络使用。采用ResNet50作为Backbone，特征提取能力是很强，并且可以加载官方在大型数据集(Pascal、Imagenet)上训练好的模型参数，然后接自己的网络，进行微调finetune即可。
步骤2.3：预训练模型选择：IMAGENET。
预训练模型就是已经用数据集训练好了的模型，现在常用的预训练模型包括VGG16/19，Resnet等模型，并用大型数据集来做训练集，比如IMAGENET,COCO等训练好的模型参数，其中IMAGENET项目是一个用于视觉对象识别软件研究的大型可视化数据库，可以直接用于目标检测，并且可以快速地得到最终模型，需要的训练数据少。
步骤2.4：图像增强：包括随机水平翻转、随机亮度、随机对比度、随机饱和度、随机调色等。
图像数据准备对神经网络与卷积神经网络模型训练有重要影响，当样本空间不够或者样本数量不足的时候会严重影响训练或者导致训练出来的模型泛化程度不够，识别率与准确率不高，数据增强这一技术，可以提高训练数据集的大小和质量，从而可以使用它们构建更好的深度学习模型。
步骤2.5：模型训练：利用深度学习的方法得到烟支端面轮廓的位置检测模型。
模型训练采用PaddleDetection套件，PaddleDetection套件的优势在于，其已经为我们准备好了常用的多达200+种的常用模型，我们在使用时无需再复现模型的内部结构，只需要选择对应的Yaml文件，并对其参数进行修改便可直接训练。Yaml文件的内容主要包括以下几个方面：基本信息，模型信息，学习率及优化器信息，训练信息，评估信息。
当Yaml文件设置完成之后，便可直接开始训练，只需一行代码即可，如下。
python tools/train.py-c configs\ssd\FasterRCNN.yml–eval
python tools/train.py-c configs\ssd\ssdlite_mobilenet_v3_large_fpn_Crop.yml–eval
python tools/train.py-c configs\ppyolo/ppyolo_mobilenet_v3_small_filter.yml--eval
而且经过一定实验对比，Faster RCNN网络模型预测效果最为准确。
三、模型应用阶段。
步骤3.1：检测部署。
训练之后的模型可以进行导出，导出的模型可以直接在Python环境下直接检测，也可以通过C#调用C++的dll方式进行检测。
步骤3.2：模型压缩。
为进一步缩短模型的检测时间，在深度学习中通常会使用模型压缩技术，模型压缩主要分为剪枝、蒸馏、量化三种方式。其中，
剪枝。按照一定比例对模型的每层网络结构进行修剪，将修剪之后的模型再进行训练，从而加快模型的检测速度。
量化。常用的模型量化方法是用int8类型的参数替换原模型中的float参数，从而达到加快模型检测速度的目的。
蒸馏。先利用一个大网络训练出较好的效果，再让一个小网络去学习这个大网络的参数，最终使得小网络的检测效果接近大网络，同时最后使用小网络进行检测，从而加快模型检测速度。
飞桨提供了专门用于模型压缩的套件，名为PaddleSlim。本发明采用该套件对模型分析网络敏感度、剪枝网络、重新训练。
经过实验发现，剪枝前检测时间CPU1200ms，GPU40ms，剪枝之后检测时间CPU270ms，GPU10ms。可以看到，对于本发明所使用的模型，剪枝大大压缩了模型的运行时间。
步骤3.3：采用上述检测模型对待测量产品(采集到的烟包图片)进行检测，判断烟支轮廓所在位置，进而完成烟包中各个烟支的定位。
图2是烟支在包装机中的一种排列方式，图2中为最为常见的767排列方式，即烟支分三层进行排列，其中，上层7支，下层7支，中间层6支。
图3是通过本发明基于深度学习的图像处理技术获取烟支定位的示意图，虚线圈内表示当前识别出的烟支位置，其中A1是上层的第一支烟，B1是下层的第一支烟，C1是中间层的第一支烟。从图也可以看出，识别出的烟支位置精准，不会出现定位误差。
本发明利用基于大数据的深度学习技术，对在线烟支检测器的检测对象烟支进行定位，获取烟支精确的实际位置，为进一步的判断烟支质量建立有利条件，从而大大提高烟包缺陷检测的精度。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的烟支定位装置，其特征在于，包括依次连接的照明装置、工业相机、数据采集及处理系统和剔除装置；
所述照明装置和工业相机均安装在固定支架上，位于烟支烟丝一侧的斜上方，与烟支成一定的角度；
所述数据采集及处理系统通过通讯电缆与工业相机相连，被配置用于工业相机的触发及烟支图像数据的采集与处理；
剔除装置通过工业总线与数据采集及处理系统相连，被配置用于不合格烟支的剔除。
2.根据权利要求1所述的基于深度学习的烟支定位装置，其特征在于，所述工业相机和所述照明装置与烟支所成角度均为20°～30°。
3.根据权利要求1所述的基于深度学习的烟支定位装置，其特征在于，所述烟支定位装置的具体工作过程为：照明装置对烟支烟丝侧进行打光，减少外界环境对图像采集的干扰，获取清晰的烟支烟丝侧的图像；数据采集及处理系统控制工业相机采集烟丝的图像，并对采集的图像进行处理，判断烟支烟丝侧是否存在缺陷，如果存在缺陷，剔除装置进行剔除处理。
4.一种基于深度学习的烟支定位方法，其特征在于，采用如权利要求1至3任意一项所述基于深度学习的烟支定位装置对烟支进行定位检测；所述定位检测方法包括数据准备阶段、模型训练阶段和模型应用阶段；其中，
步骤1：数据准备阶段；
步骤1.1：利用烟支定位装置采集一定数量烟包的样本图片；
步骤1.2：将采集到的每张图片按照每支烟一个区域的原则进行标注，分成样本子图；
步骤1.3：对所有样本子图进行数据增强，得到数据增强后的训练样本、验证样本和测试样本；
步骤2：模型训练阶段；
步骤2.1：模型选取Faster RCNN作为目标检测网络；
步骤2.2：选择ResNet50作为主干网络进行训练；
步骤2.3：选择IMAGENET作为预训练模型；
步骤2.4：对图像数据进行增强处理；
步骤2.5：利用深度学习的方法进行模型训练，得到烟支端面轮廓的位置检测模型；
步骤3：模型应用阶段；
步骤3.1：将训练之后的检测模型进行导出并部署；
步骤3.2：对模型进行压缩以缩短模型的检测时间；
步骤3.2：在模型部署及压缩完成后，对烟包进行检测，判断烟支轮廓所在位置，进而完成烟包中各个烟支的定位。
5.根据权利要求4所述的基于深度学习的烟支定位方法，其特征在于，所述步骤2.4中，图像增强处理的方式包括随机水平翻转、随机亮度、随机对比度、随机饱和度、随机调色。
6.根据权利要求4所述的基于深度学习的烟支定位方法，其特征在于，所述步骤2.5中，模型训练时采用PaddleDetection套件，通过选择对应的Yaml文件，对模型参数进行修改完成训练。
7.根据权利要求6所述的基于深度学习的烟支定位方法，其特征在于，所述Yaml文件的内容包括：基本信息、模型信息、学习率及优化器信息、训练信息、评估信息。
8.根据权利要求4所述的基于深度学习的烟支定位方法，其特征在于，所述步骤3.1中，导出的模型部署在Python环境下对烟支进行定位检测，或通过C#调用C++的dll方式进行定位检测。
9.根据权利要求4所述的基于深度学习的烟支定位方法，其特征在于，所述步骤3.2中，采用的模型压缩技术为剪枝、蒸馏或量化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110669654.3A CN113421235B (zh) | 2021-06-17 | 2021-06-17 | 一种基于深度学习的烟支定位装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110669654.3A CN113421235B (zh) | 2021-06-17 | 2021-06-17 | 一种基于深度学习的烟支定位装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113421235A true CN113421235A (zh) | 2021-09-21 |
| CN113421235B CN113421235B (zh) | 2023-06-20 |
Family
ID=77788770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110669654.3A Active CN113421235B (zh) | 2021-06-17 | 2021-06-17 | 一种基于深度学习的烟支定位装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113421235B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663437A (zh) * | 2022-05-25 | 2022-06-24 | 苏州中科行智智能科技有限公司 | 一种深度学习模型部署方法、设备及介质 |
| CN116681644A (zh) * | 2023-02-03 | 2023-09-01 | 红云红河烟草(集团)有限责任公司 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190373951A1 (en) * | 2018-06-12 | 2019-12-12 | Shenzhen Smoore Technology Limited | Electronic cigarette and power supply device |
| CN111189837A (zh) * | 2020-01-08 | 2020-05-22 | 征图新视(江苏)科技股份有限公司 | 一种烟支外观在线检测方法及其装置 |
| CN111260609A (zh) * | 2020-01-08 | 2020-06-09 | 征图新视(江苏)科技股份有限公司 | 一种基于深度学习的烟支外观缺陷检测方法 |
| US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111861978A (zh) * | 2020-05-29 | 2020-10-30 | 陕西师范大学 | 基于Faster R-CNN的桥梁裂缝实例分割方法 |
| CN112132780A (zh) * | 2020-08-17 | 2020-12-25 | 珠海市卓轩科技有限公司 | 基于深度神经网络的钢筋数量检测方法及系统 |
| CN112686322A (zh) * | 2020-12-31 | 2021-04-20 | 柳州柳新汽车冲压件有限公司 | 零件差异识别方法、装置、设备及存储介质 |
| 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 |
-
2021
- 2021-06-17 CN CN202110669654.3A patent/CN113421235B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190373951A1 (en) * | 2018-06-12 | 2019-12-12 | Shenzhen Smoore Technology Limited | Electronic cigarette and power supply device |
| US20200285896A1 (en) * | 2019-03-09 | 2020-09-10 | Tongji University | Method for person re-identification based on deep model with multi-loss fusion training strategy |
| WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
| CN111189837A (zh) * | 2020-01-08 | 2020-05-22 | 征图新视(江苏)科技股份有限公司 | 一种烟支外观在线检测方法及其装置 |
| CN111260609A (zh) * | 2020-01-08 | 2020-06-09 | 征图新视(江苏)科技股份有限公司 | 一种基于深度学习的烟支外观缺陷检测方法 |
| CN111861978A (zh) * | 2020-05-29 | 2020-10-30 | 陕西师范大学 | 基于Faster R-CNN的桥梁裂缝实例分割方法 |
| CN112132780A (zh) * | 2020-08-17 | 2020-12-25 | 珠海市卓轩科技有限公司 | 基于深度神经网络的钢筋数量检测方法及系统 |
| CN112686322A (zh) * | 2020-12-31 | 2021-04-20 | 柳州柳新汽车冲压件有限公司 | 零件差异识别方法、装置、设备及存储介质 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| SHAOQING REN 等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", ARXIV, pages 1 - 14 * |
| 任嘉锋 等: "基于改进YOLOv3的火灾检测与识别", 计算机系统应用, pages 175 - 180 * |
| 杨彩虹等: "C800包装机烟包外观检测装置的设计", 《包装工程》 * |
| 杨彩虹等: "C800包装机烟包外观检测装置的设计", 《包装工程》, no. 05, 10 March 2020 (2020-03-10), pages 210 - 217 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663437A (zh) * | 2022-05-25 | 2022-06-24 | 苏州中科行智智能科技有限公司 | 一种深度学习模型部署方法、设备及介质 |
| CN116681644A (zh) * | 2023-02-03 | 2023-09-01 | 红云红河烟草(集团)有限责任公司 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
| CN116681644B (zh) * | 2023-02-03 | 2024-01-12 | 红云红河烟草(集团)有限责任公司 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113421235B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
| CN108009591B (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
| CN113421235A (zh) | 一种基于深度学习的烟支定位装置及方法 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
| TW202036353A (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
| CN111127448B (zh) | 一种基于孤立森林检测空气弹簧故障的方法 | |
| CN110533642A (zh) | 一种绝缘子损伤的检测方法 | |
| CN105004722A (zh) | 一种烟叶成熟度快速检测方法 | |
| CN113723325A (zh) | 一种装配式预制构件的工装缺陷检测系统 | |
| CN110458126A (zh) | 一种受电弓状态监测方法及装置 | |
| CN112014413A (zh) | 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法 | |
| CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
| CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
| CN109752393B (zh) | 一种基于图像特征的贴片电阻型号检测方法及其装置 | |
| CN110888812A (zh) | 终端页面的响应时间的测试系统及测试方法 | |
| CN112837640A (zh) | 屏幕动态画面测试方法、系统、电子设备及存储介质 | |
| CN111028207B (zh) | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 | |
| CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN114398250A (zh) | 基于功能场景的车辆测试评估方法及装置 | |
| CN111669575B (zh) | 图像处理效果的测试方法、系统、电子设备、介质及终端 | |
| CN113723841A (zh) | 一种装配式预制构件中工装缺失的在线检测方法 | |
| CN113469994A (zh) | 受电弓检测方法、装置、电子设备和存储介质 | |
| CN111537512A (zh) | 一种基于深度学习的烟梗形态智能识别系统及方法 | |
| Ma et al. | Machine vision-based surface inspection system for rebar |
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 |