CN116681644B - 基于变分贝叶斯推理的烟支外观缺陷检测方法 - Google Patents
基于变分贝叶斯推理的烟支外观缺陷检测方法 Download PDFInfo
- Publication number
- CN116681644B CN116681644B CN202310092925.2A CN202310092925A CN116681644B CN 116681644 B CN116681644 B CN 116681644B CN 202310092925 A CN202310092925 A CN 202310092925A CN 116681644 B CN116681644 B CN 116681644B
- Authority
- CN
- China
- Prior art keywords
- cigarette
- appearance defect
- reasoning
- detection
- defect 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 84
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000003908 quality control method Methods 0.000 abstract description 3
- 238000010948 quality risk assessment Methods 0.000 abstract description 3
- 241000208125 Nicotiana Species 0.000 description 6
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 6
- 230000002950 deficient Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013398 bayesian method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102100031315 AP-2 complex subunit mu Human genes 0.000 description 1
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- 101000796047 Homo sapiens AP-2 complex subunit mu Proteins 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于变分贝叶斯推理的烟支外观缺陷检测方法,在烟支外观缺陷检测场景中,为解决目前基于点估计的机器学习算法在数据稀缺区域导致过度自信决策的问题,本发明提出基于变分推理的贝叶斯方法来改进SSD的骨干网络,优选是使用变分推理方式来计算真实的后验概率,利用概率分布的形式替换原骨干网络中卷积层权重的点估计机制,然后再利用SSD目标检测算法对改进后的提取出的特征进行检测,进而精准确定烟支外观是否有缺陷以及缺陷的类型和位置。本发明能够在不损失处理速度前提下提升缺陷检测精度,既节约大量的人力物力,并可以有效地为缺陷类型寻找根源提供可靠的技术支持,进而实现卷烟生产车间的智能化质量风险管控。
Description
技术领域
本发明涉及卷烟制造领域,尤其涉及一种基于变分贝叶斯推理的烟支外观缺陷检测方法。
背景技术
卷烟厂流程化的生产方式能够满足大批量生产烟支的要求,但这种快速的生产方式就意味着产品质量难以得到严格把控,这就导致会产生一些烟支残次品。在生产的过程中及时发现残次品并进行修整对发展生产意义重大,如果不合格的烟支未被挑拣,就会进入到下一个包装流程,生产过程存在缺陷会导致烟支在包装之后外观也会存在差异,如果客户购买了含有残次品的卷烟产品,就会对此产品的质量产生怀疑,从而造成客户的流失。现阶段,我国大部分卷烟和烟草生产企业对卷烟和烟草的检测采用人工抽样的方式,这意味着卷烟和烟草生产企业无法对产品质量得到全面监测,人工抽样检查方式不仅耗费人力成本也会存在遗漏问题,并导致大量的不合格产品流入市场销售。
由于烟支生产数量巨大,因此,运用基于深度学习的算法对烟支外观质量缺陷进行实时快速分是非常必要的,能在生产的过程中及时地将存在外观质量缺陷的产品检测出来,从而进行处理剔除,既能保证卷烟的质量,也能够帮助卷烟生产企业提高检测缺陷产品的效率,实现智能化检测。
基于上述,目前业内提出结合Transformer架构的烟包切层断面异物检测方法,该网络包含了局部信息增强、特征提取、候选区域生成和目标检测模块。第一步以烟包切层断面异物检测数据集作为输入,第二步对图像进行信息增强,第三步进行特征提取,第四步利用候选区域生成模块融合特征图生成设定大小的特征图,最后进行烟包缺陷检测。
本发明对该现有技术进行分析后,认为其方案中在局部信息增强模块里使用了卷积操作,而卷积层的权重在计算时使用点估计完成,但是在数据较少或者没有数据的区域则难以表达不确定性,会造成过度自信的决策;另外,该现有方法进行目标检测时结合的是二阶段目标检测算法,相对于一阶段目标检测算法来说其计算复杂度较大,参数量相对较多,导致推理效率会受到明显的限制。
发明内容
鉴于上述,本发明旨在提供一种基于变分贝叶斯推理的烟支外观缺陷检测方法,以解决在烟支生产过程中产生的产品缺陷难以准确识别,尤其是现有深度学习方法进行目标检测时卷积层中使用点估计带来的过度自信决策问题。
