CN114998312A - 烟丝宽度检测方法、装置和存储介质 - Google Patents
烟丝宽度检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114998312A CN114998312A CN202210821271.8A CN202210821271A CN114998312A CN 114998312 A CN114998312 A CN 114998312A CN 202210821271 A CN202210821271 A CN 202210821271A CN 114998312 A CN114998312 A CN 114998312A
- Authority
- CN
- China
- Prior art keywords
- width
- tobacco
- tobacco shred
- image
- width 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.)
- Pending
Links
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种烟丝宽度检测方法、装置和存储介质,涉及烟草工艺及机器视觉技术应用领域。该方法包括:基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值;基于第二烟丝宽度检测模型,确定待检测烟丝的第二宽度值;以及根据第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,以及第一宽度值和第二宽度值,得到待检测烟丝的实际宽度值。相比于采用人工抽选的方式检测烟丝的实际宽度值,本公开利用第一烟丝宽度检测模型和第二烟丝宽度检测模型自动检测烟丝宽度,能够提高发现异常烟丝的效率,并且能够减少产线工人的工作强度及质量漏检的风险,从而降低产线烟丝质量控制的风险。
Description
技术领域
本公开涉及烟草工艺及机器视觉技术应用领域,尤其涉及一种烟丝宽度检测方法、装置和存储介质。
背景技术
在制丝加工过程中,切丝后烟丝宽度的稳定性,对制丝环节产品质量保障具有重要意义。因此,切丝工序是对成品烟丝宽度影响最关键的一道工序。如果切丝烟丝宽度等质量异常情况,没有被准确及时发现剔除而流入下游工序,烟丝结构对烟支空头影响较大,会严重影响卷烟成品质量,给消费者带来不良体验。目前在行业中,切丝后烟丝宽度检测存在一定的局限性,主要依赖质检人员每批次的抽样来检验,烟丝宽度的异常情况往往不能第一时间发现。
发明内容
本公开要解决的一个技术问题是,提供一种烟丝宽度检测方法、装置和存储介质,能够提高烟丝异常情况的检测效率。
根据本公开一方面,提出一种烟丝宽度检测方法,包括:基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值;基于第二烟丝宽度检测模型,确定待检测烟丝的第二宽度值;以及根据第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,以及第一宽度值和第二宽度值,得到待检测烟丝的实际宽度值。
在一些实施例中,第一烟丝宽度检测模型的训练数据包括第一样本烟丝图像和第一样本烟丝图像的第一标记值;第二烟丝宽度检测模型的训练数据包括第二样本烟丝图像和第二样本烟丝图像的第二标记值,其中,第一标记值和第二标记值采样不同的标记方式进行标记。
在一些实施例中,第一标记值为基于图像检测标记的烟丝宽度值;第二标记值为人工标记的烟丝宽度值。
在一些实施例中,第一标记值通过以下步骤确定:采集第一样本烟丝图像;对第一样本烟丝图像进行处理,得到第一样本烟丝图像对应的烟丝灰度图;提取有效的烟丝灰度图的轮廓;确定轮廓对应的像素宽度;以及根据轮廓对应的像素宽度,确定第一样本烟丝图像的烟丝宽度值。
在一些实施例中,提取有效的烟丝灰度图的轮廓包括:利用Freeman链码对有效的烟丝灰度图的轮廓像素点进行编码,得到有效的烟丝灰度图的轮廓。
在一些实施例中,确定轮廓对应的像素宽度包括:利用闭合链码内切圆,对轮廓的像素点进行处理,得到轮廓对应的像素宽度。
在一些实施例中,有效的烟丝灰度图为像素面积大于灰度阈值范围的烟丝灰度图。
