CN116831307A - 烟草物料风选除杂过程控制方法和装置、存储介质 - Google Patents
烟草物料风选除杂过程控制方法和装置、存储介质 Download PDFInfo
- Publication number
- CN116831307A CN116831307A CN202310776580.2A CN202310776580A CN116831307A CN 116831307 A CN116831307 A CN 116831307A CN 202310776580 A CN202310776580 A CN 202310776580A CN 116831307 A CN116831307 A CN 116831307A
- Authority
- CN
- China
- Prior art keywords
- winnowing
- image
- tobacco
- distribution
- materials
- 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
- 239000000463 material Substances 0.000 title claims abstract description 227
- 238000000034 method Methods 0.000 title claims abstract description 119
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 105
- 238000004886 process control Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 238000009826 distribution Methods 0.000 claims abstract description 105
- 241000208125 Nicotiana Species 0.000 claims abstract description 104
- 239000012535 impurity Substances 0.000 claims abstract description 81
- 238000001228 spectrum Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000005516 engineering process Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 48
- 238000000926 separation method Methods 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 4
- 229910052751 metal Inorganic materials 0.000 claims description 4
- 239000004033 plastic Substances 0.000 claims description 4
- 229920003023 plastic Polymers 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 3
- 150000002739 metals Chemical class 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000000701 chemical imaging Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 25
- 235000019504 cigarettes Nutrition 0.000 description 13
- 230000001276 controlling effect Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005243 fluidization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/16—Classifying or aligning leaves
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07B—SEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
- B07B11/00—Arrangement of accessories in apparatus for separating solids from solids using gas currents
- B07B11/04—Control arrangements
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本公开涉及一种烟草物料风选除杂过程控制方法和装置、存储介质。该所述烟草物料风选除杂过程控制方法包括:采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息;对所述物料光谱图像进行数据预处理和特征提取;利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物;根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。本公开可以通过光谱成像技术对烟丝(或烟片)进行风选除杂的控制。
Description
技术领域
本公开涉及无线通信领域,特别涉及一种烟草物料风选除杂过程控制方法和装置、存储介质。
背景技术
卷烟加工过程多个工序或加工环节涉及到物料的风选除杂,通过风选除杂工序,可以实现非烟物质的剔除,以及一定程度剔除烟草物料中的梗(或梗签)及湿团,降低卷烟机梗签剔除压力,提高卷烟产品质量稳定性,降低卷制烟支霉变质量风险。
发明内容
发明人通过研究发现:相关技术关于叶丝干燥工序后不少卷烟企业设置了风选工序,相关技术的风选设备大多依据操作人员经验,在调试确定风选比例后,采用固定风选频率或风门开度的办法进行风选,该方法缺少杂物和湿团实时剔除。
鉴于以上技术问题中的至少一项,本公开提供了一种烟草物料风选除杂过程控制方法和装置、存储介质,可以通过光谱成像技术对烟丝(或烟片)进行风选除杂的控制。
根据本公开的一个方面,提供一种烟草物料风选除杂过程控制方法,包括:
采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息;
对所述物料光谱图像进行数据预处理和特征提取;
利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物;
根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
在本公开的一些实施例中,所述烟草物料风选除杂过程控制方法还包括:
利用预先建立的组分判定检测模型,对风选箱内物料光谱图像进行识别,分析物料图像分布信息,并判断物料分布是否均匀;
根据物料分布的均匀情况,利用风选箱内布风机构进行流场调节,改变风选箱内气流分布状态,进而调整风选箱内的物料分布。
在本公开的一些实施例中,所述对风选箱内物料光谱图像进行识别,分析物料图像分布信息,并判断物料分布是否均匀包括:
对风选箱内的物料光谱图像进行分析,分析物料图像分布信息,及单位面积物料浓度;
根据物料浓度分布信息,对风选箱内流场分布状况进行识别;
通过单位面积二值化后的物料浓度占比变异系数,判断物料分布是否均匀。
在本公开的一些实施例中,所述根据物料分布的均匀情况,利用风选箱内布风机构进行流场调节包括:
在物料浓度占比变异系数大于预定阈值的情况下,控制布风机构通过调节布风板不同区域的孔板开度来进行流场调节。
在本公开的一些实施例中,所述杂物包括烟梗、梗签、湿团、纤维、塑料和金属中的至少一种。
在本公开的一些实施例中,所述利用风选风机频率变化进行风量调节,改变杂物剔除力度包括:
通过杂物自身重量,及利用风选风机频率变化进行风量调节,改变杂物剔除力度,其中,所述利用风选风机频率变化进行风量调节包括:降低风机频率或增大风门开度,以调整风选风速。
在本公开的一些实施例中,所述对所述物料光谱图像进行数据预处理和特征提取包括:对物料光谱图像进行预处理,得到归一化后的二维图像数据。
在本公开的一些实施例中,所述利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物包括:根据二维图像数据,计算均值光谱向量;根据二维图像数据和均值光谱向量;确定目标光谱向量;根据目标光谱向量和协方差矩阵,确定整张图像的响应图;将整张图像的响应图与预定阈值进行比较,确定检测结果的二值图;根据检测结果的二值图确定风选箱内物料是否存在杂物。
在本公开的一些实施例中,所述对所述物料光谱图像进行数据预处理和特征提取包括:
对采集的光谱图像进行黑白帧校正;
对黑白帧校正过的反射率数据进行滤波。
在本公开的一些实施例中,所述烟草物料风选除杂过程控制方法还包括:
预先建立组分判定检测模型,其中,所述组分判定检测模型为无监督模型、半监督模型或有监督模型。
在本公开的一些实施例中,在所述组分判定检测模型为有监督模型的情况下,所述预先建立组分判定检测模型包括:
采用高光谱测量技术,对风选除杂过程中的杂物数据信息进行采集;
采用光谱测量分析技术,对风选除杂过程中风选箱内物料分布状态数据信息进行采集;
对杂物数据信息和物料分布状态数据信息进行数据预处理和特征提取;
预先建立组分判定检测模型。
根据本公开的另一方面,提供一种烟草物料风选除杂过程控制装置,包括:
图像采集模块,被配置为采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息;
预处理模块,被配置为对所述物料光谱图像进行数据预处理和特征提取;
杂物识别模块,被配置为利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物;
剔除控制模块,被配置为根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
根据本公开的另一方面,提供一种烟草物料风选除杂过程控制装置,包括:
存储器,被配置为存储指令;
处理器,被配置为执行所述指令,使得所述烟草物料风选除杂过程控制装置执行实现如上述任一实施例述的烟草物料风选除杂过程控制方法的操作。
根据本公开的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例所述的方法。
本公开可以通过光谱成像技术对烟丝(或烟片)进行风选除杂的控制。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本公开烟草物料风选除杂过程控制方法一些实施例的示意图。
图2为本公开烟草物料风选除杂过程控制方法另一些实施例的示意图。
图3实施例为本公开一些实施例中数据采集采集的图像的示意图。
图4为本公开一些实施例中滤波和去噪后图像的示意图。
图5本公开一些实施例中背景分离和形态学处理后图像的示意图。
图6本公开一些实施例中实例分割后图像的示意图。
图7为本公开目标检测算法一些实施例的示意图。
图8为本公开一些实施例中检测结果和二值化图像的示意图。
图9为本公开烟草物料风选除杂过程控制装置一些实施例的示意图。
图10为本公开烟草物料风选除杂过程控制装置一些实施例的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。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。基于本公开中的实施例,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,都属于本公开保护的范围。
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。
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。
发明人通过研究发现:相关技术的风选设备大多依据操作人员经验,在调试确定风选比例后,采用固定风选频率或风门开度的办法进行风选,该方法缺少杂物和湿团实时剔除,及风选箱内流程监测控制。
鉴于以上技术问题中的至少一项,本公开提供了一种烟草物料风选除杂过程控制方法和装置、存储介质,下面通过具体实施例对本公开进行说明。
图1为本公开烟草物料风选除杂过程控制方法一些实施例的示意图。优选的,本实施例可由本公开烟草物料风选除杂过程控制装置执行。该方法包括步骤11至步骤14中的至少一个步骤,其中:
步骤11,采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息。
本公开采用的光谱测量分析技术基于光谱成像技术,其中,利用光谱成像技术可以对生物对象中的表层信息进行可视化表达。光谱拥有光谱技术和图像处理的双重优势,而且检测过程无损、无污染、无样品前处理、快速高效、检测的高精度使得高光谱技术成为当今食品、药品、农产品等检测领域的研究热点。
在本公开一些实施例中,高光谱图像具有丰富的光谱信息。
步骤12,对所述物料光谱图像进行数据预处理和特征提取。
步骤13,利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物。
在本公开一些实施例中,步骤13可以包括:采用高光谱图像目标检测,利用已知目标先验信息对高光谱图像中的不同物质进行区分,从绝大部分的背景像素中,找出占比较少的目标像素的过程。根据感兴趣目标的光谱信息能够检测出场景中可能存在的该目标,其针对只有背景和存在目标两种情况下建立不同背景分布的二值假设,根据广义似然比构建目标检测模型。
步骤14,根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
本公开上述实施例的目的正是针对相关技术的状况,提供一种利用光谱成像技术进行烟草加工风选除杂过程控制的装置和方法,用于对烟草加工风选除杂控制。本公开上述实施例通过光谱成像技术,对卷烟加工过程风选杂物及湿团进行检测,从而进行剔除控制。
图2为本公开烟草物料风选除杂过程控制方法另一些实施例的示意图。优选的,本实施例可由本公开烟草物料风选除杂过程控制装置执行。该方法包括步骤10至步骤16中的至少一个步骤,其中:
步骤10,数据采集和处理。
在本公开的一些实施例中,步骤10可以包括:预先建立组分判定检测模型,其中,所述组分判定检测模型为无监督模型(可以包括步骤104)、半监督模型(可以包括步骤104)或有监督模型(可以包括步骤101至步骤104)。
在本公开的一些实施例中,在所述组分判定检测模型为有监督模型的情况下,步骤10可以包括步骤101至步骤104中的至少一个步骤,其中:
步骤101,采用高光谱测量技术,对风选除杂过程中的杂物数据信息进行采集。
在本公开的一些实施例中,步骤101可以包括:采用高光谱测量技术,对风选除杂过程中涉及到的剔除物及剔除物数据信息进行采集。
在本公开的一些实施例中,所述剔除物(即杂物)可以包括烟梗(或梗签)、湿团、纤维、塑料、金属等中的至少一种。
在本公开的一些实施例中,高光谱图像具有丰富的光谱信息,高光谱图像目标检测是利用已知目标先验信息对高光谱图像中的不同物质进行区分,从绝大部分的背景像素中,找出占比较少的目标像素的过程。本公开根据感兴趣目标的光谱信息能够检测出场景中可能存在的该目标,其针对只有背景和存在目标两种情况下建立不同背景分布的二值假设,根据广义似然比构建目标检测模型。
在本公开的一些实施例中,高光谱技术可以近似理解为高光谱相机拍照。本公开高光谱技术和相机拍照技术区别在于:相机只有红绿蓝三个通道,高光谱相机能够获取从400nm到2500nm光谱范围内几百个通道数据,数据量和目标信息更加丰富,不仅能识别外表形态,也可以识别体表内在物质。相机数据形式类似于X*Y*3(X*Y为分辨率)高光谱数据形式类似X*Y*Z(X*Y为空间分辨率,Z为光谱分辨率)。
在本公开的一些实施例中,步骤101可以包括:烟草物料中杂物、烟梗、梗签和湿团数据信息提取。
步骤102,采用光谱测量分析技术,对风选除杂过程中风选箱内物料分布状态(分布均匀性)数据信息进行采集。
在本公开的一些实施例中,物料分布状态数据信息的呈现形式是图像形式,能够得到视场内的物料图像,根据物料在流化状态(气固两相,可以理解风把烟丝颗粒吹起来)在视场内分布状态,进行数据采集。
步骤103,对杂物数据信息和物料分布状态数据信息进行数据预处理和特征提取。
在本公开的一些实施例中,步骤103中,运用多种预处理手段和特征提取的方法,包括但不限于:校正、平均、平滑、微分、归一化、降维,进行数据预处理和特征提取。
在本公开的一些实施例中,校正包含空间畸变校正和黑白板校正,空间畸变一般光谱相机出厂会做,集成在相机里面了。黑白板校正需要每次测量前就行,类似于把数据量纲规定在0-1之内,0代表黑板,1代表白板。
在本公开的一些实施例中,平均、平滑、微分、归一化这些作用类似于滤波性质,因为烟丝表面凹凸不平,这些操作主要是对反射率进行校正,使其光谱曲线更加符合其本身的反射率,较少外在影响。
在本公开的一些实施例中,对于降维,Z是光谱分辨率,高光谱相机有几百个光谱通道,数据过于冗余,且影响处理速度,所以本公开要进行降维操作。
步骤104,预先建立组分判定检测模型。
在本公开的一些实施例中,组分判定检测模型可以采用的模型可以包括但不限于:线性回归,最小二乘法,决策树,随机森林,向量机,神经网络等。
在本公开的一些实施例中,建立组分判定检测模型后,可以使用已建立好的模型进行杂物判断及物料分布状态判定(即执行步骤11至步骤16中的至少一个步骤)。
在本公开的一些实施例中,是根据异物和烟丝料幕的光谱差异识别的,是一种半监督识别模型或无监督识别模型,不需要提前建立模型。
在本公开的另一些实施例中,有监督模型需要提前知道杂物的图谱信息,类似于,先采集杂物图谱数据,再采集物料图谱数据,进行学习建模,将多次迭代后的模型固化后,再应用于判定。
步骤104中所述多为有监督模型,意思是需要提前知道杂物的图谱信息,类似于,先采集杂物图谱数据,再采集物料图谱数据,进行学习建模,将多次迭代后的模型固化后,再应用于判定。
步骤11-步骤17为测定及模型判定。
步骤11-步骤12,风选除杂过程中风选箱内料幕数据信息提取。下面给出步骤11和步骤12的具体内容。
步骤11,采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息。
在本公开的一些实施例中,步骤11可以包括:生产(或加工)过程,在风选过程,针对风选箱里料幕,利用光谱检测系统同时利用成像系统和光谱系统进行物料信息采集。
步骤12,对所述物料光谱图像进行数据预处理和特征提取。
在本公开的一些实施例中,步骤12可以包括:对物料光谱图像进行预处理,得到归一化后的二维图像数据。
在本公开的一些实施例中,步骤12可以包括:对采集的光谱图像进行黑白帧校正;对黑白帧校正过的反射率数据进行滤波。
步骤13,风选箱内杂物识别及判定。
在本公开的一些实施例中,步骤13可以包括:利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物。
在本公开的一些实施例中,步骤13可以包括:根据二维图像数据,计算均值光谱向量;根据二维图像数据和均值光谱向量;确定目标光谱向量;根据目标光谱向量和协方差矩阵,确定整张图像的响应图;将整张图像的响应图与预定阈值进行比较,确定检测结果的二值图;根据检测结果的二值图确定风选箱内物料是否存在杂物。
步骤14,风选箱内风量控制。
在本公开的一些实施例中,步骤14可以包括:根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
在本公开的一些实施例中,步骤14中,所述利用风选风机频率变化进行风量调节,改变杂物剔除力度的步骤可以包括:通过杂物自身重量,及利用风选风机频率变化进行风量调节,改变杂物剔除力度,其中,所述利用风选风机频率变化进行风量调节的步骤可以包括:降低风机频率或增大风门开度,以调整风选风速。
在本公开的一些实施例中,步骤13和14可以包括:利用已建好的模型(步骤101、103、104),比对风选箱内料幕是否存在杂物、烟梗(或梗签)及湿团,依据是否存在杂物、烟梗(或梗签)及湿团,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
步骤15,风选箱内物料分布状态判定。
在本公开的一些实施例中,步骤15可以包括:利用预先建立的组分判定检测模型,对风选箱内物料光谱图像进行识别,分析物料图像分布信息,并判断物料分布是否均匀。
在本公开的一些实施例中,步骤15可以包括步骤151至步骤153中的至少一个步骤,其中:
步骤151,对风选箱内的物料光谱图像进行分析,分析物料图像分布信息,及单位面积物料浓度。
步骤152,根据物料浓度分布信息,对风选箱内流场分布状况进行识别。
步骤153,通过单位面积二值化后的物料浓度占比变异系数,判断物料分布是否均匀。
步骤16,风选箱内流场分布控制。
在本公开的一些实施例中,步骤16可以包括:根据物料分布的均匀情况,利用风选箱内布风机构进行流场调节,改变风选箱内气流分布状态,进而调整风选箱内的物料分布。
在本公开的一些实施例中,步骤16中,所述根据物料分布的均匀情况,利用风选箱内布风机构进行流场调节的步骤可以包括:在物料浓度占比变异系数大于预定阈值的情况下,控制布风机构通过调节布风板不同区域的孔板开度来进行流场调节。
在本公开的一些实施例中,步骤15和16可以包括:利用已建好的模型(步骤102、103、104),对风选箱内料幕分布状态进行识别,并判定物料分布是否均匀,利用风选箱内布风分布机构变化进行流场调节,改变风选箱内气流分布状态,调节风选效果。
在本公开的一些实施例中,料幕风把诸如烟丝等物料持续吹起来,形成料幕。
在本公开的一些实施例中,所述对风选箱内料幕分布状态进行识别,并判定物料分布是否均匀的步骤可以包括:采用成像的方式,判断二维图像里哪里物料多,哪里物料少,而且应用角度主要判断,哪些时刻,物料被吹起来的过多了,需要调节风送量,物料流量等等。分布位置能够算法判断。
步骤17:风选除杂过程控制与优化。
在本公开的一些实施例中,步骤17可以包括:利用烟草物料风选除杂过程控制系统及方法,包括,但不限于进行在烟草加工过程杂物剔除(步骤14),优化流场分布状态(步骤16)等,提高风选效率和风选质量。
在本公开的一些实施例中,步骤14和步骤16的两个气流不相关。步骤14是料幕在流态化时,如果识别到异常,输出位置,负压或者高压把异物吹出去。步骤16的气流是为了把物料持续不断地吹起来,气流大或者小,能够改变物料料幕的分布和密集度。
在本公开的一些实施例中,步骤17可以包括:过程控制,,比如单个异物识别过程,参数选择。
步骤18,控制与优化应用。
在本公开的一些实施例中,步骤18可以包括:加工过程风选除杂控制、参数优化、设备开发等。
在本公开的一些实施例中,步骤18可以包括:整体控制,放眼整个加工过程,比如有的异物识别到了,但是会导致误报很频繁,影响生产等等。
本公开上述实施例通过光谱成像技术,对卷烟加工过程风选杂物及湿团进行检测,从而进行剔除控制;同时本公开上述实施例依据风箱内物料分布状态进行流场分布控制,提高了风选效率和风选质量。
下面通过具体实施例对本公开烟草物料风选除杂过程控制方法进行说明。
第一类型实施例
第一类型实施例是一种无监督模型的烟草物料风选除杂过程控制方法,该方法可以包括:
步骤1、进行数据采集。图3实施例为本公开一些实施例中数据采集采集的图像的示意图。
步骤2、数据预处理。图4为本公开一些实施例中滤波和去噪后图像的示意图。图5本公开一些实施例中背景分离和形态学处理后图像的示意图。
在本公开的一些实施例中,步骤2可以包括:双边滤波消除细节和噪声,保留边缘信息,如图4所示;背景分离和形态学处理分离阴影和下层烟叶,如图5所示。
步骤3,实例分割。图6本公开一些实施例中实例分割后图像的示意图。
在本公开的一些实施例中,步骤3可以包括:进行分割的第一步是通过计算欧几里得距离变换(EDT),计算每个前景像素到最近零(即背景像素,黑色像素)的欧几里德距离,图6为可视化EDT;在图6中找到谷值(即局部最小值),本公开将确保每个峰之间至少有50像素的距离。输出提供了标记,然后本公开将其输入到分割算法中,返回一个标签矩阵,一个与输入图像具有相同宽度和高度数组。每个像素值作为一个唯一的标签值。具有相同标签值的像素属于同一个对象。
第二类型实施例
第二类型实施例是一种无监督模型的烟草物料风选除杂过程控制方法,该方法可以包括:
下面结合附图对本发明的具体实施方式作进一步详细说明。
步骤(1)实验仪器及参数要求。
光谱成像仪,波长范围覆盖1000-2500nm,光谱分辨率为12nm,图像分辨率为384*288个像素,光谱仪帧数为400。
步骤(2)烟草湿团物质及杂物样品采集与制备。
为了使建立的烟草湿团物质模型更具有广泛的适用性,本实施例烟草湿团物质样品选取了14%~30%之间烟草湿团,选取某卷烟企业烘丝机出口烟丝、某卷烟企业提供的梗条、金属、塑料等杂物。
步骤(3)烟草湿团及杂物样品光谱成像。
对不同含水率烟草湿团物质及杂物平铺至黑色背板上,进行标记。采用光谱仪对不同含水率的烟草湿团物质及不同类型杂物进行扫描成像,并对图像采集并进行黑白校正,作为原始光谱数据存储。
步骤(4)烟草湿团及杂物样品光谱图像预处理及特征图像的获取。
为消除光源、系统背景等对样品造成的影响,对采集的光谱图像进行黑白帧校正,黑白帧校正意为消除外界影响,如公式(1)所示:
公式(1)中:R-校正后光谱图像;I-原始光谱图像;B-关闭相机镜头采集的全黑图像;W-扫描白色校正板得到的全白图像。
本公开为消除噪声影响,对黑白帧校正过的反射率数据进行滤波(例如平滑方式的滤波)。滤波可以提高光谱曲线的平滑性,降低噪音的干扰。其卷积平滑的关键在于对于矩阵算子的求解。
在本公开的一些实施例中,目标检测算法对背景信息进行建模时通常需要假设背景均匀分布,然而高光谱传感器获得的真实图像中背景像元和目标像元大多数情况下是混杂在一起的,统计背景信息时较难将目标像元分离出去,只能直接计算整幅图像的信息获得近似自相关矩阵。为此,本公开目标检测算法被提出,其针对只有背景和存在目标两种情况下建立不同背景分布的二值假设,根据广义似然比构建目标检测模型。
假设将高光谱图像表示成所有像素的集合,即{r1,r2,...,rN},其中ri=(ri1,ri2,...,riL)T,L表示ri像素的维度,N表示被测高光谱图像像素的总数。更进一步,我们假设待检测的期望目标特性元向量为d=(d1,d2,...,dL)T。本公开目标检测算法首先针对目标不存在和目标存在两种情况建立二值假设,在背景假设中,不存在目标信号,因此只有背景和加性噪声n,n服从多元正态分布,其均值为μ,为进一步标准化数据,可以在原始图像中减去当前均值μ,此时背景的协方差矩阵为∑。在目标假设中,既有背景也有目标,因此二值假设和高斯分布的表示如公式(2)和(3)所示:
公式(2)和(3)中,H0和H1分别为目标不存在和目标存在的假设,在目标存在的假设H1中,同样服从多元正态分布,其均值为ad,协方差矩阵为c2∑,a表示一个像素中目标端元d的比例,c表示背景噪声n所占的比例。在H0和H1两种假设情况下,通过广义似然比设计的计算公式如公式(4)所示:
又因为r和d都是向量,协方差矩阵∑-1是对称矩阵,公式(4)可进一步化简为公式(5):
本公开目标检测算法能够检测像素r和目标样本d的相似程度,检测值越大证明两者之间越相似,成为目标的概率也越大。通过设定阈值η能够自动判定该像素是否为目标,如公式(6)所示。
步骤(5)光谱图像信息预处理及特征提取。
图7为本公开目标检测算法一些实施例的示意图。如图7所示,本公开目标检测算法基本步骤如下:
步骤5-1,接收输入的高光谱图像。
步骤5-2,确定目标光谱向量d。
在本公开的一些实施例中,步骤5-2可以包括:风选过程流态化烟草物料(含湿团及杂物等)光谱扫描;针对风选过程,在烟草物料流态化状态下,通过视窗,采用双目光谱仪,对风选过程中流态化烟草物料进行光谱扫描,采集风选过程物料图谱信息,确定目标光谱向量d。
步骤5-3,对高光谱图像(采集到的光谱图像)进行预处理,得到归一化后的二维数据r(L×N)。
在本公开的一些实施例中,所述二维数据为烟草物料的高光谱图像数据。
步骤5-4,根据公式(7)计算图像的协方差矩阵。
在本公开的一些实施例中,步骤5-4可以包括:根据图像数据r(L×N),计算均值光谱向量μ;根据图像数据r(L×N)和μ,按照公式(7)计算当前图像的协方差矩阵,其中,当前图像包含背景和物料,当前图像可能包含异物。
步骤5-5,对每个像元光谱r,计算输出响应δACE(r)。
在本公开的一些实施例中,步骤5-5可以包括:根据公式(5),计算整张图像的响应图,如图8的第二列所示。图8为本公开一些实施例中检测结果和二值化图像的示意图。
步骤5-6,设定阈值)。
步骤5-7,进行二值化处理,如图8所示。
步骤5-8,得到目标检测结果,如图8所示。
在本公开的一些实施例中,步骤5-6至5-8可以包括:设定阈值),并根据公式(6)得到检测结果的二值图。
步骤(6)风选箱内烟草湿团及杂物剔除。
依据风选箱内烟草湿团及杂物识别结果,通过烟草湿团及杂物自身重量、及利用风选风机频率变化进行风量调节,改变杂物剔除力度。即降低风机频率或增大风门开度,从而调整风选风速,实现烟草湿团及杂物剔除。
在本公开的一些实施例中,在生产线上,重量由皮带秤,物料流动的过程实时显示重量和流量。杂物的重量必须要提前识别,类似于经验性质,跟物料流量和风速都有关系,异物比烟丝重,吹不起来就掉下来了。
在本公开的一些实施例中,通过PID等模型控制的方式,根据重量调节风机频率或风门开度。
在本公开的一些实施例中,可以根据下述公式确定速度和流化风速和物料重量的关系:悬浮速度=(颗粒直径的平方*重力加速度*(颗粒密度-流体密度))/(18*流体粘度)。
步骤(7)风选箱内物料图像信息分析及处理。
针对风选箱内物料图像进行分析,分析物料图像分布信息,及单位面积物料浓度,依据物料浓度分布信息,对风选箱内流场分布状况进行识别,评价和判定物料分布是否均匀,作为风选箱内流场风量调节和分布调节的依据。
步骤(8)风选箱内物料分布状态的调节。
在上述步骤(7)对风选箱内料幕分布状态进行识别基础上,并判定物料分布是否均匀,分布是否均匀通过单位面积二值化后物料浓度占比变异系数进行,变异系数大于10%,利用风选箱内布风分布机构变化进行流场调节,改变风选箱内气流分布状态,调节风选效果。所述布风机构通过调节布风板不同区域的孔板开度来实现。
本公开分布是否均匀通过单位面积二值化后物料浓度占比变异系数进行的步骤可以博鳌看:求每时每刻的颗粒浓度,如果变化过大就调风机。
本公开的利用风选箱内布风分布机构变化进行流场调节包括:若左上角物料太少了,有可能左上角区域的风太小,物料没悬浮起来,那就调节布风机构左上角的孔板开度,让左上角风量大一些。
本公开提供的一种基于短波成像光谱技术的烟草湿团物质检测方法,与相关技术相比,具有如下显著的进步:
(1)本公开上述实施例利用光谱成像进行物料特性数据采集及模型建立,可进行在线风选箱内杂物及湿团判定,简单、快捷。
(2)本公开上述实施例的方法可进行风选箱内物料分布状态测定,判定物料分布均匀性,为流程分布控制及优化改进提供方法及依据。
(3)本公开上述实施例通过加工过程风选除杂装置及方法,对卷烟加工过程风选杂物及湿团进行检测及判定、剔除控制;同时依据风箱内物料分布状态进行流场分布控制,提高风选效率和风选质量,也为风选设备研发等提供技术手段。
(4)本公开上述实施例具有成本低、效率高、操作快速、准确、简便的优点。
(5)本公开上述实施例实验过程简便、快捷,对样品无破坏性、对环境无污染。
图9为本公开烟草物料风选除杂过程控制装置一些实施例的示意图。如图9所示,本公开烟草物料风选除杂过程控制装置可以包括图像采集模块91、预处理模块92、杂物识别模块93和剔除控制模块94,其中:
图像采集模块91,被配置为采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息。
预处理模块92,被配置为对所述物料光谱图像进行数据预处理和特征提取。
杂物识别模块93,被配置为利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物。
剔除控制模块94,被配置为根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
在本公开的一些实施例中,本公开烟草物料风选除杂过程控制装置可以被配置为执行本公开上述任一实施例(例如图1至图8任一实施例)所述的烟草物料风选除杂过程控制方法的操作。
本公开上述实施例提供了一种卷烟加工过程风选除杂控制装置和方法。本公开上述实施例具体地说涉及一种光谱成像技术对烟丝(或烟片)进行风选除杂的控制装置及方法。
本公开上述实施例通过光谱成像技术,对卷烟加工过程风选湿团、杂物及烟梗(或梗签)进行控制,同时依据风箱内物料分布状态进行流场控制,提高风选效率和风选质量。
图10为本公开烟草物料风选除杂过程控制装置另一些实施例的结构示意图。如图10所示,烟草物料风选除杂过程控制装置包括存储器101和处理器102。
存储器101用于存储指令,处理器102耦合到存储器101,处理器102被配置为基于存储器存储的指令执行实现上述实施例(例如图1-图8任一实施例)所述的烟草物料风选除杂过程控制方法。
如图10所示,该烟草物料风选除杂过程控制装置还包括通信接口103,用于与其它设备进行信息交互。同时,该烟草物料风选除杂过程控制装置还包括总线104,处理器102、通信接口103、以及存储器101通过总线104完成相互间的通信。
存储器101可以包含高速RAM存储器,也可还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。存储器101也可以是存储器阵列。存储器101还可能被分块,并且块可按一定的规则组合成虚拟卷。
此外,处理器102可以是一个中央处理器CPU,或者可以是专用集成电路ASIC,或是被配置成实施本公开实施例的一个或多个集成电路。
本公开上述实施例提供了一种基于光谱成像技术的烟草物料风选除杂过程控制装置及方法。
本公开上述实施例提供了一种烟草物料中杂物、烟梗(或梗签)及湿团数的检测方法。
本公开上述实施例提供了一种基于光谱成像技术对风选箱内杂物、烟梗(或梗签)及湿团进行识别及判定的方法。
本公开上述实施例提供了一种基于光谱成像技术对风选箱内物料分布均匀性状态进行识别及判定的方法。
本公开上述实施例提供了一种基于光谱成像技术的烟草物料风选除杂过程控制装置及方法,通过高红外光谱成像技术,对卷烟加工过程风选杂物、烟梗(或梗签)及湿团进行检测及判定,从而进行剔除控制,同时依据风箱内物料分布状态进行流场分布控制,提高了风选效率和风选质量,也为风选设备研发等提供技术手段。
根据本公开的另一方面,提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如上述任一实施例(例如图1-图8任一实施例)所述的烟草物料风选除杂过程控制方法。
在本公开的一些实施例中,所述计算机可读存储介质可以为非瞬时性计算机可读存储介质。
上面结合实施例对本公开作了详细说明,而并非是对本公开的实施方式的限定,利用烟草物料风选除杂过程控制装置及方法,包括,但不限于进行在烟草加工过程杂物剔除,优化流场分布状态等,提高风选效率和风选质量。在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明原理和宗旨的前提下做出各种变化、修改、替换与变形。本公开的范围由权利要求及其等同物限定。
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。
在上面所描述的烟草物料风选除杂过程控制装置、图像采集模块、预处理模块、杂物识别模块和剔除控制模块可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,所述的程序可以存储于一种非瞬时性计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用,并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。
Claims (13)
1.一种烟草物料风选除杂过程控制方法,包括:
采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息;
对所述物料光谱图像进行数据预处理和特征提取;
利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物;
根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
2.根据权利要求1所述的烟草物料风选除杂过程控制方法,还包括:
利用预先建立的组分判定检测模型,对风选箱内物料光谱图像进行识别,分析物料图像分布信息,并判断物料分布是否均匀;
根据物料分布的均匀情况,利用风选箱内布风机构进行流场调节,改变风选箱内气流分布状态,进而调整风选箱内的物料分布。
3.根据权利要求2所述的烟草物料风选除杂过程控制方法,所述对风选箱内物料光谱图像进行识别,分析物料图像分布信息,并判断物料分布是否均匀包括:
对风选箱内的物料光谱图像进行分析,分析物料图像分布信息,及单位面积物料浓度;
根据物料浓度分布信息,对风选箱内流场分布状况进行识别;
通过单位面积二值化后的物料浓度占比变异系数,判断物料分布是否均匀。
4.根据权利要求3所述的烟草物料风选除杂过程控制方法,其中,所述根据物料分布的均匀情况,利用风选箱内布风机构进行流场调节包括:
在物料浓度占比变异系数大于预定阈值的情况下,控制布风机构通过调节布风板不同区域的孔板开度来进行流场调节。
5.根据权利要求1-4中任一项所述的烟草物料风选除杂过程控制方法,其中,所述杂物包括烟梗、梗签、湿团、纤维、塑料和金属中的至少一种。
6.根据权利要求1-4中任一项所述的烟草物料风选除杂过程控制方法,其中,所述利用风选风机频率变化进行风量调节,改变杂物剔除力度包括:
通过杂物自身重量,及利用风选风机频率变化进行风量调节,改变杂物剔除力度,其中,所述利用风选风机频率变化进行风量调节包括:降低风机频率或增大风门开度,以调整风选风速。
7.根据权利要求1-4中任一项所述的烟草物料风选除杂过程控制方法,其中:
所述对所述物料光谱图像进行数据预处理和特征提取包括:对物料光谱图像进行预处理,得到归一化后的二维图像数据;
所述利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物包括:根据二维图像数据,计算均值光谱向量;根据二维图像数据和均值光谱向量;确定目标光谱向量;根据目标光谱向量和协方差矩阵,确定整张图像的响应图;将整张图像的响应图与预定阈值进行比较,确定检测结果的二值图;根据检测结果的二值图确定风选箱内物料是否存在杂物。
8.根据权利要求1-4中任一项所述的烟草物料风选除杂过程控制方法,其中,所述对所述物料光谱图像进行数据预处理和特征提取包括:
对采集的光谱图像进行黑白帧校正;
对黑白帧校正过的反射率数据进行滤波。
9.根据权利要求1-4中任一项所述的烟草物料风选除杂过程控制方法,还包括:
预先建立组分判定检测模型,其中,所述组分判定检测模型为无监督模型、半监督模型或有监督模型。
10.根据权利要求9所述的烟草物料风选除杂过程控制方法,其中,在所述组分判定检测模型为有监督模型的情况下,所述预先建立组分判定检测模型包括:
采用高光谱测量技术,对风选除杂过程中的杂物数据信息进行采集;
采用光谱测量分析技术,对风选除杂过程中风选箱内物料分布状态数据信息进行采集;
对杂物数据信息和物料分布状态数据信息进行数据预处理和特征提取;
预先建立组分判定检测模型。
11.一种烟草物料风选除杂过程控制装置,包括:
图像采集模块,被配置为采用光谱测量分析技术,采集风选除杂过程风选箱内的物料光谱图像,其中,所述物料光谱图像包括物料分布状态数据信息;
预处理模块,被配置为对所述物料光谱图像进行数据预处理和特征提取;
杂物识别模块,被配置为利用预先建立的组分判定检测模型,判断风选箱内物料是否存在杂物;
剔除控制模块,被配置为根据风选箱内物料是否存在杂物,利用风选风机频率变化进行风量调节,改变杂物剔除力度。
12.一种烟草物料风选除杂过程控制装置,包括:
存储器,被配置为存储指令;
处理器,被配置为执行所述指令,使得所述烟草物料风选除杂过程控制装置执行实现如权利要求1-10中任一项所述的烟草物料风选除杂过程控制方法的操作。
13.一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机指令,所述指令被处理器执行时实现如权利要求1-10中任一项所述的烟草物料风选除杂过程控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776580.2A CN116831307A (zh) | 2023-06-28 | 2023-06-28 | 烟草物料风选除杂过程控制方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776580.2A CN116831307A (zh) | 2023-06-28 | 2023-06-28 | 烟草物料风选除杂过程控制方法和装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116831307A true CN116831307A (zh) | 2023-10-03 |
Family
ID=88166315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310776580.2A Pending CN116831307A (zh) | 2023-06-28 | 2023-06-28 | 烟草物料风选除杂过程控制方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116831307A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117680367A (zh) * | 2024-02-02 | 2024-03-12 | 中慧农牧股份有限公司 | 一种饲料加工用筛分装置 |
-
2023
- 2023-06-28 CN CN202310776580.2A patent/CN116831307A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117680367A (zh) * | 2024-02-02 | 2024-03-12 | 中慧农牧股份有限公司 | 一种饲料加工用筛分装置 |
CN117680367B (zh) * | 2024-02-02 | 2024-04-30 | 中慧农牧股份有限公司 | 一种饲料加工用筛分装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
Arboleda | Comparing performances of data mining algorithms for classification of green coffee beans | |
Nagoda et al. | Rice sample segmentation and classification using image processing and support vector machine | |
US9443129B2 (en) | Methods and apparatus for image analysis using threshold compactness features | |
CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
CN109085178B (zh) | 一种用于增材制造的缺陷指纹精确在线监测和反馈方法 | |
CN116831307A (zh) | 烟草物料风选除杂过程控制方法和装置、存储介质 | |
CN106846313A (zh) | 工件表面缺陷检测方法和装置 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
Pratibha et al. | Analysis and identification of rice granules using image processing and neural network | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
AgaAzizi et al. | Identification of impurity in wheat mass based on video processing using artificial neural network and PSO algorithm | |
CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
CN103268492A (zh) | 一种玉米籽粒类型识别方法 | |
CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 | |
Pratap et al. | Development of Ann based efficient fruit recognition technique | |
Lin et al. | A new prediction method for edge detection based on human visual feature | |
CN107679581B (zh) | 基于红外图像像素矩阵的特征值处理煤气流分布的方法 | |
CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 | |
CN113706566A (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
Agustin et al. | Automatic milled rice quality analysis | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN112580705B (zh) | 一种基于深度前馈网络的高光谱分类方法 | |
Avalekar et al. | Tomato grading system based on colour models by using neural network |
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 |