本发明采用的技术方案如下:
本发明提供了一种基于变分贝叶斯推理的烟支外观缺陷检测方法,其中包括:
预先构建基于变分贝叶斯推理的烟支外观缺陷检测模型,所述烟支外观缺陷检测模型为SSD目标检测模型,且所述烟支外观缺陷检测模型包括基于变分贝叶斯推理方法改进后的骨干网络;
采集卷烟生产线中烟支组装切割后的烟支外观图像,作为待检测数据;
利用所述烟支外观缺陷检测模型对输入的所述烟支外观图像进行实时推理,得到烟支外观缺陷检测结果。
在其中至少一种可能的实现方式中,所述基于变分贝叶斯推理方法改进后的骨干网络包括:以变分推理方式计算后验概率,并利用概率分布的形式替换原SSD目标检测模型的骨干网络中卷积层权重的点估计机制。
在其中至少一种可能的实现方式中,所述烟支外观缺陷检测模型的训练过程包括:
建立烟支外观缺陷检测数据集,作为输入的图像数据集;
利用变分贝叶斯推理方法改进后的骨干网络进行特征提取,得到多个特征图;
使用每一层的default box对特征图进行信息提取;
定位器根据每一个default box信息,生成检测框的偏移量,并将所述偏移量与ground truth比对,生成定位损失;
分类器根据每一个default box信息,生成类别标签,并将所分类别与groundtruth比对,生成分类损失;
综合所述分类损失与定位损失,生成模型的总损失并进行反向传播;
利用所述图像数据集进行重复迭代,直至达到设定训练次数后保存最佳的模型参数。
在其中至少一种可能的实现方式中,在进行特征提取之前还可以包括:
输入烟支外观缺陷图像及ground truth,其中包括预设标签及bounding box;
计算与default box的IOU,并将ground truth转变为default box的形式。
在其中至少一种可能的实现方式中,所述利用所述烟支外观缺陷检测模型对输入的所述烟支外观图像进行实时推理包括:
基于改进后的骨干网络提取特征图;
使用每一层的default box对特征图进行信息提取;
由定位器根据每一个default box信息,生成检测框偏移量;并由分类器根据每一个default box信息,生成类别标签;
基于检测框偏移量以及类别标签,剔除无效检测框,并消除冗余的检测框;
输出最终的预测框及对应的类别标签。
在其中至少一种可能的实现方式中,所述剔除无效检测框包括:剔除标签为背景的检测框。
在其中至少一种可能的实现方式中,所述消除冗余的检测框包括:利用非极大值抑制方式消除冗余的检测框。
在其中至少一种可能的实现方式中,所述骨干网络为前置特征提取网络VGG16。
与现有技术相比,本发明的主要设计构思在于,在烟支外观缺陷检测场景中,为解决目前基于点估计的机器学习算法在数据稀缺区域导致过度自信决策的问题,提出基于变分推理的贝叶斯方法来改进SSD的骨干网络VGG16,具体是使用变分推理方式来计算真实的后验概率,利用概率分布的形式替换原骨干网络VGG16中卷积层权重的点估计机制,然后再利用SSD目标检测算法对改进后的VGG16提取出的特征进行检测,进而精准确定烟支外观是否有缺陷以及缺陷的类型和位置。本发明能够在不损失处理速度前提下提升缺陷检测精度,既节约大量的人力物力,并可以有效地为缺陷类型寻找根源提供可靠的技术支持,进而实现卷烟生产车间的智能化质量风险管控。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明实施例提供的基于变分贝叶斯推理的烟支外观缺陷检测方法的流程示意图;
图2为本发明实施例提供的SSD烟支外观缺陷检测模型的示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明提出了一种基于变分贝叶斯推理的烟支外观缺陷检测方法的实施例,具体来说,如图1所示,其中包括:
步骤S1、预先构建基于变分贝叶斯推理的烟支外观缺陷检测模型,所述烟支外观缺陷检测模型为SSD目标检测模型,且所述烟支外观缺陷检测模型包括基于变分贝叶斯推理方法改进后的骨干网络(如前置特征提取网络VGG16);
步骤S2、采集卷烟生产线中烟支组装切割后的烟支外观图像,作为待检测数据;
步骤S3、利用所述烟支外观缺陷检测模型对输入的所述烟支外观图像进行实时推理,得到烟支外观缺陷检测结果。
其中,所述基于变分贝叶斯推理方法改进后的骨干网络包括:以变分推理方式计算后验概率,并利用概率分布的形式替换原骨干网络中卷积层权重的点估计机制。
进一步地,所述烟支外观缺陷检测模型的训练过程可参考如下:
步骤S1-1、建立烟支外观缺陷检测数据集,作为输入的图像数据集;
步骤S1-2、利用变分贝叶斯推理方法改进后的骨干网络进行特征提取,得到多个特征图;
步骤S1-3、使用每一层的default box对特征图进行信息提取;
步骤S1-4、定位器根据每一个default box信息,生成检测框的偏移量,并将所述偏移量与ground truth比对,生成定位损失;
步骤S1-5、分类器根据每一个default box信息,生成类别标签(表征框中内容属性,如背景、某缺陷外观等),并将所分类别与ground truth比对,生成分类损失;
步骤S1-6、综合所述分类损失与定位损失,生成模型的总损失并进行反向传播;
步骤S1-7、利用所述图像数据集重复迭代S1-2至S1-6步骤,达到设定训练次数后保存最佳的模型参数。
基于此构思,在进行特征提取之前还可以包括:输入烟支外观缺陷图像及groundtruth,其中包括预设标签及bounding box;计算与default box的IOU,并将ground truth转变为default box的形式。此步骤在实际操作中可以参考已有的SSD算法,本发明对此不做赘述。
由上述训练过程,可以理解地,所述利用所述烟支外观缺陷检测模型对输入的所述烟支外观图像进行实时推理包括:
步骤S31、基于改进后的骨干网络提取特征图;
步骤S32、使用每一层的default box对特征图进行信息提取;
步骤S33、由定位器根据每一个default box信息,生成检测框偏移量;并由分类器根据每一个default box信息,生成类别标签;
步骤S34、基于检测框偏移量以及类别标签,剔除无效检测框,并消除冗余的检测框;
步骤S35、输出最终的预测框及对应的类别标签。
这其中,所述剔除无效检测框包括剔除标签为背景的检测框;而所述消除冗余的检测框的方式可以包括:利用非极大值抑制方式消除冗余的检测框。
这里,结合下述实例对模型的整个检测过程进行示意说明,首先构建基于变分贝叶斯推理的SSD烟支外观缺陷检测模型,可参考图2所示。该模型中包括基于变分贝叶斯推理改进的骨干网络VGG16和SSD目标检测架构,其中,前置的特征提取任务便是利用改进后的VGG16予以实现。例如在一些实施例,可以提取出六个特征图:将300×300×3的烟支外观图像输入VGG16,在VGG16中经过两个卷积层(Conv1)得到304×304×64尺寸的特征图1;经一个池化层和两个卷积层(Conv2)得到152×152×128尺寸的特征图2;特征图3通过一个池化层和三个卷积层(Conv3)后得到,尺寸为76×76×256;特征图4也经过一个池化层和三个卷积层(Conv4)得到,尺寸为38×38×512;接着经过一个池化层和三个卷积层(Conv5)得到38×38×512尺寸得到特征图5;经过一个池化层和3×3×1024的卷积层(Conv6)后得到尺寸为19×19×1024特征图6。
SSD检测过程则可以通过后续的四个卷积层处理得到:经前述卷积层Conv6输出的特征图经过一个1×1×1024的卷积操作(Conv7)得到19×19×1024的特征图,生成的19×19×6=2166个候选框进行分类和回归,在该特征图上未检出物;接着做一个1×1×256和3×3×512-s2(s2为stride=2)的卷积操作Conv8后得到10×10×512的特征图,对生成的10×10×6=600个候选框进行分类和回归,仍不能检出目标物体;接着做卷积操作Conv9,具体为1×1×128和3×3×256-s2卷积之后得到5×5×256的特征图对生成的5×5×6=150个候选框进行分类和回归,可以检出两个目标;继续进行卷积操作Conv10,具体为1×1×128和3×3×256-s1卷积之后得到3×3×256的特征图,对生成的3×3×4=36个候选框进行分类和回归,检出一个目标;继续做最后一个卷积操作Conv11,具体为1×1×128和3×3×256-s1卷积之后得到1×1×256的特征图,对生成的1×1×4=4个候选框进行分类和回归,检出一个目标。
最后,对这5776+2166+600+150+36+4=8732个候选框分类和回归之后,对检出结果进行非极大值抑制后得到最终的检测结果。
为了验证上述基于变分贝叶斯推理的SSD烟支外观缺陷检测方法的有效性,本发明使用SSD原始网络与本发明方法进行对比,其中,数据集采用前文步骤S1-1提及的烟支外观缺陷数据集,评价指标为IOU为0.5时的AP50,IOU为0.75时的AP75和FPS,所得比对结果如下表所示:
从表中可见,本发明提出的方法相比现有的SSD目标检测算法具有更高的检测精度,且检测速度相当。
综上所述,本发明的主要设计构思在于,在烟支外观缺陷检测场景中,为解决目前基于点估计的机器学习算法在数据稀缺区域导致过度自信决策的问题,提出基于变分推理的贝叶斯方法来改进SSD的骨干网络VGG16,具体是使用变分推理方式来计算真实的后验概率,利用概率分布的形式替换原骨干网络VGG16中卷积层权重的点估计机制,然后再利用SSD目标检测算法对改进后的VGG16提取出的特征进行检测,进而精准确定烟支外观是否有缺陷以及缺陷的类型和位置。本发明能够在不损失处理速度前提下提升缺陷检测精度,既节约大量的人力物力,并可以有效地为缺陷类型寻找根源提供可靠的技术支持,进而实现卷烟生产车间的智能化质量风险管控。
本发明实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (7)
1.一种基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,包括:
预先构建基于变分贝叶斯推理的烟支外观缺陷检测模型,所述烟支外观缺陷检测模型为SSD目标检测模型,且所述烟支外观缺陷检测模型包括基于变分贝叶斯推理方法改进后的骨干网络;
采集卷烟生产线中烟支组装切割后的烟支外观图像,作为待检测数据;
利用所述烟支外观缺陷检测模型对输入的所述烟支外观图像进行实时推理,得到烟支外观缺陷检测结果,包括:
基于改进后的骨干网络提取特征图;
使用每一层的default box对特征图进行信息提取;
由定位器根据每一个default box信息,生成检测框偏移量;并由分类器根据每一个default box信息,生成类别标签;
基于检测框偏移量以及类别标签,剔除无效检测框,并消除冗余的检测框;
输出最终的预测框及对应的类别标签。
2.根据权利要求1所述的基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,所述基于变分贝叶斯推理方法改进后的骨干网络包括:以变分推理方式计算后验概率,并利用概率分布的形式替换原SSD目标检测模型的骨干网络中卷积层权重的点估计机制。