在一些实施例中,根据第一样本烟丝图像对应的烟丝灰度图,计算烟丝灰度宽度;将烟丝灰度宽度与轮廓对应的像素宽度进行线性拟合;以及根据拟合结果调整Freeman链码的参数。
在一些实施例中,得到第一样本烟丝图像对应的烟丝灰度图包括:使用非线性平滑滤波,对第一样本烟丝图像进行中值滤波处理,得到第一样本烟丝图像对应的烟丝灰度图。
在一些实施例中,第一烟丝宽度检测模型采用深度学习算法实现;第二烟丝宽度检测模块采用模式识别算法实现。
在一些实施例中,第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,根据第一样本烟丝图像的数量和第二样本烟丝图像的数量确定。
在一些实施例中,在待检测烟丝的实际宽度值为异常宽度值时,输出报警信号。
根据本公开的另一方面,还提出一种烟丝宽度检测装置,包括:第一宽度确定模块,被配置为基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值;第二宽度确定模块,被配置为基于第二烟丝宽度检测模型,确定待检测烟丝的第二宽度值;以及实际宽度确定模块,被配置为根据第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,以及第一宽度值和第二宽度值,得到待检测烟丝的实际宽度值。
根据本公开的另一方面,还提出一种烟丝宽度检测装置,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器的指令执行如上述的烟丝宽度检测方法。
根据本公开的另一方面,还提出一种非瞬时性计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述的烟丝宽度检测方法。
本公开实施例中,相比于采用人工抽选的方式检测烟丝的实际宽度值,利用第一烟丝宽度检测模型和第二烟丝宽度检测模型自动检测烟丝宽度,能够提高发现异常烟丝的效率,并且能够减少产线工人的工作强度及质量漏检的风险,从而降低产线烟丝质量控制的风险。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开的烟丝宽度检测方法的一些实施例的流程示意图;
图2为本公开的烟丝宽度检测方法的另一些实施例的流程示意图;
图3为本公开的烟丝宽度检测方法的另一些实施例的流程示意图;
图4为本公开的烟丝宽度检测方法的另一些实施例的流程示意图;
图5为本公开的烟丝宽度检测装置的一些实施例的结构示意图;
图6为本公开的烟丝宽度检测装置的另一些实施例的结构示意图;
图7为本公开的烟丝宽度检测装置的另一些实施例的结构示意图;以及
图8为本公开的烟丝宽度检测装置的另一些实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
相关技术中,一方面,切丝后烟丝宽度检测存在效率低、漏检风险高的问题。例如,切丝等制丝工序宽度检测完全依赖人工抽样,这些工序出口烟丝质量检测只包含了水分或温度检测,没有其他相关指标的检测,难以全面与及时地反映烟丝在制丝环节的烟丝宽度变化。再例如,当前切丝环节不能在线了解切丝后的烟丝宽度,从而不能在线反映当前批次宽度与切丝效果。此外,切丝等制丝工序烟丝的宽度波动,如一段时间内梗签、跑片等缺陷的比例加大目前无法在线检测,未实现过程精细化管理;有可能造成连锁反应影响与原料浪费。切丝等制丝工序烟丝宽度很大程度上决定了成品烟丝的宽度,当切丝等制丝工序烟丝宽度出现较大波动时,会造成下游卷包环节烟支宽度的波动。可能会最终导致后续环节中较高的烟支空头、轻烟、重烟等不良品率,造成的烟叶原料的巨大浪费,这些产品流入市场后可能会造成消费者的不良体验。
而另一方面,现有的烟丝宽度检测完全依赖人工质检检测,利用烟草光谱相机对烟丝进行放大后检测,其测量精度较低,只能达到0.1mm,由于切丝后烟丝宽度有严格的工艺标准,正常牌号宽度要求通常在0.8mm、0.9mm、1.0mm三种规格之一,根据烟丝宽度工艺标准和异常处置要求,宽度低于0.8mm或者大于1.0mm的烟丝属于工艺事故,烟丝需要直接报废处理。因此0.1mm的误差偏离对烟丝的检测影响较大,且对于不同检测人员、不同检测手法的情况下,检测误差也会较大。具体包括:烟丝宽度检测只在切丝后等工序采用人工离线抽检的方式,离线抽检存在检测效率、检测结果滞后,且检测范围只有单点的检测结果,不能反映整体烟丝宽度的分布情况;由于检测结果不及时,不能实现在线检测或者评估,导致宽度问题检测滞后,甚至导致制丝整体的生产过程的质量波动。
图1为本公开的烟丝宽度检测方法的一些实施例的流程示意图。
在步骤110,基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值。
在一些实施例中,第一烟丝宽度检测模型采用深度学习算法实现。
在一些实施例中,第一烟丝宽度检测模型的训练数据包括第一样本烟丝图像和第一样本烟丝图像的第一标记值。
在步骤120,基于第二烟丝宽度检测模型,确定待检测烟丝的第二宽度值。
在一些实施例中,第二烟丝宽度检测模块采用模式识别算法实现。
在一些实施例中,第二烟丝宽度检测模型的训练数据包括第二样本烟丝图像和第二样本烟丝图像的第二标记值。
在一些实施例中,第一标记值为基于图像检测标记的烟丝宽度值;第二标记值为人工标记的烟丝宽度值。
在步骤130,根据第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,以及第一宽度值和第二宽度值,得到待检测烟丝的实际宽度值。
例如,第一烟丝宽度检测模型的权重为w1,第二烟丝宽度检测模型的权重为w2,第一宽度值为L1,第二宽度值为L2,则待检测烟丝的实际宽度值为L1*w1+L2*w2。
在一些实施例中,第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,根据第一样本烟丝图像的数量和第二样本烟丝图像的数量确定。例如,第一样本烟丝图像的数量大于第二样本烟丝图像的数量,则第一烟丝宽度检测模型的权重大于第二烟丝宽度检测模型的权重。
在一些实施例中,第一样本烟丝图像和第二样本烟丝图像,可以有部分相同的图像。
在上述实施例中,相比于采用人工抽选的方式检测烟丝的实际宽度值,利用第一烟丝宽度检测模型和第二烟丝宽度检测模型自动检测烟丝宽度,能够减少产线工人的工作强度及质量漏检的风险,从而降低产线烟丝质量控制的风险。
图2为本公开的烟丝宽度检测方法的另一些实施例的流程示意图。该实施例中,主要描述第一烟丝宽度检测模型的训练数据的获取过程。
在步骤210,采集第一样本烟丝图像。
在一些实施例中,该第一样本烟丝图像为真彩图像。
在一些实施例中,在叶丝段切丝机出口处的烟丝进行取样,结合现场的情况选择合适的图像传感器。采用适当的光源和光谱相机获取生产过程中烟丝表面的在线图像。例如,使用光谱相机摄像装置在线采集烟丝的彩色图像。
在一些实施例中,第一样本烟丝图像包括正常烟丝宽度图像及烟丝宽度异常图像。
在步骤220,对第一样本烟丝图像进行处理,得到第一样本烟丝图像对应的烟丝灰度图。
在一些实施例中,使用非线性平滑滤波,对第一样本烟丝图像进行中值滤波处理,得到第一样本烟丝图像对应的烟丝灰度图。
在一些实施例中,根据第一样本烟丝图像对应的烟丝灰度图,计算烟丝灰度宽度。
例如,在采集了烟丝图像后,需要对烟丝真彩图像进行预处理,即使用奇数个采样组成的观察窗对烟丝图像进行中值滤波处理,对观察窗口中的灰度数值进行排序,位于观察窗中间的灰度中值作为烟丝灰度宽度。
在步骤230,提取有效的烟丝灰度图的轮廓。
在一些实施例中,有效的烟丝灰度图为像素面积大于灰度阈值范围的烟丝灰度图。例如,对提取到的烟丝灰度图进行像素点个数计算,即计算像素点的区域面积,若区域面积小于灰度阈值范围,则说明该图像中的内容为烟沫等无效数据,需进行剔除,保留大于灰度阈值范围的图像作为有效的烟丝灰度图。
在一些实施例中,利用Freeman链码对有效的烟丝灰度图的轮廓像素点进行编码,得到有效的烟丝灰度图的轮廓。
在一些实施例中,为了更准确地提取烟丝轮廓,对烟丝灰度图像进行连通操作,获取最大烟丝连通阈图像。在连通域图像获得的基础上,使用Freeman链码的形式对烟丝的轮廓像素点进行编码,利用烟丝图像编码形式绘制出图像的轮廓。
在步骤240,确定轮廓对应的像素宽度。
在一些实施例中,利用闭合链码内切圆,对轮廓的像素点进行处理,得到轮廓对应的像素宽度。
例如,在烟丝的Freeman链码图像上,检索面积较大区域的链码像素点A,做相切直线截取对应像素点B,并求取A、B两点中点。以此为圆心绘制,内切圆的半径值即为烟丝宽度值。同时,基于闭合链码内切圆的单根烟丝宽度测量会得到多个测量值,为了准确地获取单根烟丝宽度值,取各测量宽度的均值。
在一些实施例中,将烟丝灰度宽度与轮廓对应的像素宽度进行线性拟合,根据拟合结果调整Freeman链码的参数。例如,沿有效烟丝轮廓延伸方向获得若干个采样点,通过像素宽度值与烟丝灰度宽度,计算线性拟合方程,通过拟合,调整Freeman链码的参数,使得最终确定的轮廓对应的像素宽度更加准确。
在步骤250,根据轮廓对应的像素宽度,确定第一样本烟丝图像的烟丝宽度值。
重复上述步骤,直到遍历全部有效的样本烟丝图像,获得每个有效烟丝在采样点的宽度值。
在上述实施例中,通过图像预处理和数据特征提取,能够确定每个样本烟丝图像的烟丝宽度值,作为标记值,为后续训练模型提供数据支撑。
图3为本公开的烟丝宽度检测方法的另一些实施例的流程示意图。
在步骤310,获取样本烟丝图像。
在一些实施例中,采用光谱相机收集切丝后清晰烟丝图像,结合安装现场的情况,根据图像传感器类型、分辨率以及精度等需求,选择合适的工业相机、镜头、安装方式、成像区域和焦距确定镜头参数。
在一些实施例中,图像采集设备采集烟丝图像数据,存储数据到本地服务器。
在一些实施例中,可以根据实际情况保存烟丝图像库,例如,根据不同的规格,烟丝图像库包括多种规格的图像。
该步骤中的样本烟丝图像包括正常烟丝宽度图像、部分正常烟丝宽度图像、全部烟丝宽度异常图像等。
在一些实施例中,对烟丝图像进行预处理,例如,对烟丝图像大小归一化处理,统一图像尺寸为256x256。然后进行烟丝图像的类型转换,例如,将烟丝图像转化成Caffe框架能够识别的lmdb格式。
在一些实施例中,样本来源主要为系统标识为异常的样本,通过样本库,可以记录烟丝质量检测的典型异常状况,作为算法模型训练升级的信息来源。
在步骤320,对样本烟丝图像进行标注,得到烟丝宽度对应的标记值。
在一些实施例中,该标记值为基于图像检测标记的烟丝宽度值,也可以为人工标记的烟丝宽度值。
在上述步骤中,采集烟丝图像以及所需批次生产环节的相关数据,对烟丝图像及相关数据进行处理,处理之后训练烟丝宽度检测模型。
在步骤330,基于样本烟丝图像和标记值,对烟丝宽度检测模型进行训练。
在一些实施例中,烟丝宽度检测模型可以采用深度学习算法实现,也可以采用模式识别算法实现。
在一些实施例中,将烟丝宽度检测模型的输出结果与标记值进行比较,判断比较结果是否满足构建烟丝宽度检测模型的损失函数的要求,反复迭代,优化和调整烟丝宽度检测模型的参数,使得比较结果最终满足构建烟丝宽度检测模型的损失函数的要求,保存该烟丝宽度检测模型。
以切丝后烟丝图像为研究对象,通过不断累积的烟丝宽度图像,为进一步优化检测模型提供数据基础,更新模型,提高识别准确性。
在一些实施例中,采用模式识别算法实现的烟丝宽度检测模型在模型内部实现规则检测和模式识别,在烟丝宽度负样本数量不足时,采用模式识别算法实现的烟丝宽度检测模型效果较好,且规则检测效率最高,对尺寸较大宽度能够较好检测,并且,模式识别能够进一步对细小宽度进行检测,降低模型的漏报率。深度学习模型是采用神经网络自动进行特征提取和特征选择过程。当烟丝宽度负样本对达到一定数量时,深度学习模型检测准确率能够超过人工构造特征。深度学习模型的准确率不断提升,性能逐渐趋于稳定,因此,可以逐步加大深度学习模型检测结果的权重。
在上述实施例中,通过对烟丝宽度检测模型进行训练,利用该训练好的烟丝宽度检测模型得到对应的烟丝结构宽度指标,结合烟丝宽度评价指标评价烟丝结构宽度,能够实现烟丝宽度测量的在线化和自动化,及时在线检测出烟丝结构宽度是否异常,从而保证了整个制丝环节的烟丝宽度稳定性,提高了烟丝测量的效率,解决认为判断不稳定和间断性问题。
图4为本公开的烟丝宽度检测方法的另一些实施例的流程示意图。
在步骤410,采集烟丝图像。
在一些实施例中,对烟丝图像进行预处理,例如,在测量之前,先做图像分割,为后面宽度测量结果提供有效测量对象,将处理后的数据推送到特定的烟丝宽度检测模型。
在步骤420,获取第一烟丝宽度检测模型和第二烟丝宽度检测模型。
在一些实施例中,烟丝宽度检测模型可以融合视觉处理、机器学习算法、模式识别算法等。
在步骤430,利用第一烟丝宽度检测模型和第二烟丝宽度检测模型,对烟丝图像进行测量,得到烟丝的实际宽度值。
在该步骤中,实现当前图像中烟丝宽度的分布情况的在线检测。
在步骤440,在烟丝的实际宽度值为异常宽度值时,输出报警信号。
在该步骤中,利用烟丝宽度检测模型对烟丝宽度进行在线检测,发现异常时报警,例如在线推送异常报警信息。
在一些实施例中,在显示屏中显示烟丝图像在线检测结果、异常频次及烟丝宽度展示,实现在线监控展示当前烟丝图像的状态。
在一些实施例中,将异常信号及图像通过网络发送到数据管理平台。
在上述实施例中,利用烟丝宽度检测模型对烟丝进行处理,使得烟丝生产宽度指标部分透明化,为烟丝宽度评价提供了相应的数据依据,能弥补烟丝宽度波动大的不足,降低人工操作强度,提高烟丝宽度及宽度检测效率,提高了评价的准确性。另外,将烟丝宽度在线检测结果动态显示在界面上,出现烟丝宽度异常时第一时间进行报警,降低烟丝质量控制风险。
在本公开的一些实施例中,在训练好烟丝宽度检测模型后,进行部署验证。
首先,结合其他场景的设备安装经验和设备管理的业务经验,确定最佳的设备安装部署方案。选定实施产线,根据切丝后传送带的倾斜角度,确定设备线缆的走线方式和设备的安装位置。在测试阶段,采用人工投放和人工监督核对两种方式进行性能测试。
对于人工投放测试,和前期样本采集类似,在切丝后工序出口和视觉宽度检测设备前的烟丝段,人工投放异常烟丝宽度样本,并安排人员在图像采集设备后挑选出异常烟丝宽度样本,避免异常烟丝宽度样本流入后面的生产线。如表1所示,在性能优化阶段,准确率高于85%,漏报率为10%,误报频次为50/100;试运行阶段,准确率高于90%,漏报率为5%,误报频次为30/100;深度学习稳定阶段高于98%,漏报率为1%,误报频次为10/100。其中,误报频次指的是一定时间范围内,保存为异常烟丝宽度的图像为正常图像的数量。人工投放的漏报率是未检出的负样本数量与所有投放的负样本数量的比值。
表1为人工投放方式的性能列表
人工监督核对,即不在现场人为投放异常烟丝宽度样本,图像检测和人工识别同时对产线真实烟丝进行检测,图像检测的频次应不低于人工识别的频次。所有人工投放负样本需要是真实人工识别的负样本,对于非正常烟丝宽度的负样本不做检测。人工监督核对方式的性能列表如表2所示。
表2为人工监督核对方式的性能列表
本公开通过烟丝宽度检测模型,提取图像的特征信息,然后根据特征信息进行烟丝宽度的定位、识别、检测等判别,还能够执行统计、存储、查询等操作。能够降低人工操作强度,提高烟丝宽度及宽度检测效率,降低烟丝质量控制风险。
图5为本公开的烟丝宽度检测装置的一些实施例的结构示意图,该装置包括第一宽度确定模块510、第二宽度确定模块520和实际宽度确定模块530。
第一宽度确定模块510被配置为基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值。
在一些实施例中,第一烟丝宽度检测模型采用深度学习算法实现。
在一些实施例中,第一烟丝宽度检测模型的训练数据包括第一样本烟丝图像和第一样本烟丝图像的第一标记值。
第二宽度确定模块520被配置为基于第二烟丝宽度检测模型,确定待检测烟丝的第二宽度值。
在一些实施例中,第二烟丝宽度检测模块采用模式识别算法实现。
在一些实施例中,第二烟丝宽度检测模型的训练数据包括第二样本烟丝图像和第二样本烟丝图像的第二标记值。
在一些实施例中,第一标记值为基于图像检测标记的烟丝宽度值;第二标记值为人工标记的烟丝宽度值。
实际宽度确定模块530被配置为根据第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,以及第一宽度值和第二宽度值,得到待检测烟丝的实际宽度值。
在一些实施例中,第一烟丝宽度检测模型和第二烟丝宽度检测模型的权重,根据第一样本烟丝图像的数量和第二样本烟丝图像的数量确定。例如,第一样本烟丝图像的数量大于第二样本烟丝图像的数量,则第一烟丝宽度检测模型的权重大于第二烟丝宽度检测模型的权重。
在上述实施例中,相比于采用人工抽选的方式检测烟丝的实际宽度值,利用第一烟丝宽度检测模型和第二烟丝宽度检测模型自动检测烟丝宽度,能够减少产线工人的工作强度及质量漏检的风险,从而降低产线烟丝质量控制的风险。
图6为本公开的烟丝宽度检测装置的另一些实施例的结构示意图。该装置包括图像采集单元610、预处理单元620、轮廓提取单元630、像素宽度确定单元640、标记单元650和模型训练单元660。
图像采集单元610被配置为采集第一样本烟丝图像。
在一些实施例中,在线检测烟丝宽度时,图像采集单元610还被配置为采集待检测烟丝的图像。
预处理单元620被配置为对第一样本烟丝图像进行处理,得到第一样本烟丝图像对应的烟丝灰度图。
在一些实施例中,在一些实施例中,使用非线性平滑滤波,对第一样本烟丝图像进行中值滤波处理,得到第一样本烟丝图像对应的烟丝灰度图。
在一些实施例中,根据第一样本烟丝图像对应的烟丝灰度图,计算烟丝灰度宽度。
例如,在采集了烟丝图像后,需要对烟丝真彩图像进行预处理,即使用奇数个采样组成的观察窗对烟丝图像进行中值滤波处理,对观察窗口中的灰度数值进行排序,位于观察窗中间的灰度中值作为烟丝灰度宽度。
轮廓提取单元630被配置为提取有效的烟丝灰度图的轮廓。
在一些实施例中,有效的烟丝灰度图为像素面积大于灰度阈值范围的烟丝灰度图。例如,对提取到的烟丝灰度图进行像素点个数计算,即计算像素点的区域面积,若区域面积小于灰度阈值范围,则说明该图像中的内容为烟沫等无效数据,需进行剔除,保留大于灰度阈值范围的图像作为有效的烟丝灰度图。
在一些实施例中,利用Freeman链码对有效的烟丝灰度图的轮廓像素点进行编码,得到有效的烟丝灰度图的轮廓。
像素宽度确定单元640被配置为确定轮廓对应的像素宽度。
在一些实施例中,利用闭合链码内切圆,对轮廓的像素点进行处理,得到轮廓对应的像素宽度。
例如,在烟丝的Freeman链码图像上,检索面积较大区域的链码像素点A,做相切直线截取对应像素点B,并求取A、B两点中点。以此为圆心绘制,内切圆的半径值即为烟丝宽度值。同时,基于闭合链码内切圆的单根烟丝宽度测量会得到多个测量值,为了准确地获取单根烟丝宽度值,取各测量宽度的均值。
在一些实施例中,将烟丝灰度宽度与轮廓对应的像素宽度进行线性拟合,根据拟合结果调整Freeman链码的参数。例如,沿有效烟丝轮廓延伸方向获得若干个采样点,通过像素宽度值与烟丝灰度宽度,计算线性拟合方程,通过拟合,调整Freeman链码的参数,使得最终确定的轮廓对应的像素宽度更加准确。
标记单元650被配置为根据轮廓对应的像素宽度,确定第一样本烟丝图像的烟丝宽度值。
模型训练单元660被配置为基于样本烟丝图像和标记值,对烟丝宽度检测模型进行训练。
在一些实施例中,烟丝宽度检测模型可以采用深度学习算法实现,也可以采用模式识别算法实现。
在上述实施例中,通过对烟丝宽度检测模型进行训练,便于后续利用烟丝宽度检测模型实现烟丝宽度的在线检测。可以将训练好的烟丝宽度检测模型存储在数据库中。
在本公开的一些实施例中,该烟丝宽度检测装置还包括异常报警单元710,被配置为在待检测烟丝的实际宽度值为异常宽度值时,输出报警信号。以便及时发现异常的烟丝结构宽度,从而保证了整个制丝环节的烟丝宽度稳定性。
在本公开的一些实施例中,该烟丝宽度检测装置还包括展示功能单元(附图未示出),被配置为显示烟丝图像在线检测结果、异常频次及烟丝宽度展示等。
在一些实施例中,该烟丝宽度检测装置还包括历史数据查询单元(附图未示出),被配置为进行异常分类查询、异常详情查看以及拍摄时段搜索等。
图8为本公开的烟丝宽度检测装置的另一些实施例的结构示意图。该装置800包括存储器810和处理器820。其中:存储器810可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储上述实施例中的指令。处理器820耦接至存储器810,可以作为一个或多个集成电路来实施,例如微处理器或微控制器。该处理器820用于执行存储器中存储的指令。
在一些实施例中,处理器820通过BUS总线830耦合至存储器810。该装置800还可以通过存储接口840连接至外部存储系统850以便调用外部数据,还可以通过网络接口860连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。
在该实施例中,通过存储器存储数据指令,再通过处理器处理上述指令,能够降低产线工人的工作强度及质量漏检的风险,从而降低产线烟丝质量控制的风险。
在另一些实施例中,一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述实施例中的方法的步骤。本领域内的技术人员应明白,本公开的实施例可提供为方法、装置、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法以及装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (15)
1.一种烟丝宽度检测方法,包括:
基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值;
基于第二烟丝宽度检测模型,确定所述待检测烟丝的第二宽度值;以及
根据所述第一烟丝宽度检测模型和所述第二烟丝宽度检测模型的权重,以及所述第一宽度值和所述第二宽度值,得到所述待检测烟丝的实际宽度值。
2.根据权利要求1所述的烟丝宽度检测方法,其中,
所述第一烟丝宽度检测模型的训练数据包括第一样本烟丝图像和所述第一样本烟丝图像的第一标记值;
所述第二烟丝宽度检测模型的训练数据包括第二样本烟丝图像和所述第二样本烟丝图像的第二标记值,其中,
所述第一标记值和所述第二标记值采样不同的标记方式进行标记。
3.根据权利要求2所述的烟丝宽度检测方法,其中,
所述第一标记值为基于图像检测标记的烟丝宽度值;
所述第二标记值为人工标记的烟丝宽度值。
4.根据权利要求2所述的烟丝宽度检测方法,其中,第一标记值通过以下步骤确定:
采集所述第一样本烟丝图像;
对所述第一样本烟丝图像进行处理,得到所述第一样本烟丝图像对应的烟丝灰度图;
提取有效的烟丝灰度图的轮廓;
确定所述轮廓对应的像素宽度;以及
根据所述轮廓对应的像素宽度,确定所述第一样本烟丝图像的烟丝宽度值。
5.根据权利要求4所述的烟丝宽度检测方法,其中,提取有效的烟丝灰度图的轮廓包括:
利用Freeman链码对有效的烟丝灰度图的轮廓像素点进行编码,得到所述有效的烟丝灰度图的轮廓。
6.根据权利要求4所述的烟丝宽度检测方法,其中,确定所述轮廓对应的像素宽度包括:
利用闭合链码内切圆,对所述轮廓的像素点进行处理,得到所述轮廓对应的像素宽度。
7.根据权利要求4所述的烟丝宽度检测方法,其中,
所述有效的烟丝灰度图为像素面积大于灰度阈值范围的烟丝灰度图。
8.根据权利要求5所述的烟丝宽度检测方法,还包括:
根据所述第一样本烟丝图像对应的烟丝灰度图,计算烟丝灰度宽度;
将所述烟丝灰度宽度与所述轮廓对应的像素宽度进行线性拟合;以及
根据拟合结果调整Freeman链码的参数。
9.根据权利要求4所述的烟丝宽度检测方法,其中,得到所述第一样本烟丝图像对应的烟丝灰度图包括:
使用非线性平滑滤波,对所述第一样本烟丝图像进行中值滤波处理,得到所述第一样本烟丝图像对应的烟丝灰度图。
10.根据权利要求1至9任一所述的烟丝宽度检测方法,其中,
所述第一烟丝宽度检测模型采用深度学习算法实现;
所述第二烟丝宽度检测模块采用模式识别算法实现。
11.根据权利要求1至9任一所述的烟丝宽度检测方法,其中,
所述第一烟丝宽度检测模型和所述第二烟丝宽度检测模型的权重,根据第一样本烟丝图像的数量和第二样本烟丝图像的数量确定。
12.根据权利要求1至9任一所述的烟丝宽度检测方法,还包括:
在所述待检测烟丝的实际宽度值为异常宽度值时,输出报警信号。
13.一种烟丝宽度检测装置,包括:
第一宽度确定模块,被配置为基于第一烟丝宽度检测模型,确定待检测烟丝的第一宽度值;
第二宽度确定模块,被配置为基于第二烟丝宽度检测模型,确定所述待检测烟丝的第二宽度值;以及
实际宽度确定模块,被配置为根据所述第一烟丝宽度检测模型和所述第二烟丝宽度检测模型的权重,以及所述第一宽度值和所述第二宽度值,得到所述待检测烟丝的实际宽度值。
14.一种烟丝宽度检测装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至12任一项所述的烟丝宽度检测方法。
15.一种非瞬时性计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现权利要求1至12任一项所述的烟丝宽度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821271.8A CN114998312A (zh) | 2022-07-13 | 2022-07-13 | 烟丝宽度检测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821271.8A CN114998312A (zh) | 2022-07-13 | 2022-07-13 | 烟丝宽度检测方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998312A true CN114998312A (zh) | 2022-09-02 |
Family
ID=83020241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821271.8A Pending CN114998312A (zh) | 2022-07-13 | 2022-07-13 | 烟丝宽度检测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998312A (zh) |
-
2022
- 2022-07-13 CN CN202210821271.8A patent/CN114998312A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111331B (zh) | 基于机器视觉的蜂窝纸芯缺陷检测方法 | |
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
Makky et al. | Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision | |
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
CN110403232B (zh) | 一种基于二级算法的烟支质量检测方法 | |
CN105335692A (zh) | 一种轮胎x光图像检测识别方法及系统 | |
CN103792235A (zh) | 漫透射光谱与图像信息融合的蜜瓜内部品质在线检测方法与装置 | |
CN101837351A (zh) | 基于图像检测法的油封弹簧全自动分选系统及方法 | |
TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
KR20040111529A (ko) | 표면 결함 판별 방법 | |
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 | |
CN116188475A (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN112330663A (zh) | 一种基于变径圆的计算机视觉烟丝宽度检测方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN114581764A (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN114663744A (zh) | 基于机器学习的仪表自动识别方法及系统 | |
Guerra et al. | Standard quantification and measurement of damages through features characterization of surface imperfections on 3D models: an application on Architectural Heritages | |
CN115128033A (zh) | 烟叶检测方法、装置和系统、存储介质 | |
CN108007945A (zh) | 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN112270375B (zh) | 伴行轨迹的确定方法、装置、设备及存储介质 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN114998312A (zh) | 烟丝宽度检测方法、装置和存储介质 |
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 |