CN114778561A - 一种基于机器视觉的烟丝质量追溯方法及系统 - Google Patents
一种基于机器视觉的烟丝质量追溯方法及系统 Download PDFInfo
- Publication number
- CN114778561A CN114778561A CN202210275387.6A CN202210275387A CN114778561A CN 114778561 A CN114778561 A CN 114778561A CN 202210275387 A CN202210275387 A CN 202210275387A CN 114778561 A CN114778561 A CN 114778561A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- quality
- tobacco shred
- image
- processing
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 52
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims abstract description 71
- 239000000463 material Substances 0.000 claims abstract description 59
- 238000004519 manufacturing process Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 28
- 239000000779 smoke Substances 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000011143 downstream manufacturing Methods 0.000 claims abstract description 8
- 238000003908 quality control method Methods 0.000 claims abstract description 7
- 238000013441 quality evaluation Methods 0.000 claims abstract description 5
- 239000000047 product Substances 0.000 claims description 38
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims description 9
- 238000003892 spreading Methods 0.000 claims description 9
- 230000007480 spreading Effects 0.000 claims description 9
- 239000005357 flat glass Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 235000013601 eggs Nutrition 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 239000002023 wood Substances 0.000 claims description 4
- 244000025254 Cannabis sativa Species 0.000 claims description 3
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 claims description 3
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 claims description 3
- 229920000742 Cotton Polymers 0.000 claims description 3
- 241000238631 Hexapoda Species 0.000 claims description 3
- 235000009120 camo Nutrition 0.000 claims description 3
- 235000005607 chanvre indien Nutrition 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 210000003746 feather Anatomy 0.000 claims description 3
- 239000006260 foam Substances 0.000 claims description 3
- 239000011487 hemp Substances 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000004033 plastic Substances 0.000 claims description 3
- 235000019504 cigarettes Nutrition 0.000 description 13
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000019505 tobacco product Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N2021/8925—Inclusions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Textile Engineering (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明公开了一种基于机器视觉的烟丝质量追溯方法,包括:检测烟丝生产加工过程中的异物种类、数量及含量,收集烟丝的上游加工数据,评估烟丝质量,追溯上游物料质量,根据质量评估改良上游加工工艺;根据异物情况预测物料的质量趋势,自适应调节下游对应工序生产参数,对下游加工环节提供物料质量控制和追溯;所述检测烟丝生产加工过程中的异物种类、数量及含量:采集加工过程中烟丝的图像,通过图像处理算法判断烟丝中是否含有非烟异物;若存在非烟异物,使用深度学习算法进一步对图像进行分析,识别异物种类、数量和含量。本发明提高烟丝中异物检测的效率,并根据异物情况追溯烟丝的质量,调整烟丝加工工艺,提高烟丝质量。
Description
技术领域
本发明涉及烟丝加工检测领域,具体涉及一种基于机器视觉的烟丝质量追溯方法及系统。
背景技术
近年来,消费者对卷烟产品质量的关注程度日益增高,烟丝作为卷烟产品最基本的原材料,一般由烟叶经初烤、加潮、叶梗分离、复烤、切片、加香、切丝、烘丝、混合等复杂工艺制成。在繁杂的加工过程中,将不可避免地掺入部分非烟杂质,如人造合成有机物、虫卵、木材、石头、玻璃等。烟丝中异物的含量、类别、大小等参数均是影响卷烟产品质量的关键。
为获取烟丝异物参数,传统检测方法需在各烟丝加工环节进行人工抽样检测,其过程可能破坏烟丝结构,检测效率低,检测结果存在滞后性且易受检测人员主观因素影响,不利于提高卷烟产品质量,阻碍了卷烟设备向智能化、精细化方向发展。
随着机器视觉技术的飞速发展,在烟草制品检测领域,开始研究无损检测方法来取缔传统的破坏性检测方法,可以提高检测效率和精度,且有效降低检测过程中原料的浪费,节约生产成本。于是,各种基于机器视觉的检测手段和装置不断出现。如:湖南磐钴传动科技有限公司申请的发明专利202110933900.1公开了一种基于图像处理的烟叶质量参数检测方法及系统,该系统通过搭建物理系统、图片获取、单位标定、读入多组烟叶图像、输入烟叶的质量与厚度及像素尺寸比、图像预处理、烟叶体积与密度及尺寸输出、烟叶密度分布曲线输出等手段得出烟叶综合性能评价指标,进而评价烟叶的质量指标。又如:红塔烟草(集团)有限责任公司申请的发明专利201610592881.X公开了一种基于视觉的烟草异物剔除方法及装置,该装置首先经过一边输送一边振动的方式使其分散、均匀,然后进行加速振动输送使物料单层化处理,再进入匀速输送带,采用点阵CCD摄像机摄取烟叶的实时图像,送入数字处理单元对图像的灰度信号进行分析及处理,确定异物的位置,控制对应该位置、该时间点的相应电磁阀打开压缩空气对输送物料进行侧向喷吹,将异物吹落至皮带两旁的异物料斗内,最终完成异物检测及剔除。
然而,以上现有技术均没有考虑以下问题:烟丝生产制造过程需经过多个加工环节,各环节均可能导致不同类型的异物掺入,而不同异物对卷烟质量的影响也不同。以上现有技术仅可检测是否含有异物,并对异物进行剔除,未从异物产生和物料质量入手,根本性解决异物问题,也未对烟丝的上下游进行质量追溯。
发明内容
本发明的目的在于:针对上述存在的问题,提供一种基于机器视觉的烟丝质量追溯方法及系统,获取高质量的在线烟丝图像,高速有效的检测烟草中含有的非烟异物;同时识别出异物的种类、数量及占比,进行统计分析,保存分析结果,并追溯上游物料质量,预测物料的质量趋势,控制下游产品质量,提高卷烟产品质量。
本发明的技术方案如下:
本发明一种基于机器视觉的烟丝质量追溯方法,包括:检测烟丝生产加工过程中的异物种类、数量及含量,收集烟丝的上游加工数据,评估烟丝质量,追溯上游物料质量,根据质量评估改良上游加工工艺;根据异物情况预测物料的质量趋势,自适应调节下游对应工序生产参数,对下游加工环节提供物料质量控制和追溯。
作为优选,所述检测烟丝生产加工过程中的异物种类、数量及含量的方法:采集加工过程中烟丝的图像,通过图像处理算法判断烟丝中是否含有非烟异物;若存在非烟异物,使用深度学习算法进一步对图像进行分析,识别异物种类、数量和含量。
作为优选,所述图像处理算法具体包括:
图像预处理:对原始烟丝图像进行图像增强处理、图像去噪处理、图像分割处理或图像差分处理中的一种或几种处理;
特征提取:特征提取对象包括但不局限于烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵、灰度分布、灰度对比度、黑白像素比例、查找表或分类器。
作为优选,所述深度学习算法具体包括:
采用纯净的烟丝图像、含有异物的烟丝图像和异物图像训练预设的深度学习模型;
根据训练好的深度学习模型提取待检测异物图像的特征;
利用基于预设深度学习模型训练的分类器对含异物烟丝图像的异物种类进行识别,生成待检测烟丝图像的识别结果。
本发明一种基于机器视觉的烟丝质量追溯系统,包括异物检测系统,以及烟丝质量追溯系统;
所述异物检测系统,用于检测烟丝中的异物种类、异物数量和异物含量;
所述烟丝质量追溯系统,用于分析和统计异物检测系统检测的结果,以及批次号、牌号、产地、上游加工工艺及厂家数据,评估上游物料质量,改良加工工艺;同时预测物料的质量趋势,对后续加工环节参数进行修改;追溯和控制上下游烟丝质量。
作为优选,所述异物检测系统包括图像采集装置和一体控制柜;
所述图像采集装置,安装于敞开式烟丝生产线输送设备正上方,或者两级输送设备落差处,用于采集在线输送过程中烟丝表面的所有信息;
所述一体控制柜包括图像处理器,根据采集的烟丝图像,通过图像处理算法和深度学习算法,判断烟丝中是否含有非烟异物,以及识别非烟异物种类和数量。
作为优选,还包括物料摊薄装置,用于将输送带上的物料摊薄,限制物料的厚度,方便烟丝物料的图像采集;所述图像采集装置和一体控制柜为一体化设计。
作为优选,所述物料摊薄装置包括拨料辊,拨料辊架设于皮带机上方,通过旋转将物料横向摊铺,拨料辊转速与皮带机匹配。
作为优选,所述图像采集装置包括柜体,柜体内设置有分隔视窗玻璃,分隔视窗玻璃一侧的柜体内设置有相机、照明光源、反光镜和通讯控制电气,相机、照明光源和反光镜分别固定在相机安装支架、光源安装调整支架和反光镜安装调整支架上。
作为优选,所述异物种类包括但不限于塑料制品、橡胶制品、泡沫制品、金属制品、石子、玻璃制品、昆虫虫卵、毛发、羽毛、木制品、纸制品、棉线、布制品或麻制品。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明通过对摄像机、光源的配置与角度调控,确保连续采集到的输送带上的烟丝表面清晰的图像,并连续将图像通过以太网传输至图像处理器,通过图像处理器通过对连续采集到的图像进行判断,通过深度学习算法识别异物信息,实现烟丝生产加工过程中的高效精确的异物检测。
2、本发明不仅检测异物,还检测烟丝中的异物类型、数量及含量,全面统计不同批次烟丝的异物参数、批次号、产地等信息,对物料作出质量评估,精确评估烟丝物料的质量。
3、本发明根据质量评估结果对物料上游加工环节提出合理优化建议,改良加工工艺,减少烟丝异物含量;同时对后续加工环节参数进行修改,对下游加工环节提供物料质量控制和追溯,有效降低烟丝异物对卷烟产品参数影响,从而提高卷烟产品质量。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明一种基于机器视觉的烟丝质量追溯方法的流程图。
图2是本发明一种基于机器视觉的烟丝质量追溯系统的结构示意图。
图3是本发明实施例中图像采集装置柜的结构示意图。
附图标记:1-通讯控制电气、2-相机安装支架、3-工业相机、4-照明光源、5-光源安装调整支架、6-分隔视窗玻璃、7-图像采集装置柜、8-烟丝生产线输送设备一、9-一体控制柜;10-烟丝生产线输送设备二。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示,本发明公开了一种基于机器视觉的烟丝质量追溯方法,包括:检测烟丝生产加工过程中的异物种类、数量及含量,收集烟丝的上游加工数据,评估烟丝质量,追溯上游物料质量,根据质量评估改良上游加工工艺;根据异物情况预测物料的质量趋势,自适应调节下游对应工序生产参数,对下游加工环节提供物料质量控制和追溯。
其中,通过图像采集装置实时采集烟丝图像,根据图像处理算法判断烟丝中是否含有非烟异物,若存在非烟异物则使用深度学习算法进一步对图像进行分析,识别、存储异物种类和数量,若不存在非烟异物,直接进入烟丝下游加工环节。开发质量追溯系统,待当前加工批次加工结束后,对该批次烟丝物料的异物种类及数量进行统计分析,并按照行业标准计算各类异物的含量,存储该批次物料的异物种类、异物数量、异物含量、批次号、牌号、产地、上游加工工艺及厂家等数据,分析和统计存储在数据库的多批次数据,以此评估、预测上游物料质量,对上游加工环节给出合理优化提升建议,优化烟丝加工过程的工艺技术流程和参数,优化烟丝质量。通过质量追溯软件,提供下游质量控制及追溯,结合下游各工序的生产工艺参数对卷烟产品参数进行预判,建立科学有效的生产工艺优化体系,及时有效地指导烟丝加工,最终提高卷烟的生产质量,实现烟丝加工的管控一体化发展。
在一个实施例中,对于在线收集到的输送过程中烟丝表面的所有信息,通过图像处理算法,对采集到的图片实时判别,并能对生产线上的烟丝指标进行在线检测及监测并分析统计及记录,对偏差较大的数据予以报警提示;同时,判别是否存在异物,如发现异物,报警并通知线控PLC,线控PLC根据收到的信号,通过程序控制剔除装置将生产线上含有异物的少量烟丝剔除出生产线,提高产品的纯净度。使用深度学习算法分析该含异物烟丝图片,识别所含异物种类及数量,保留以上数据供质量追溯系统使用。
图像处理算法包括图像预处理和特征提取,其中图像预处理具体为:对原始烟丝图像进行图像增强处理、图像去噪处理、图像分割处理及图像差分处理中的一种或几种。特征提取对象包括但不局限于烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵、灰度分布、灰度对比度、黑白像素比例、查找表、分类器等。
深度学习算法步骤包括:通过若干纯净的烟丝图像、含有异物的烟丝图像、异物图像训练预设的深度学习模型,其中预设深度学习模型包括多种基于卷积神经网络的深度学习模型。根据训练好的深度学习模型提取待检测异物图像的特征,利用基于预设深度学习模型训练的分类器对含异物烟丝图像的异物种类进行识别,生成待检测烟丝图像的识别结果。
待检测烟丝图像的识别结果包括烟丝异物种类及数量,其中异物种类包括但不限于塑料制品、橡胶制品、泡沫制品、金属制品、石子、玻璃制品、昆虫虫卵、毛发、羽毛、木制品、纸制品、棉线、布制品、麻制品。
质量追溯系统软件包含多批次烟丝异物参数(异物种类、数量、含量)、批次号、产地等数据储存与转换,对上述参数进行分析与统计;对正在检测的烟丝物料进行识别,作出合理的烟丝质量预测、评估,根据异物情况对上游加工环节给出合理提升建议,通过调整对应工序的工艺参数以优化烟丝质量。结合下游各工序的生产工艺参数对卷烟产品参数进行预判,建立科学有效的生产工艺优化体系,及时有效地指导烟丝加工,并提供烟丝质量控制和追溯。
本发明公开了一种基于机器视觉的烟丝质量追溯系统,包括异物检测系统,以及烟丝质量追溯系统;
所述异物检测系统,用于检测烟丝中的异物种类、异物数量和异物含量;
所述烟丝质量追溯系统,用于分析和统计异物检测系统检测的结果,以及批次号、牌号、产地、上游加工工艺及厂家数据,评估上游物料质量,改良加工工艺;同时预测物料的质量趋势,对后续加工环节参数进行修改;追溯和控制上下游烟丝质量。
如图2所示,异物检测系统包括图像采集装置柜7和一体控制柜9;
图像采集装置柜7,安装于敞开式烟丝生产线输送设备正上方,或者两级输送设备落差处,两级输送设备包括烟丝生产线输送设备一8和烟丝生产线输送设备二10;用于采集在线输送过程中烟丝表面的所有信息;
一体控制柜9包括图像处理器,根据采集的烟丝图像,通过图像处理算法和深度学习算法,判断烟丝中是否含有非烟异物,以及识别非烟异物种类和数量。
如图3所示,图像采集装置柜7内设置有分隔视窗玻璃6、工业相机3、相机安装支架2、照明光源4、光源安装调整支架5、反光镜、反光镜安装调整支架和通讯控制电气1等。通讯控制电气1为现有常规技术,工业相机3、照明光源4和反光镜分别固定在相机安装支架、光源安装调整支架和反光镜安装调整支架上。分隔视窗玻璃6安装在图像采集装置柜7内,分隔视窗玻璃6的作用是将工业相机3、照明光源4和通讯控制电气1等与生产线输送的烟丝进行分隔,避免灰尘污染工业相机、照明光源和通讯控制电气等。工业相机是用来对输送过程中的烟丝进行图像采集,设置为彩色工业线扫描相机。工业相机安装于所述相机安装支架上,可以做一定范围的调节,如前后调节、左右调节、上下调节等。照明光源是用来对生产线输送设备中的烟丝进行照明,安装于所述光源安装调整支架上。设置为LED线光源,可以做角度调整,也可以通过控制做亮度调节,以采集图像清晰、无阴影为标准。
一体控制柜9是控制的核心,柜内配有图像处理器、键盘鼠标、显示器、交换机、USBI/O模块、电源、空开、接触器、继电器等。一体控制柜设置于图像采集装置柜附近。图像处理器可以是工控机,也可以是如DSP、FPGA等构成的专用的图像处理装置。
在另一个实施例中,基于机器视觉的烟丝质量追溯系统还包括物料摊薄装置,用于将输送带上的物料摊薄,限制物料的厚度,方便烟丝物料的图像采集;物料摊薄装置架设于皮带机上方,由带转动轴的拨料辊,通过旋转将物料横向摊铺,使输送带上的物料经摊薄后厚度小于3mm,其中拨料辊转速与皮带机匹配。
本发明通过对摄像机、光源的配置与角度调控,确保连续采集到的输送带上的烟丝表面清晰的图像,并连续将图像通过以太网传输至图像处理器,通过图像处理器通过对连续采集到的图像进行判断,通过深度学习算法识别异物信息,实现烟丝生产加工过程中的检测数据进行记录,通过质量追溯软件对检测数据进行监控,根据异物数据自适应调节对应工序生产参数,形成质量闭环控制系统,实现烟丝质量追溯,从而提高卷烟质量。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (10)
1.一种基于机器视觉的烟丝质量追溯方法,其特征在于,包括:检测烟丝生产加工过程中的异物种类、数量及含量,收集烟丝的上游加工数据,评估烟丝质量,追溯上游物料质量,根据质量评估改良上游加工工艺;根据异物情况预测物料的质量趋势,自适应调节下游对应工序生产参数,对下游加工环节提供物料质量控制和追溯。
2.根据权利要求1所述的基于机器视觉的烟丝质量追溯方法,其特征在于,所述检测烟丝生产加工过程中的异物种类、数量及含量的方法:采集加工过程中烟丝的图像,通过图像处理算法判断烟丝中是否含有非烟异物;若存在非烟异物,使用深度学习算法进一步对图像进行分析,识别异物种类、数量和含量。
3.根据权利要求2所述的基于机器视觉的烟丝质量追溯方法,其特征在于,所述图像处理算法具体包括:
图像预处理:对原始烟丝图像进行图像增强处理、图像去噪处理、图像分割处理或图像差分处理中的一种或几种处理;
特征提取:特征提取对象包括但不局限于烟丝增强图像中连通域个数、连通域总面积、灰度共生矩阵、灰度分布、灰度对比度、黑白像素比例、查找表或分类器。
4.根据权利要求2所述的基于机器视觉的烟丝质量追溯方法,其特征在于,所述深度学习算法具体包括:
采用纯净的烟丝图像、含有异物的烟丝图像和异物图像训练预设的深度学习模型;
根据训练好的深度学习模型提取待检测异物图像的特征;
利用基于预设深度学习模型训练的分类器对含异物烟丝图像的异物种类进行识别,生成待检测烟丝图像的识别结果。
5.一种基于机器视觉的烟丝质量追溯系统,其特征在于,包括异物检测系统,以及烟丝质量追溯系统;
所述异物检测系统,用于检测烟丝中的异物种类、异物数量和异物含量;
所述烟丝质量追溯系统,用于分析和统计异物检测系统检测的结果,以及批次号、牌号、产地、上游加工工艺及厂家数据,评估上游物料质量,改良加工工艺;同时预测物料的质量趋势,对后续加工环节参数进行修改;追溯和控制上下游烟丝质量。
6.根据权利要求5所述的基于机器视觉的烟丝质量追溯系统,其特征在于,所述异物检测系统包括图像采集装置和一体控制柜;
所述图像采集装置,安装于敞开式烟丝生产线输送设备正上方,或者两级输送设备落差处,用于采集在线输送过程中烟丝表面的所有信息;
所述一体控制柜包括图像处理器,根据采集的烟丝图像,通过图像处理算法和深度学习算法,判断烟丝中是否含有非烟异物,以及识别非烟异物种类和数量。
7.根据权利要求6所述的基于机器视觉的烟丝质量追溯系统,其特征在于,还包括物料摊薄装置,用于将输送带上的物料摊薄,限制物料的厚度,方便烟丝物料的图像采集;所述图像采集装置和一体控制柜为一体化设计。
8.根据权利要求7所述的基于机器视觉的烟丝质量追溯系统,其特征在于,所述物料摊薄装置包括拨料辊,拨料辊架设于皮带机上方,通过旋转将物料横向摊铺,拨料辊转速与皮带机匹配。
9.根据权利要求6所述的基于机器视觉的烟丝质量追溯系统,其特征在于,所述图像采集装置包括柜体,柜体内设置有分隔视窗玻璃,分隔视窗玻璃一侧的柜体内设置有相机、照明光源、反光镜和通讯控制电气,相机、照明光源和反光镜分别固定在相机安装支架、光源安装调整支架和反光镜安装调整支架上。
10.根据权利要求5或9所述的基于机器视觉的烟丝质量追溯系统,其特征在于,所述异物种类包括但不限于塑料制品、橡胶制品、泡沫制品、金属制品、石子、玻璃制品、昆虫虫卵、毛发、羽毛、木制品、纸制品、棉线、布制品或麻制品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275387.6A CN114778561A (zh) | 2022-03-21 | 2022-03-21 | 一种基于机器视觉的烟丝质量追溯方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275387.6A CN114778561A (zh) | 2022-03-21 | 2022-03-21 | 一种基于机器视觉的烟丝质量追溯方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114778561A true CN114778561A (zh) | 2022-07-22 |
Family
ID=82425593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210275387.6A Pending CN114778561A (zh) | 2022-03-21 | 2022-03-21 | 一种基于机器视觉的烟丝质量追溯方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114778561A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115281365A (zh) * | 2022-08-02 | 2022-11-04 | 厦门烟草工业有限责任公司 | 一种杂物检测系统及杂物检测方法 |
CN117172723A (zh) * | 2023-11-02 | 2023-12-05 | 山东中烟工业有限责任公司青州卷烟厂 | 一种基于人工智能的卷烟生产加工智能管理系统 |
CN117643388A (zh) * | 2024-01-30 | 2024-03-05 | 四川威斯派克科技有限公司 | 一种打叶复烤多点集成近红外监测系统 |
-
2022
- 2022-03-21 CN CN202210275387.6A patent/CN114778561A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115281365A (zh) * | 2022-08-02 | 2022-11-04 | 厦门烟草工业有限责任公司 | 一种杂物检测系统及杂物检测方法 |
CN117172723A (zh) * | 2023-11-02 | 2023-12-05 | 山东中烟工业有限责任公司青州卷烟厂 | 一种基于人工智能的卷烟生产加工智能管理系统 |
CN117172723B (zh) * | 2023-11-02 | 2024-01-19 | 山东中烟工业有限责任公司青州卷烟厂 | 一种基于人工智能的卷烟生产加工智能管理系统 |
CN117643388A (zh) * | 2024-01-30 | 2024-03-05 | 四川威斯派克科技有限公司 | 一种打叶复烤多点集成近红外监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114778561A (zh) | 一种基于机器视觉的烟丝质量追溯方法及系统 | |
CN111067131B (zh) | 一种烟叶等级自动识别分拣方法 | |
CN106918594B (zh) | 一种在线分析籽棉色特征和杂质的方法 | |
CN107486415A (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN104138851A (zh) | 基于振动给料与成像识别的大颗粒物料分选系统及方法 | |
CN110394307B (zh) | 一种烟叶自动检测分拣系统 | |
CN110479635B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
Alikhanov et al. | Design and performance of an automatic egg sorting system based on computer vision | |
CN109625460A (zh) | 一种烟叶原料质量在线监视装置及其监视方法 | |
CN111563519A (zh) | 基于Stacking加权集成学习的茶叶杂质识别方法及分选设备 | |
CN100593044C (zh) | 在纺纱准备机器上清理纤维材料的方法和设备 | |
CN115128033A (zh) | 烟叶检测方法、装置和系统、存储介质 | |
CN113526176A (zh) | 烟丝结构快速检测机构 | |
CN109275948B (zh) | 一种卷烟机烟丝分布检测装置及联合调节方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN112270378A (zh) | 一种基于计算机视觉的废玻璃人工智能分选方法 | |
CN116087208B (zh) | 一种基于图像识别的塑料制品检测系统 | |
CN111307805A (zh) | 一种基于视觉特征融合的打叶质量检测装置及检测方法 | |
CN114062366A (zh) | 烟草制丝生产风选剔梗质量在线检测方法及系统 | |
CN110090809A (zh) | 一种在线高速无损自动分拣单倍体玉米籽粒的装置 | |
CN213848724U (zh) | 一种使用导流板剔除梗丝中轻薄片的装置 | |
CN214622266U (zh) | 基于背景光的e-tpu鞋中底缺陷检测设备 | |
CN111537512A (zh) | 一种基于深度学习的烟梗形态智能识别系统及方法 | |
CN112858311A (zh) | 一种基于机器视觉技术的稻米表型监测系统及方法 | |
CN111626339A (zh) | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
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 |