3.根据权利要求1所述的基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,所述烟支外观缺陷检测模型的训练过程包括:
建立烟支外观缺陷检测数据集,作为输入的图像数据集;
利用变分贝叶斯推理方法改进后的骨干网络进行特征提取,得到多个特征图;
使用每一层的default box对特征图进行信息提取;
定位器根据每一个default box信息,生成检测框的偏移量,并将所述偏移量与groundtruth比对,生成定位损失;
分类器根据每一个default box信息,生成类别标签,并将所分类别与ground truth比对,生成分类损失;
综合所述分类损失与定位损失,生成模型的总损失并进行反向传播;
利用所述图像数据集进行重复迭代,直至达到设定训练次数后保存最佳的模型参数。
4.根据权利要求3所述的基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,在进行特征提取之前还可以包括:
输入烟支外观缺陷图像及ground truth,其中包括预设标签及bounding box;
计算与default box的IOU,并将ground truth转变为default box的形式。
5.根据权利要求1所述的基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,所述剔除无效检测框包括:剔除标签为背景的检测框。
6.根据权利要求1所述的基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,所述消除冗余的检测框包括:利用非极大值抑制方式消除冗余的检测框。
7.根据权利要求1~6任一项所述的基于变分贝叶斯推理的烟支外观缺陷检测方法,其特征在于,所述骨干网络为前置特征提取网络VGG16。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092925.2A CN116681644B (zh) | 2023-02-03 | 2023-02-03 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092925.2A CN116681644B (zh) | 2023-02-03 | 2023-02-03 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681644A CN116681644A (zh) | 2023-09-01 |
CN116681644B true CN116681644B (zh) | 2024-01-12 |
Family
ID=87781527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092925.2A Active CN116681644B (zh) | 2023-02-03 | 2023-02-03 | 基于变分贝叶斯推理的烟支外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681644B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001204455A (ja) * | 2000-01-28 | 2001-07-31 | Japan Tobacco Inc | シガレット製造装置 |
CN110378618A (zh) * | 2019-07-26 | 2019-10-25 | 杭州安脉盛智能技术有限公司 | 基于在线烟丝表面缺陷检测的质量评价方法及系统 |
CN113421235A (zh) * | 2021-06-17 | 2021-09-21 | 中国电子科技集团公司第四十一研究所 | 一种基于深度学习的烟支定位装置及方法 |
CN113506247A (zh) * | 2021-06-16 | 2021-10-15 | 国网湖北省电力有限公司孝感供电公司 | 一种基于变分贝叶斯推断的输电线路巡检缺陷检测方法 |
CN114022412A (zh) * | 2021-10-12 | 2022-02-08 | 上海伯耶信息科技有限公司 | 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 |
CN114170161A (zh) * | 2021-11-25 | 2022-03-11 | 云南大学 | 一种烟支外观缺陷检测方法及系统 |
JP7142991B1 (ja) * | 2022-01-18 | 2022-09-28 | 成都理工大学 | 棒状たばこ箱表面欠陥検出の方法及び装置 |
CN115375964A (zh) * | 2022-07-28 | 2022-11-22 | 中国科学院深圳先进技术研究院 | 一种基于YOLOv5模型改进的方法及装置 |
CN115423796A (zh) * | 2022-09-22 | 2022-12-02 | 重庆邮电大学 | 一种基于TensorRT加速推理的芯片缺陷检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220004875A1 (en) * | 2020-07-02 | 2022-01-06 | Mitsubishi Electric Research Laboratories, Inc. | Automated Construction of Neural Network Architecture with Bayesian Graph Exploration |
-
2023
- 2023-02-03 CN CN202310092925.2A patent/CN116681644B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001204455A (ja) * | 2000-01-28 | 2001-07-31 | Japan Tobacco Inc | シガレット製造装置 |
CN110378618A (zh) * | 2019-07-26 | 2019-10-25 | 杭州安脉盛智能技术有限公司 | 基于在线烟丝表面缺陷检测的质量评价方法及系统 |
CN113506247A (zh) * | 2021-06-16 | 2021-10-15 | 国网湖北省电力有限公司孝感供电公司 | 一种基于变分贝叶斯推断的输电线路巡检缺陷检测方法 |
CN113421235A (zh) * | 2021-06-17 | 2021-09-21 | 中国电子科技集团公司第四十一研究所 | 一种基于深度学习的烟支定位装置及方法 |
CN114022412A (zh) * | 2021-10-12 | 2022-02-08 | 上海伯耶信息科技有限公司 | 一种基于深度学习视觉检测的卷烟辅料纸张缺陷检测方法 |
CN114170161A (zh) * | 2021-11-25 | 2022-03-11 | 云南大学 | 一种烟支外观缺陷检测方法及系统 |
JP7142991B1 (ja) * | 2022-01-18 | 2022-09-28 | 成都理工大学 | 棒状たばこ箱表面欠陥検出の方法及び装置 |
CN115375964A (zh) * | 2022-07-28 | 2022-11-22 | 中国科学院深圳先进技术研究院 | 一种基于YOLOv5模型改进的方法及装置 |
CN115423796A (zh) * | 2022-09-22 | 2022-12-02 | 重庆邮电大学 | 一种基于TensorRT加速推理的芯片缺陷检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于变分贝叶斯的数据分类算法;张文倩;王瑛;张红梅;宋增杰;;空军工程大学学报(自然科学版)(02);全文 * |
基于支持向量机的条烟包装外观缺陷检测;孙娜;管一弘;崔云月;罗亚桃;黄岗;;软件(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681644A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
CN109158954B (zh) | 一种基于声信号检测的超声刀具磨损状态识别方法与系统 | |
CN116188475B (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 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN114170161A (zh) | 一种烟支外观缺陷检测方法及系统 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 | |
CN112819796A (zh) | 烟丝异物识别方法及设备 | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN115128033A (zh) | 烟叶检测方法、装置和系统、存储介质 | |
CN111783616A (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN115063084A (zh) | 一种卷烟零售商户库存盘点方法及系统 | |
CN113837607B (zh) | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 | |
CN113469233B (zh) | 基于深度学习的烟叶自动定级方法及系统 | |
CN116681644B (zh) | 基于变分贝叶斯推理的烟支外观缺陷检测方法 | |
CN112697984B (zh) | 基于神经网络的水果缺陷无损检测方法及水果分级方法 | |
CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
CN112966541A (zh) | 果蔬自动验货方法、系统、电子设备以及计算机可读介质 | |
CN113763384B (zh) | 工业质检中的缺陷检测方法、缺陷检测装置 | |
CN115984632A (zh) | 一种高光谱塑料垃圾材质快速分类方法、装置及存储介质 | |
CN112801220B (zh) | 一种农产品品质分类方法、装置、计算机设备和存储介质 | |
CN114235810A (zh) | 一种基于面阵工业相机的布匹瑕疵自动检测方法 | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
CN113034432A (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |