CN116188438A - 烟支打孔质量检测装置、方法、设备及介质 - Google Patents

烟支打孔质量检测装置、方法、设备及介质 Download PDF

Info

Publication number
CN116188438A
CN116188438A CN202310201664.3A CN202310201664A CN116188438A CN 116188438 A CN116188438 A CN 116188438A CN 202310201664 A CN202310201664 A CN 202310201664A CN 116188438 A CN116188438 A CN 116188438A
Authority
CN
China
Prior art keywords
image
cigarette
punching
detected
preset
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
Application number
CN202310201664.3A
Other languages
English (en)
Inventor
曲伟
周超
黄雅琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changde Tobacco Machinery Co Ltd
Original Assignee
Changde Tobacco Machinery Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changde Tobacco Machinery Co Ltd filed Critical Changde Tobacco Machinery Co Ltd
Priority to CN202310201664.3A priority Critical patent/CN116188438A/zh
Publication of CN116188438A publication Critical patent/CN116188438A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于深度学习的烟支打孔质量检测装置、方法、设备及存储介质，涉及工业检测和计算机视觉领域，包括：图像获取模块，用于通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到待检测烟支的打孔图像；图像处理模块，用于获取图像获取模块输出的打孔图像，并根据预设图像预处理方法对待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；检测模块，用于基于深度学习神经网络和预处理后打孔图像获取目标训练模型，并利用目标训练模型和预设图像识别算法对待检测烟支的打孔图像进行处理，确定待检测烟支的孔数和孔径。本申请利用深度学习对烟支打孔进行精准定位及孔径测量，提高了烟支打孔质量的检测速度和精度。

Description

烟支打孔质量检测装置、方法、设备及介质
技术领域
本发明涉及工业检测和计算机视觉领域，特别涉及一种基于深度学习的烟支打孔质量检测装置、方法、设备及存储介质。
背景技术
在烟支生产过程中，烟支打孔是为了解决烟支吸阻与通风度的问题，而烟支打孔的质量检测当前最常用的通常是用显微镜进行人工目视检测，虽然可以直接将烟支打孔数量进行统计，但一旦检测数量过多，就会给检测人员带来很大的工作量，且人工目视检测效率低。利用计算机视觉在工业上的检测越来越广泛，当前也有不少企业利用机器视觉检测烟支打孔质量，主要是通过对烟支打孔区域与非打孔区域之间的阈值差，进而检测出烟支上的打孔区域，从而对烟支打孔进行质量评定。近年来，基于深度学习的目标检测应用，使得机器视觉在工业领域上有了更广泛的应用。尤其在目标检测、目标定位方面表现出更高的优越性。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的烟支打孔质量检测装置、方法、设备及存储介质，能够对烟支打孔进行精准定位及孔径测量，提高了烟支打孔质量的检测速度和精度，大大提高了人工检测的便捷性。其具体方案如下：
第一方面，本申请公开了一种基于深度学习的烟支打孔质量检测装置，包括：
图像获取模块，用于通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；
图像处理模块，用于获取所述图像获取模块输出的所述打孔图像，并根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；
检测模块，用于基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。
可选的，所述图像获取模块，包括：
图像获取单元，用于将所述照明设备以及所述工业相机安装在固定位置，并分别与检测区域保持预设范围的角度，以获取位于所述检测区域上的所述待检测烟支的打孔图像。
可选的，所述图像处理模块，包括：
图像分类子模块，用于对所述待检测烟支的打孔图像按照预设分类规则进行分类，以得到训练样本、验证样本和测试样本；
图像处理子模块，用于对所述训练样本进行去噪处理、增强对比度处理以及前景背景分类处理，以得到所述预处理后打孔图像。
可选的，所述图像处理子模块，包括：
分类处理单元，用于利用区域生长算法对经过所述去噪处理和所述增强对比度处理后的所述训练样本进行所述前景背景分类处理，并基于预设规则对所述前景背景分类处理后得到的分类结果进行筛选，以得到所述预处理后打孔图像。
可选的，所述检测模块，包括：
训练单元，用于利用预设数据集对目标检测网络进行训练，以得到初始化训练模型；
第一模型获取单元，用于将所述预处理后打孔图像输入至所述初始化训练模型进行训练，以得到第一训练模型；
目标模型获取单元，用于利用所述测试样本和所述验证样本对所述第一训练模型进行训练，以得到所述目标训练模型。
可选的，所述检测模块，包括：
检测单元，用于利用所述目标训练模型对所述待检测烟支的打孔图像进行检测，以得到检测结果，并基于所述检测结果确定所述待检测烟支的孔数以及所述待检测烟支的打孔位置。
可选的，所述检测模块，包括：
二值化处理单元，用于对所述待检测烟支的打孔图像进行二值化处理，以得到二值化处理后图像；
边缘图像获取单元，用于利用所述预设图像识别算法对所述二值化处理后图像进行识别，以获取所述待检测烟支的打孔边缘图像；
孔径确定单元，用于基于所述待检测烟支的打孔边缘图像以及所述待检测烟支的打孔位置确定所述待检测烟支的孔径。
第二方面，本申请公开了一种基于深度学习的烟支打孔质量检测方法，包括：
通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；
根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；
基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的基于深度学习的烟支打孔质量检测方法的步骤。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的基于深度学习的烟支打孔质量检测方法的步骤。
由上可知，本申请公开的一种基于深度学习的烟支打孔质量检测装置中，图像获取模块，用于通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；图像处理模块，用于获取所述图像获取模块输出的所述打孔图像，并根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；检测模块，用于基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。可见，本申请通过一种自动识别烟支打孔质量的装置，利用照明装置对烟支上的滤嘴区域进行照明，加强烟支打孔与滤嘴其他区域的对比度，获取清晰的烟支打孔图像；利用工业相机拍摄待检测烟支上的打孔图像，并将打孔图像送至图像预处理系统，来获取烟支打孔的边缘图像；最后利用深度学习神经网络，将预处理后的图像输入至检测系统，进行模型训练，最后利用完成训练的模型对实时采集的烟支图像进行烟支打孔位置检测、打孔数量统计及孔径测量。从而提高了烟支打孔检测的速度和质量，消除因为人工操作所带来的误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种基于深度学习的烟支打孔质量检测装置的示意图；
图2为本申请公开的一种基于深度学习的烟支打孔质量检测装置结构的示意图；
图3为本申请公开的一种基于深度学习的烟支打孔质量检测方法的流程图；
图4为本申请公开的一种基于深度学习的烟支打孔质量检测方法的流程图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，对于烟支打孔的质量检测最常用的通常是用显微镜进行人工目视检测，虽然可以直接将烟支打孔数量进行统计，但一旦检测数量过多，就会给检测人员带来很大的工作量，且人工目视检测效率低。为解决上述问题本申请公开了一种基于深度学习的烟支打孔质量检测装置，能够提高烟支打孔质量的检测速度和精度，消除因为人工操作所带来的误差。
参见图1所示，本发明实施例公开了一种基于深度学习的烟支打孔质量检测装置，包括：
图像获取模块11，用于通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像。
本实施例中，对烟支打孔进行质量检测首先获取烟支的图像，所述图像获取模块，具体可以包括：图像获取单元，用于将所述照明设备以及所述工业相机安装在固定位置，并分别与检测区域保持预设范围的角度，以获取位于所述检测区域上的所述待检测烟支的打孔图像。如图2所示，将两个照明装置分别安装在与检测区域的垂直方向的上方与下方，两个工业相机分别与检测区域所成角度为15°～25°。其中，照明装置在固定检测区域对烟支滤嘴进行打光，减少外界环境对烟支打孔区域图像采集的干扰；工业相机用于获取烟支打孔的图像。同时，工业相机通过电缆与图像处理模块相连，将所述待检测烟支的打孔图像发送至所述图像处理模块。
图像处理模块12，用于获取所述图像获取模块输出的所述打孔图像，并根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像。
本实施例中，所述图像处理模块，包括：图像分类子模块，用于对所述待检测烟支的打孔图像按照预设分类规则进行分类，以得到训练样本、验证样本和测试样本；图像处理子模块，用于对所述训练样本进行去噪处理、增强对比度处理以及前景背景分类处理，以得到所述预处理后打孔图像。其中，在进行分类之前，利用LabelImage工具对采集的图像上的打孔进行标注，通过标定烟支打孔的区域，获取孔在图像中的位置以xml形式保存。进一步的，所述图像处理子模块，包括：分类处理单元，用于利用区域生长算法对经过所述去噪处理和所述增强对比度处理后的所述训练样本进行所述前景背景分类处理，并基于预设规则对所述前景背景分类处理后得到的分类结果进行筛选，以得到所述预处理后打孔图像。需要指出的是，在一种具体的实施例中，采用选取Faster RCNN作为目标检测网络，选择ResNet50作为主干网络进行训练，使用自数据集ImageNet作为预训练模型。由于FasterRCNN中RPN(Region Proposa NetWork，区域建议候选网络)网络的anchor机制在产生候选区域框时，对每个anchor点都计算前景背景概率以及候选框的回归偏移量，而导致RPN网络对不包含目标的anchor点做冗余计算的问题，因而本发明着重强调通过对检测图像做前景背景预分类，将分类结果作为筛选anchor点的先验信息，删除不包含目标的anchor点，充分利用RPN网络中anchor点的有效信息，从而提高目标检测的精度与速度。具体的，采用区域生长算法对图像进行前景背景分类。在图像上(10，10)～(20，20)位置处选取第一个种子点，以图像长宽70～130像素范围内选取其余种子点放入堆栈A中，设置区域生长规则。设置一个与输入图像一样大小的矩阵，将矩阵内的值设置为1。选出A中的种子点，设种子点位(x0，y0)。以(x0，y0)为当前点，将矩阵中(x0，y0)设置为0，对其8邻域像素(xi，yi)与当前点(x0，y0)进行做差比较，将差值小于阈值并且在矩阵中(xi，yi)值是1的像素点(xi，yi)与当前点合并，将(xi，yi)压入堆栈A。重复上述步骤，直至堆栈A中为空时，生长结束。将经过筛选后的图像作为Faster RCNN的训练数据。
检测模块13，用于基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。
本实施例中，所述检测模块，包括：训练单元，用于利用预设数据集对目标检测网络进行训练，以得到初始化训练模型；第一模型获取单元，用于将所述预处理后打孔图像输入至所述初始化训练模型进行训练，以得到第一训练模型；目标模型获取单元，用于利用所述测试样本和所述验证样本对所述第一训练模型进行训练，以得到所述目标训练模型。检测单元，用于利用所述目标训练模型对所述待检测烟支的打孔图像进行检测，以得到检测结果，并基于所述检测结果确定所述待检测烟支的孔数以及所述待检测烟支的打孔位置。即先利用预设数据集对目标检测网络进行训练，以得到初始化训练模型，之后将所述预处理后打孔图像输入至所述初始化训练模型进行训练，以得到第一训练模型，之后利用所述测试样本和所述验证样本对所述第一训练模型进行训练，以得到所述目标训练模型。需要指出的是，利用所述测试样本和所述训练样本再次对所述第一训练模型进行训练，使得训练模型更加符合要求，且检测结果更加准确，同时调节权重，获得更符合要求的训练模型，即所述目标训练模型。最后利用所述目标训练模型对所述待检测烟支的打孔图像进行检测，以得到检测结果，并基于所述检测结果确定所述待检测烟支的孔数以及所述待检测烟支的打孔位置。其中，训练出来的模型需要导出至有Python环境下，孔数及孔径的界面显示通过C++调用动态链接库进行烟支打孔数量统计。
在一种具体的实施例中，模型选取Faster RCNN作为目标检测网络，Faster RCNN通过将特征提权、候选区提取、目标区域的位置回归及目标分类都整合在一个网络中，提高了目标检测及分类的速度。并且该网络模型提出的区域建议候选网络(Region ProposaNetWork，RPN)可以高精度的加快整个模型的检测速度。选择ResNet50作为主干网络进行训练，主干网络主要是用来做特征提取用的神经网络，用于提取采集图片特征信息，生成特征图，供RPN网络使用。首先，网络初始化模型采用ImageNet进行预训练，将训练好的Fast R-CNN模型用于训练新的RPN网络，并且由于Faster R-CNN模型中共享卷积层，因此在在训练时将共享卷积层参数固定，只调整RPN网络参数即可。
在确定所述待检测烟支的孔数以及所述待检测烟支的打孔位置之后，还需要对图像进行处理，来进一步确定所述待检测烟支的孔径。所述检测模块，包括：二值化处理单元，用于对所述待检测烟支的打孔图像进行二值化处理，以得到二值化处理后图像；边缘图像获取单元，用于利用所述预设图像识别算法对所述二值化处理后图像进行识别，以获取所述待检测烟支的打孔边缘图像；孔径确定单元，用于基于所述待检测烟支的打孔边缘图像以及所述待检测烟支的打孔位置确定所述待检测烟支的孔径。即将采集的图像再次进行二值化处理、并使用图像识别算法Canny算子获取烟支打孔边缘图像。根据神经网络检测的烟支打孔的位置结合烟支打孔的边缘，计算打孔的直径。最终确定了所述待检测烟支的孔数以及打孔的直径，从而对烟支打孔质量进行检测。
由上可知，本申请公开的一种基于深度学习的烟支打孔质量检测装置中，图像获取模块，用于通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；图像处理模块，用于获取所述图像获取模块输出的所述打孔图像，并根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；检测模块，用于基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。可见，本申请通过一种自动识别烟支打孔质量的装置，利用照明装置对烟支上的滤嘴区域进行照明，加强烟支打孔与滤嘴其他区域的对比度，获取清晰的烟支打孔图像；利用工业相机拍摄待检测烟支上的打孔图像，并将打孔图像送至图像预处理系统，来获取烟支打孔的边缘图像；最后利用深度学习神经网络，将预处理后的图像输入至检测系统，进行模型训练，最后利用完成训练的模型对实时采集的烟支图像进行烟支打孔位置检测、打孔数量统计及孔径测量。从而提高了烟支打孔检测的速度和质量，消除因为人工操作所带来的误差。
参见图3所示，本发明实施例公开了一种基于深度学习的烟支打孔质量检测方法，包括：
步骤S11、通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像。
步骤S12、根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像。
步骤S13、基于深度学习神经网络以及预设图像识别算法对所述预处理后打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。
本实施例中，如图4所示，先利用工业相机以及预设照明设备对待检测烟支进行图像采集，将采集到的图片进行预处理，其中，预处理包括：去噪处理、阈值处理以及前景背景分类处理，以得到处理后的图像。之后进行模型训练，并利用训练好的模型和图像数据对实时采集的烟支打孔数量进行检测。进一步利用Canny算子获取烟支打孔边缘图像，从而确定烟支打孔的孔径大小，这样一来，便完成了烟支打孔质量的检测。需要指出的是，进行深度学习用到的待检测烟支的打孔图像为深度学习之前采集的图像，而最终检测的待检测烟支的打孔图像为深度学习完成之后实时采集得到的图像。
由上可知，本申请在进行烟支打孔质量检测时，先通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。可见，本申请通过一种自动识别烟支打孔质量的方法，利用照明装置对烟支上的滤嘴区域进行照明，加强烟支打孔与滤嘴其他区域的对比度，获取清晰的烟支打孔图像；利用工业相机拍摄待检测烟支上的打孔图像，并将打孔图像送至图像预处理系统，来获取烟支打孔的边缘图像；最后利用深度学习神经网络，将预处理后的图像输入至检测系统，进行模型训练，最后利用完成训练的模型对实时采集的烟支图像进行烟支打孔位置检测、打孔数量统计及孔径测量。从而提高了烟支打孔检测的速度和质量，消除因为人工操作所带来的误差。
进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于深度学习的烟支打孔质量检测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于深度学习的烟支打孔质量检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于深度学习的烟支打孔质量检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于深度学习的烟支打孔质量检测装置，其特征在于，包括：
图像获取模块，用于通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；
图像处理模块，用于获取所述图像获取模块输出的所述打孔图像，并根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；
检测模块，用于基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。
2.根据权利要求1所述的基于深度学习的烟支打孔质量检测装置，其特征在于，所述图像获取模块，包括：
图像获取单元，用于将所述照明设备以及所述工业相机安装在固定位置，并分别与检测区域保持预设范围的角度，以获取位于所述检测区域上的所述待检测烟支的打孔图像。
3.根据权利要求1或2所述的基于深度学习的烟支打孔质量检测装置，其特征在于，所述图像处理模块，包括：
图像分类子模块，用于对所述待检测烟支的打孔图像按照预设分类规则进行分类，以得到训练样本、验证样本和测试样本；
图像处理子模块，用于对所述训练样本进行去噪处理、增强对比度处理以及前景背景分类处理，以得到所述预处理后打孔图像。
4.根据权利要求3所述的基于深度学习的烟支打孔质量检测装置，其特征在于，所述图像处理子模块，包括：
分类处理单元，用于利用区域生长算法对经过所述去噪处理和所述增强对比度处理后的所述训练样本进行所述前景背景分类处理，并基于预设规则对所述前景背景分类处理后得到的分类结果进行筛选，以得到所述预处理后打孔图像。
5.根据权利要求4所述的基于深度学习的烟支打孔质量检测装置，其特征在于，所述检测模块，包括：
训练单元，用于利用预设数据集对目标检测网络进行训练，以得到初始化训练模型；
第一模型获取单元，用于将所述预处理后打孔图像输入至所述初始化训练模型进行训练，以得到第一训练模型；
目标模型获取单元，用于利用所述测试样本和所述验证样本对所述第一训练模型进行训练，以得到所述目标训练模型。
6.根据权利要求5所述的基于深度学习的烟支打孔质量检测装置，其特征在于，所述检测模块，包括：
检测单元，用于利用所述目标训练模型对所述待检测烟支的打孔图像进行检测，以得到检测结果，并基于所述检测结果确定所述待检测烟支的孔数以及所述待检测烟支的打孔位置。
7.根据权利要求6所述的基于深度学习的烟支打孔质量检测装置，其特征在于，所述检测模块，包括：
二值化处理单元，用于对所述待检测烟支的打孔图像进行二值化处理，以得到二值化处理后图像；
边缘图像获取单元，用于利用所述预设图像识别算法对所述二值化处理后图像进行识别，以获取所述待检测烟支的打孔边缘图像；
孔径确定单元，用于基于所述待检测烟支的打孔边缘图像以及所述待检测烟支的打孔位置确定所述待检测烟支的孔径。
8.一种深度学习的烟支打孔质量检测方法，其特征在于，包括：
通过工业相机对在预设照明设备照射下的待检测烟支进行图像采集，以得到所述待检测烟支的打孔图像；
根据预设图像预处理方法对所述待检测烟支的打孔图像进行预处理，得到预处理后打孔图像；
基于深度学习神经网络和所述预处理后打孔图像获取目标训练模型，并利用所述目标训练模型和预设图像识别算法对所述待检测烟支的打孔图像进行处理，以确定所述待检测烟支的孔数以及所述待检测烟支的孔径。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求8所述的深度学习的烟支打孔质量检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求8所述的深度学习的烟支打孔质量检测方法的步骤。
CN202310201664.3A 2023-03-06 2023-03-06 烟支打孔质量检测装置、方法、设备及介质 Pending CN116188438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310201664.3A CN116188438A (zh) 2023-03-06 2023-03-06 烟支打孔质量检测装置、方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310201664.3A CN116188438A (zh) 2023-03-06 2023-03-06 烟支打孔质量检测装置、方法、设备及介质

Publications (1)

Publication Number Publication Date
CN116188438A true CN116188438A (zh) 2023-05-30

Family

ID=86432556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310201664.3A Pending CN116188438A (zh) 2023-03-06 2023-03-06 烟支打孔质量检测装置、方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116188438A (zh)

Similar Documents

Publication Publication Date Title
CN108648169B (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN106033535B (zh) 电子阅卷方法
EP3843036A1 (en) Sample labeling method and device, and damage category identification method and device
CN111210399B (zh) 一种成像质量评价方法、装置及设备
CN110458126B (zh) 一种受电弓状态监测方法及装置
CN112541372B (zh) 一种困难样本筛选方法及装置
CN116798036B (zh) 用于识别和校验答题卡客观题识别结果的方法及装置
CN114549993A (zh) 实验中线段图像的评分方法、系统、设备及可读存储介质
CN116228741A (zh) 一种pcba元器件缺陷检测方法及装置
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN108509826B (zh) 一种遥感影像的道路识别方法及其系统
CN114373105B (zh) 一种点云标注及数据集制作的方法、系统、装置及介质
CN117710756B (zh) 一种目标检测及模型训练方法、装置、设备、介质
CN114863311A (zh) 一种变电站机器人巡检目标自动跟踪方法及系统
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
DE112018000224T5 (de) Verfahren und Vorrichtung zum Positionieren von Probenschlitzen
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN116990229A (zh) 一种产品镀铜层表面的缺陷检测方法及系统
CN116188438A (zh) 烟支打孔质量检测装置、方法、设备及介质
CN110070520B (zh) 基于深度神经网络的路面裂缝检测模型构建及检测方法
CN113705672B (zh) 图像目标检测的阈值选取方法、系统、装置及存储介质
CN111523583B (zh) 一种利用无人机对设备铭牌照片自动识别分类的方法
CN114742993A (zh) 基于视觉实现COVID-19Ag抗原检测结果识别的方法、装置、处理器及其存储介质
CN110969875B (zh) 一种用于道路交叉口交通管理的方法及系统
US20200184216A1 (en) Machine continuous learning method of neural network object classifier and related monitoring camera apparatus

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