CN115035075B - 一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 - Google Patents
一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115035075B CN115035075B CN202210693777.5A CN202210693777A CN115035075B CN 115035075 B CN115035075 B CN 115035075B CN 202210693777 A CN202210693777 A CN 202210693777A CN 115035075 B CN115035075 B CN 115035075B
- Authority
- CN
- China
- Prior art keywords
- tobacco
- area
- cut
- shred
- type
- 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.)
- Active
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 772
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 772
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 239000000945 filler Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20081—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质。其中,方法包括:数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝;标签类型选定包括:标签设定和对比原图;将经过所述图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;在烟丝类型判定的结果图中,计算每种烟丝的面积和每种烟丝对应的数量,得到烟丝的总面积;通过所述每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,得到烟丝的组分。本发明可实现烟丝的组分进行快速、准确、自动化测定,提高测定效率与准确性,降低工作人员劳动强度。
Description
技术领域
本发明涉及卷烟技术领域,更具体地,涉及一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质。
背景技术
采用图像法进行烟丝组分分析时,由于烟丝的结构特征,容易出现烟丝重叠的现象,对烟丝组分分析结果的准确性产生影响。分散烟丝的形态分布主要为单根烟丝、粘连烟丝、重叠烟丝为主。如果,将重叠烟丝处理为单根烟丝,将会大大影响烟丝组分精度。
因此,如何提供一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质成为本领域亟需解决的技术难题。
发明内容
本发明的目的是提供一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质。
本发明第一方面公开了一种烟丝组分判定方法;所述方法包括:
步骤S1、数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;标签类型选定包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签;
步骤S2、图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景;
步骤S3、unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络;
步骤S4、烟丝类型判定:将经过所述图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;
步骤S5、组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积、再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过所述每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分。
根据本发明第一方面的方法,在所述步骤S1中,通过梗丝、膨胀烟丝、叶丝和再造烟丝四种烟丝类型,构造数据集包含十种连接类,即为膨胀叶丝-膨胀叶丝,膨胀叶丝-再造烟丝,膨胀叶丝-梗丝,膨胀叶丝-叶丝,再造烟丝-梗丝,再造烟丝-叶丝,再造烟丝-再造烟丝,叶丝-叶丝,叶丝-梗丝和梗丝-梗丝。
根据本发明第一方面的方法,在所述步骤S1中,所述两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝的占比为3:5:2;
所述根据烟丝重叠标签类型拍摄重叠烟丝方法包括:
对每类重叠烟丝,按照两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝,进行人为重叠,其比例占比为3:5:2;
拍摄重叠烟丝,在调整合适的相机焦距、光圈、距离载物台间距和光源亮度后,将某类重叠烟丝放置在烟丝震动仪中心位置,进行拍摄;
对每类重叠情况,重复三次拍摄。
根据本发明第一方面的方法,在所述步骤S4中,所述进行烟丝类型判定的方法包括:
将重叠烟丝图像送入到加载好预设权重的测试unet神经网络中,对所述四类烟丝进行判定后,再进行所述十种连接类的判定。
根据本发明第一方面的方法,在所述步骤S5中,所述在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积的方法包括:
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_purple。
根据本发明第一方面的方法,所述通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积的方法包括:
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c=Area_down+Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积。
根据本发明第一方面的方法,在所述步骤S5中,所述应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积的方法包括:
梗丝的总面积为area_geng=(Area_up_geng+Area_down_c_geng)
×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng=(Area_up_peng+Area_down_c_peng)×Number_peng;area_peng为膨胀叶丝的总面积,Area_up_peng为膨胀叶丝的上烟丝的面积,Area_down_c_peng为膨胀叶丝的下烟丝的修正面积,Number_peng为膨胀叶丝的数量;
叶丝的总面积为area_ye=(Area_up_ye+Area_down_c_ye)×Number_ye;area_ye为叶丝的总面积,Area_up_ye为叶丝的上烟丝的面积,Area_down_c_ye为叶丝的下烟丝的修正面积,Number_ye为叶丝的数量;
再造烟丝的总面积为area_zai=(Area_up_zai+Area_down_c_zai)
×Number_zai;area_zai为再造烟丝的总面积,Area_up_zai为再造烟丝的上烟丝的面积,Area_down_c_zai为再造烟丝的下烟丝的修正面积,Number_zai为再造烟丝的数量。
本发明第二方面公开了一种烟丝组分判定系统;所述系统包括:
第一处理模块,被配置为,数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;设定流程包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签;
第二处理模块,被配置为,图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景;
第三处理模块,被配置为,unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络;
第四处理模块,被配置为,烟丝类型判定:将经过所述图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;
第五处理模块,被配置为,组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过所述每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分。
根据本发明第二方面的系统,第一处理模块,被配置为,通过梗丝、膨胀烟丝、叶丝和再造烟丝四种烟丝类型,构造数据集包含十种连接类,即为膨胀叶丝-膨胀叶丝,膨胀叶丝-再造烟丝,膨胀叶丝-梗丝,膨胀叶丝-叶丝,再造烟丝-梗丝,再造烟丝-叶丝,再造烟丝-再造烟丝,叶丝-叶丝,叶丝-梗丝和梗丝-梗丝。
根据本发明第二方面的系统,第一处理模块,被配置为,所述两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝的占比为3:5:2;
所述根据烟丝重叠标签类型拍摄重叠烟丝包括:
对每类重叠烟丝,按照两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝,进行人为重叠,其比例占比为3:5:2;
拍摄重叠烟丝,在调整合适的相机焦距、光圈、距离载物台间距和光源亮度后,将某类重叠烟丝放置在烟丝震动仪中心位置,进行拍摄;
对每类重叠情况,重复三次拍摄。
根据本发明第二方面的系统,第四处理模块,被配置为,所述进行烟丝类型判定包括:
将重叠烟丝图像送入到加载好预设权重的测试unet神经网络中,对所述四类烟丝进行判定后,再进行所述十种连接类的判定。
根据本发明第二方面的系统,第五处理模块,被配置为,所述在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积包括:
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_purple。
根据本发明第二方面的系统,第一处理模块,被配置为,所述通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积包括:
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c=Area_down+Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积。
根据本发明第二方面的系统,第五处理模块,被配置为,所述应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积包括:
梗丝的总面积为area_geng=(Area_up_geng+Area_down_c_geng)
×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng=(Area_up_peng+Area_down_c_peng)×Number_peng;area_peng为膨胀叶丝的总面积,Area_up_peng为膨胀叶丝的上烟丝的面积,Area_down_c_peng为膨胀叶丝的下烟丝的修正面积,Number_peng为膨胀叶丝的数量;
叶丝的总面积为area_ye=(Area_up_ye+Area_down_c_ye)×Number_ye;area_ye为叶丝的总面积,Area_up_ye为叶丝的上烟丝的面积,Area_down_c_ye为叶丝的下烟丝的修正面积,Number_ye为叶丝的数量;
再造烟丝的总面积为area_zai=(Area_up_zai+Area_down_c_zai)
×Number_zai;area_zai为再造烟丝的总面积,Area_up_zai为再造烟丝的上烟丝的面积,Area_down_c_zai为再造烟丝的下烟丝的修正面积,Number_zai为再造烟丝的数量。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种烟丝组分判定方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面中任一项的一种烟丝组分判定方法中的步骤。
根据本发明公开的技术内容,具有如下有益效果:实现烟丝各组分进行快速、准确、自动化测定,提高测定效率与准确性,降低工作人员劳动强度。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1为根据实施例提供的一种烟丝组分判定方法的流程图;
图2为根据实施例提供的图像采集系统结构图;
图3为根据实施例提供的图像预处理流程图;
图4为根据本发明实施例的一种烟丝组分判定系统的结构图;
图5为根据本发明实施例的一种电子设备的结构图。
附图标记说明:1-暗室,2-烟丝振动仪,3-工业相机,4-环形光源,5-平衡卡,6-计算机分析系统。
具体实施方式
现在将参照附图来详细描述本发明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发明的范围。
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,决不作为对本发明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说明书的一部分。
在这里示出和讨论的所有例子中,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例子可以具有不同的值。
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。
实施例1:
本发明公开了一种烟丝组分判定方法。图1为根据本发明实施例的一种烟丝组分判定方法的流程图,如图1所示,所述方法包括:
步骤S1、数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;标签类型选定包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签;
步骤S2、图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景;
步骤S3、unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络;
步骤S4、烟丝类型判定:将经过所述图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;
步骤S5、组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过所述每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分。
在步骤S1,数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;设定流程包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签。
在一些实施例中,在所述步骤S1中,通过梗丝、膨胀烟丝、叶丝和再造烟丝四种烟丝类型,构造数据集包含十种连接类,即为膨胀叶丝-膨胀叶丝,膨胀叶丝-再造烟丝,膨胀叶丝-梗丝,膨胀叶丝-叶丝,再造烟丝-梗丝,再造烟丝-叶丝,再造烟丝-再造烟丝,叶丝-叶丝,叶丝-梗丝和梗丝-梗丝;
所述两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝的占比为3:5:2;
所述根据烟丝重叠标签类型拍摄重叠烟丝方法包括:
对每类重叠烟丝,按照两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝,进行人为重叠,其比例占比为3:5:2;
拍摄重叠烟丝,在调整合适的相机焦距、光圈、距离载物台间距和光源亮度后,将某类重叠烟丝放置在烟丝震动仪中心位置,进行拍摄;
对每类重叠情况,重复三次拍摄。
具体地,如图2所示,图像采集系统由工业相机3、环形光源4、平衡卡5、暗室1、烟丝振动仪2和计算机分析系统6等组成。工业相机3能够稳定图片拍摄,环形光源4能够保证视野内亮度一致,平衡卡5能够保证图片背景一致性,暗室1能够保证图像采集过程中,不受外界光干扰,烟丝振动仪2能够实现样品的充分分散,计算机分析系统6分析系统实现烟丝图像的存储。
在步骤S2,图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景。
具体地,图像预处理包括灰度处理、高斯滤波、开运算处理、二值化、轮廓提取和绘制轮廓,如图3所示。
在步骤S3,unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络。
具体地,U-Net为了能精准的定位,收缩路径上提取出来的局部像素特征会在升采样过程中与新的特征图进行结合,以最大程度的保留降采样过程一些重要的特征信息。而为了能使网络结构能更高效的运行,结构中是没有全连接层,可以很大程度上减少需要训练的参数,特殊的U形结构可以很好的保留图片中的所有信息。
(1)左边网络为特征提取网络:使用conv和pooling;
(2)右边网络为特征融合网络:使用上采样产生的特征图与左侧特征图进行concatenate操作;pooling层会丢失图像信息和降低图像分辨率且是永久性的,对于图像分割任务有一些影响;
(3)上采样可以让包含高级抽象特征低分辨率图片在保留高级抽象特征的同时变为高分辨率,然后再与左边低级表层特征高分辨率图片进行concatenate操作;
(4)经过两次卷积操作,生成特征图;
(5)用两个卷积核大小为1*1的卷积做分类得到最后的两张heatmap;
(6)使用作为softmax函数的输入,算出概率比较大的softmax;
(7)记录loss,记录反向传播参数。
在步骤S4,烟丝类型判定:将经过所述图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定。
在一些实施例中,在所述步骤S4中,所述进行烟丝类型判定的方法包括:
将重叠烟丝图像送入到加载好预设权重的测试unet神经网络中,对所述四类烟丝进行判定后,再进行所述十种连接类的判定,统计每类烟丝数量。
具体地,将标准十类烟丝数据集,按照训练集:测试机为7:3的情况下,放入训练Unet网络中,进行多轮迭代训练。在多轮迭代以后,训练的准确率和IOU达到95%以上(即识别100张梗丝图片,有95张图片会认定为梗丝),保存最佳准确率的权重参数。
在测试Unet网络中,加载预设权重。将经过图像预处理得到的重叠烟丝,送入测试神经网络中,对其进行烟丝类型判定。
在步骤S5,组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过所述每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分。
在一些实施例中,在所述步骤S5中,所述在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积的方法包括:
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_purple。
所述通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积的方法包括:
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c=
Area_down+Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积。
所述应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积的方法包括:
梗丝的总面积为area_geng=(Area_up_geng+
Area_down_c_geng)×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng=(Area_up_peng+
Area_down_c_peng)×Number_peng;area_peng为膨胀叶丝的总面积,Area_up_peng为膨胀叶丝的上烟丝的面积,Area_down_c_peng为膨胀叶丝的下烟丝的修正面积,Number_peng为膨胀叶丝的数量
叶丝的总面积为area_ye=(Area_up_ye+Area_down_c_ye)×Number_ye;area_ye为叶丝的总面积,Area_up_ye为叶丝的上烟丝的面积,Area_down_c_ye为叶丝的下烟丝的修正面积,Number_ye为叶丝的数量;
再造烟丝的总面积为area_zai=(Area_up_zai+
Area_down_c_zai)×Number_zai;area_zai为再造烟丝的总面积,Area_up_zai为再造烟丝的上烟丝的面积,Area_down_c_zai为再造烟丝的下烟丝的修正面积,Number_zai为再造烟丝的数量。
具体地,在一平面内铺展相同面积的梗丝、叶丝、再造烟丝、膨胀叶丝。分别将其放置电子天平进行重量称重,进而计算四类烟丝各自的密度density。
在一定震动时间下,对烟丝震动装置区域进行三次采样,取其平均值作为最终判定结果。
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_purple。
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c=Area_down+Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积。
梗丝的总面积为area_geng=(Area_up_geng+Area_down_c_geng)×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng=(Area_up_peng+Area_down_c_peng)×Number_peng;area_peng为膨胀叶丝的总面积,Area_up_peng为膨胀叶丝的上烟丝的面积,Area_down_c_peng为膨胀叶丝的下烟丝的修正面积,Number_peng为膨胀叶丝的数量
叶丝的总面积为area_ye=(Area_up_ye+Area_down_c_ye)×Number_ye;area_ye为叶丝的总面积,Area_up_ye为叶丝的上烟丝的面积,Area_down_c_ye为叶丝的下烟丝的修正面积,Number_ye为叶丝的数量
再造烟丝的总面积为area_zai=(Area_up_zai+Area_down_c_zai)×Number_zai;area_zai为再造烟丝的总面积,Area_up_zai为再造烟丝的上烟丝的面积,Area_down_c_zai为再造烟丝的下烟丝的修正面积,Number_zai为再造烟丝的数量。
Quality_geng=area_geng×density_geng;
Quality_peng=area_peng×density_peng;
Quality_ye=area_ye×density_ye;
Quality_zai=area_zai×density_zai;
最终根据与实际总重量进行对比,对四类烟丝进行修正,Quality_f=Quality×a+b。得到最终组分占比为叶丝:梗丝:膨胀叶丝:再造烟丝=Quality_f_ye:Quality_f_geng:Quality_f_peng:Quality_f_zai。
综上,本发明提出的方案能够实现烟丝各组分进行快速、准确、自动化测定,提高测定效率与准确性,降低工作人员劳动强度。
实施例2:
本发明公开了一种烟丝组分判定系统。图4为根据本发明实施例的一种烟丝组分判定系统的结构图;如图4所示,所述系统100包括:
第一处理模块101,被配置为,数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;设定流程包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签;
第二处理模块102,被配置为,图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景;
第三处理模块103,被配置为,unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络;
第四处理模块104,被配置为,烟丝类型判定:将经过所述图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;
第五处理模块105,被配置为,组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过所述每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分。
根据本发明第二方面的系统,第一处理模块101,被配置为,通过梗丝、膨胀烟丝、叶丝和再造烟丝四种烟丝类型,构造数据集包含十种连接类,即为膨胀叶丝-膨胀叶丝,膨胀叶丝-再造烟丝,膨胀叶丝-梗丝,膨胀叶丝-叶丝,再造烟丝-梗丝,再造烟丝-叶丝,再造烟丝-再造烟丝,叶丝-叶丝,叶丝-梗丝和梗丝-梗丝。
根据本发明第二方面的系统,第一处理模块101,被配置为,所述两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝的占比为3:5:2;
所述根据烟丝重叠标签类型拍摄重叠烟丝包括:
对每类重叠烟丝,按照两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝,进行人为重叠,其比例占比为3:5:2;
拍摄重叠烟丝,在调整合适的相机焦距、光圈、距离载物台间距和光源亮度后,将某类重叠烟丝放置在烟丝震动仪中心位置,进行拍摄;
对每类重叠情况,重复三次拍摄。
根据本发明第二方面的系统,第四处理模块104,被配置为,所述进行烟丝类型判定包括:
将重叠烟丝图像送入到加载好预设权重的测试unet神经网络中,对所述四类烟丝进行判定后,再进行所述十种连接类的判定。
根据本发明第二方面的系统,第五处理模块105,被配置为,所述在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积包括:
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_purple。
根据本发明第二方面的系统,第一处理模块101,被配置为,所述通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积包括:
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c=Area_down+Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积。
根据本发明第二方面的系统,第五处理模块105,被配置为所述应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积包括:
梗丝的总面积为area_geng=(Area_up_geng+
Area_down_c_geng)×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng=(Area_up_peng+Area_down_c_peng)×Number_peng;area_peng为膨胀叶丝的总面积,Area_up_peng为膨胀叶丝的上烟丝的面积,Area_down_c_peng为膨胀叶丝的下烟丝的修正面积,Number_peng为膨胀叶丝的数量;
叶丝的总面积为area_ye=(Area_up_ye+Area_down_c_ye)×Number_ye;area_ye为叶丝的总面积,Area_up_ye为叶丝的上烟丝的面积,Area_down_c_ye为叶丝的下烟丝的修正面积,Number_ye为叶丝的数量;
再造烟丝的总面积为area_zai=(Area_up_zai+Area_down_c_zai)
×Number_zai;area_zai为再造烟丝的总面积,Area_up_zai为再造烟丝的上烟丝的面积,Area_down_c_zai为再造烟丝的下烟丝的修正面积,Number_zai为再造烟丝的数量。
实施例3:
本发:公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开实施例1中任一项的一种烟丝组分判定方法中的步骤。
图5为根据本发明实施例的一种电子设备的结构图,如图5所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
实施例4:
本发明公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本发明的实施例1中任一项的一种烟丝组分判定方法中的步骤。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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。因此,本申请专利的保护范围应以所附权利要求为准。
本说明书中描述的主题及功能操作的实施例可以在以下中实现:数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序,即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地,程序指令可以被编码在人工生成的传播信号上,例如机器生成的电、光或电磁信号,该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行,以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行,并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括,例如通用和/或专用微处理器,或任何其他类型的中央处理单元。通常,中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括用于存储数据的一个或多个大容量存储设备,例如磁盘、磁光盘或光盘等,或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据,抑或两种情况兼而有之。然而,计算机不是必须具有这样的设备。此外,计算机可以嵌入在另一设备中,例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备,仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备,例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
虽然已经通过例子对本发明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,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (7)
1.一种烟丝组分判定方法,其特征在于,所述方法包括:
步骤S1、数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;标签类型选定包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签;
步骤S2、图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景;
步骤S3、unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络;
步骤S4、烟丝类型判定:将经过图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;
步骤S5、组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积、再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分;
在所述步骤S5中,在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积的方法包括:
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_ purple;
通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积的方法包括:
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c = Area_down + Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积;
在所述步骤S5中,应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积的方法包括:
梗丝的总面积为area_geng = (Area_up_geng + Area_down_c_geng)
×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng = (Area_up_peng + Area_down_c_peng)
×Number_peng;area_ peng为膨胀叶丝的总面积,Area_up_ peng为膨胀叶丝的上烟丝的面积,Area_down_c_ peng为膨胀叶丝的下烟丝的修正面积,Number_ peng为膨胀叶丝的数量;
叶丝的总面积为area_ye = (Area_up_ye + Area_down_c_ye)×Number_ye;area_ ye为叶丝的总面积,Area_up_ ye为叶丝的上烟丝的面积,Area_down_c_ ye为叶丝的下烟丝的修正面积,Number_ ye为叶丝的数量;
再造烟丝的总面积为area_zai = (Area_up_zai + Area_down_c_zai)
×Number_zai;area_ zai为再造烟丝的总面积,Area_up_ zai为再造烟丝的上烟丝的面积,Area_down_c_ zai为再造烟丝的下烟丝的修正面积,Number_ zai为再造烟丝的数量。
2.根据权利要求1所述的一种烟丝组分判定方法,其特征在于,在所述步骤S1中,通过梗丝、膨胀烟丝、叶丝和再造烟丝四种烟丝类型,构造数据集包含十种连接类,即为膨胀叶丝-膨胀叶丝,膨胀叶丝-再造烟丝,膨胀叶丝-梗丝,膨胀叶丝-叶丝,再造烟丝-梗丝,再造烟丝-叶丝,再造烟丝-再造烟丝,叶丝-叶丝,叶丝-梗丝和梗丝-梗丝。
3.根据权利要求2所述的一种烟丝组分判定方法,其特征在于,在所述步骤S1中,两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝的占比为3:5:2;
根据烟丝重叠标签类型拍摄重叠烟丝方法包括:
对每类重叠烟丝,按照两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝,进行人为重叠,其比例占比为3:5:2;
拍摄重叠烟丝,在调整合适的相机焦距、光圈、距离载物台间距和光源亮度后,将某类重叠烟丝放置在烟丝震动仪中心位置,进行拍摄;
对每类重叠情况,重复三次拍摄。
4.根据权利要求2所述的一种烟丝组分判定方法,其特征在于,在所述步骤S4中,进行烟丝类型判定的方法包括:
将重叠烟丝图像送入到加载好预设权重的测试unet神经网络中,对四类烟丝进行判定后,再进行十种连接类的判定。
5.一种烟丝组分判定系统,其特征在于,所述系统包括:
第一处理模块,被配置为,数据集的制作:数据集的制作包括两个步骤,确定标签对象和标签类型选定;确定标签对象流程为确定重叠类型和拍摄重叠烟丝,确经对实际烟丝重叠情况探究,烟丝重叠分为两根粘连烟丝、两根交替缠绕烟丝和单根缠绕烟丝;根据烟丝重叠标签类型拍摄重叠烟丝;设定流程包括:标签设定,梗丝为红色、膨胀烟丝为蓝色、叶丝为绿色和再造烟丝为紫色;对比原图,在烟丝轮廓图中确定每种轮廓所代表的烟丝类型、根据掩膜操作对每个轮廓赋予对应标签;
第二处理模块,被配置为,图像预处理:对采集到的图像进行烟丝对象的提取和统一图像背景;
第三处理模块,被配置为,unet神经网络构建:构建识别烟丝类型的unet神经网络,并用数据集训练unet神经网络;
第四处理模块,被配置为,烟丝类型判定:将经过图像预处理后的烟丝的图像送入训练好的unet神经网络中,进行烟丝类型判定;
第五处理模块,被配置为,组分判定:在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积和每种烟丝对应的数量;通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积;计算每类烟丝各自的密度;通过每类烟丝的总面积与对应类型烟丝的密度相乘,得到每类烟丝的质量,再通过每类烟丝的质量,得到烟丝的组分;
在烟丝类型判定的结果图中,计算梗丝面积、膨胀叶丝面积、叶丝面积和再造烟丝面积包括:
在所述结果图中,会出现四种色块分布情况;因色块像素不同,故可通过分析所述结果图的R、G、B三通道图片,分别计算出其中红色区域面积即为梗丝面积area_geng、蓝色区域面积即为膨胀叶丝面积area_blue、绿色区域面积即为叶丝面积area_green、紫色区域面积即为再造烟丝面积area_ purple;
通过每类烟丝的面积和对应类型烟丝的数量,计算每类烟丝的总面积的包括:
烟丝之间有重叠部分,分为上烟丝和下烟丝;所述上烟丝即为没有被另外一根烟丝折叠的烟丝;下烟丝即为被另外一根烟丝折叠的烟丝;
重叠烟丝中上烟丝的修正面积就为上烟丝的面积Area_up,所述下烟丝的修正面积为下烟丝的面积加上折叠部分的面积,Area_down_c = Area_down + Area_overlap,Area_down为下烟丝的面积,Area_overlap为折叠部分的面积,Area_down_c为下烟丝的修正面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积;
应用每类烟丝的所述上烟丝的修正面积、下烟丝的修正面积和对应类型烟丝的数量,计算每类烟丝的总面积包括:
梗丝的总面积为area_geng = (Area_up_geng + Area_down_c_geng)
×Number_geng;area_geng为梗丝的总面积,Area_up_geng为梗丝的上烟丝的面积,Area_down_c_geng为梗丝的下烟丝的修正面积,Number_geng为梗丝的数量;
膨胀叶丝的总面积为area_peng = (Area_up_peng + Area_down_c_peng)
×Number_peng;area_ peng为膨胀叶丝的总面积,Area_up_ peng为膨胀叶丝的上烟丝的面积,Area_down_c_ peng为膨胀叶丝的下烟丝的修正面积,Number_ peng为膨胀叶丝的数量;
叶丝的总面积为area_ye = (Area_up_ye + Area_down_c_ye)×Number_ye;area_ ye为叶丝的总面积,Area_up_ ye为叶丝的上烟丝的面积,Area_down_c_ ye为叶丝的下烟丝的修正面积,Number_ ye为叶丝的数量;
再造烟丝的总面积为area_zai = (Area_up_zai + Area_down_c_zai)
×Number_zai;area_ zai为再造烟丝的总面积,Area_up_ zai为再造烟丝的上烟丝的面积,Area_down_c_ zai为再造烟丝的下烟丝的修正面积,Number_ zai为再造烟丝的数量。
6.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至4中任一项所述的一种烟丝组分判定方法中的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至4中任一项所述的一种烟丝组分判定方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210693777.5A CN115035075B (zh) | 2022-06-18 | 2022-06-18 | 一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210693777.5A CN115035075B (zh) | 2022-06-18 | 2022-06-18 | 一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035075A CN115035075A (zh) | 2022-09-09 |
CN115035075B true CN115035075B (zh) | 2024-03-19 |
Family
ID=83124362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210693777.5A Active CN115035075B (zh) | 2022-06-18 | 2022-06-18 | 一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035075B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018040302A1 (zh) * | 2016-08-31 | 2018-03-08 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器 |
CN112508072A (zh) * | 2020-11-30 | 2021-03-16 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
-
2022
- 2022-06-18 CN CN202210693777.5A patent/CN115035075B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018040302A1 (zh) * | 2016-08-31 | 2018-03-08 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、系统及具有该系统的服务器 |
CN112508072A (zh) * | 2020-11-30 | 2021-03-16 | 云南省烟草质量监督检测站 | 基于残差卷积神经网络的卷烟真假识别方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的烟丝物质组成识别方法;高震宇;王安;董浩;刘勇;王锦平;周明珠;夏营威;张龙;;烟草科技;20170915(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115035075A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200226462A1 (en) | Histopathological image analysis | |
CN110136198B (zh) | 图像处理方法及其装置、设备和存储介质 | |
JP2018017570A (ja) | 岩盤強度判定装置、岩盤強度判定方法、及び岩盤強度判定プログラム | |
CN111311556B (zh) | 手机缺陷位置识别方法及设备 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
CN110852385B (zh) | 图像处理方法、装置、设备和存储介质 | |
WO2022105027A1 (zh) | 图像识别方法、系统、电子设备及存储介质 | |
CN111598084B (zh) | 缺陷分割网络训练方法、装置、设备及可读存储介质 | |
JP2021189527A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN108763580A (zh) | 图像处理方法和装置、电子设备、计算机存储介质 | |
CN115035075B (zh) | 一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 | |
CN110288691B (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN111538853A (zh) | 遥感影像数据光谱管理方法、装置和服务器 | |
CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
CN109658360B (zh) | 图像处理的方法、装置、电子设备和计算机存储介质 | |
CN117456198A (zh) | 一种基于改进的Yolov5神经网络的输电线路故障检测方法 | |
CN115100424B (zh) | 一种重叠烟丝组分判定方法、系统、电子设备及计算机可读存储介质 | |
CN114022658A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
CN114630102A (zh) | 检测数据采集设备角度变化的方法、装置和计算机设备 | |
CN111881187A (zh) | 一种自动建立数据处理模型的方法及相关产品 | |
CN113128277A (zh) | 一种人脸关键点检测模型的生成方法及相关设备 | |
CN111737156B (zh) | 基于串行总线的深空撞击器测试及优化系统 | |
CN117557786B (zh) | 物料质量检测方法、装置、计算机设备及存储介质 | |
CN115564002A (zh) | 一种实验数据的管理方法和系统 | |
CN117522800A (zh) | 一种拍摄设备的成像评估方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |