CN117058469A - 基于深度学习的烟包堵料检测方法 - Google Patents
基于深度学习的烟包堵料检测方法 Download PDFInfo
- Publication number
- CN117058469A CN117058469A CN202311313612.1A CN202311313612A CN117058469A CN 117058469 A CN117058469 A CN 117058469A CN 202311313612 A CN202311313612 A CN 202311313612A CN 117058469 A CN117058469 A CN 117058469A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- distance
- detection
- packages
- acquiring
- 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.)
- Granted
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 118
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000000903 blocking effect Effects 0.000 title claims abstract description 14
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 117
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 5
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000004140 cleaning Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (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
本发明公开了一种基于深度学习的烟包堵料检测方法,包括:利用垂直于烟包传送方向的图像采集设备,获取至少包含两个烟包的原始图像,使用目标检测算法对原始图像进行烟包目标检测和定位,分别识别并获取两个相邻烟包;获取两个相邻烟包上表面中距离最近的两个边缘坐标点P1和P2;分别测量图像采集设备到P1、P2的距离S1、S2,获取图像采集设备到烟包上表面所在平面的距离h,计算P1和P2的距离d作为两个相邻烟包的距离;设定安全距离阈值D,当d<D时,则判定发生烟包堵料事件,进行告警处理。本发明实现了对烟包间距离的自动化检测,无需人工参与,大大提高了检测效率,能够实现烟包堵塞的预警和预防,避免停线清理,减少生产过程中的事故损失。
Description
技术领域
本发明涉及卷烟生产技术领域,尤其涉及基于深度学习的烟包堵料检测方法。
背景技术
卷烟厂的烟包传送流程是整个烟丝制造工艺的前序步骤,制丝车间需要通过传送皮带输运一个一个烟包到下一个工序。在烟包的运输过程中,必须保障两个烟包的相邻间隔距离适宜,若两个烟包之间距离过小时,则下游工序会处理不过来造成物料拥堵,一旦出现堵料情况,整个生产线各个环节都会受到影响,发生异常,整个生产线则不得不暂停生产,人工清理堵料,人工搬运的方式调整烟包距离,给车间的自动化操作带来不便,降低了生产效率,增加人力成本。
现有技术中主要采用以下几种方式来处理烟包堵料情况:
1、人工检查和处理;工人需要定期检查烟包输送线,一旦发现烟包堆积过近或堵塞,则需要停止生产线,手动调整烟包间距或清理堵塞。该方法效率低下,无法实现自动化。
2、机械限位装置;在烟包输送线上设置机械限位装置,控制烟包输送速度,使烟包保持一定间距。该方法存在误判率高,容易影响正常输送的问题。
3、基于传统机器视觉的检测;使用基于传统图像处理算法的机器视觉系统,通过提取烟包边缘等特征判断堵塞情况。但这类系统容易受到散乱烟包的影响,鲁棒性差。
4、RFID电子标签;在每个烟包上贴装RFID标签,通过读取RFID的位置来计算烟包间距。该方法成本高,且无法区分散乱烟包。
发明内容
基于以上现有技术中存在的问题,本发明提供了一种基于深度学习的烟包堵料检测方法,具体包括:
基于深度学习的烟包堵料检测方法,包括步骤:
利用垂直于烟包传送方向的图像采集设备,获取至少包含两个烟包的原始图像,使用目标检测算法对原始图像进行烟包目标检测和定位,分别识别并获取两个相邻烟包;
获取两个相邻烟包上表面中距离最近的两个边缘坐标点P1和P2;
分别测量图像采集设备到P1、P2的距离S1、S2,获取图像采集设备到烟包上表面所在平面的距离h,计算P1和P2的距离d作为两个相邻烟包的距离;
设定安全距离阈值D,当d<D时,则判定发生烟包堵料事件,进行告警处理。
在一些较优的实施例中,识别烟包的方法包括:
使用目标检测器粗略定位烟包位置,获取烟包检测矩形框坐标;
利用训练好的多标签检测器分别识别烟包检测矩形框中的烟包类型,所述烟包类型包括散开烟包、成片烟包堆和完整长方体烟包;
提取完整长方体烟包的检测矩形框坐标作为输出。
在一些较优的实施例中,所述获取两个相邻烟包上表面中距离最近的两个边缘坐标点的方法包括:
分别对烟包进行精细分割,提取烟包上表面边缘;
分别在烟包上表面边缘上获取距离最近的两个边缘坐标点P1和P2。
在一些较优的实施例中,所述计算P1和P2的距离d的方法包括:
获取图像采集设备到烟包上表面所在平面的垂足,将P1和P2的距离d分割为d1和d2;
S1、d1、h和S2、d2、h分别构成直角三角形,根据勾股定律分别计算d1和d2;
计算两个相邻烟包的距离d:d= d1+d2。
在一些较优的实施例中,识别烟包的方法还包括:对两个紧密相连的烟包进行过滤,所述过滤方法包括:
预设检测矩形框IOU阈值和检测矩形框长度阈值;
过滤烟包检测矩形框的IOU大于检测矩形框IOU阈值的输出;
过滤烟包检测矩形框长度大于检测矩形框长度阈值的输出。
有益效果
本发明实现了对烟包间距离的自动化检测,无需人工参与,大大提高了检测效率,能够实现烟包堵塞的预警和预防,避免停线清理,减少生产过程中的事故损失。利用目标检测及精细分割算法,使检测系统对散乱变形烟包具有强大的适应性和鲁棒性。利用简单有效的烟包间距离计算方法,提高了检测效率和准确度,并降低了方法实现的经济成本和物料成本。
附图说明
图1为本发明一种较优实施例中基于深度学习的烟包堵料检测方法流程示意图;
图2为本发明一种较优实施例中获取两个相邻烟包上表面中距离最近的两个边缘坐标点P1和P2的结果示意图;
图3为本发明一种较优实施例中基于几何关系计算P1和P2的距离d的结果示意图;
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本实施例提出了一种基于深度学习的烟包堵料检测方法,包括步骤:
S1、利用垂直于烟包传送方向的图像采集设备,获取至少包含两个烟包的原始图像,使用目标检测算法对原始图像进行烟包目标检测和定位,分别识别并获取两个相邻烟包。
其中,所述图像采集设备可以是常用的工业相机和单目相机中的任意种。本领域技术人员应当图像采集设备进行常规参数的标定,所述标定参数包括但不限于:图像采集设备至烟包传送平台表面的距离、图像采集设备的内参参数矩阵、图像采集设备的失真系数等。标定获得这些参数是为了计算烟包间距离时利用相似三角形原理确定各要素的距离值。本领域的技术人员可根据实际使用的图像采集设备型号和参数,选择合适的标定方法,如张正友标定法等,以获取设备的内外参数。
所述目标检测算法是指一类能够在图像或视频中找出并定位感兴趣的物体,并给出它们的类别和位置的算法。目标检测算法是计算机视觉的一个重要研究方向,有着广泛的应用场景。基于深度学习的目标检测算法主要利用卷积神经网络(ConvolutionalNeural Networks, CNN)来提取图像特征,并根据不同的策略来生成和优化候选框,从而实现目标的分类和定位。基于深度学习的目标检测算法大致可以分为两类:一类是双阶段目标检测算法,如RCNN系列,它们先通过一个专门的模块来生成候选框,然后对候选框进行分类和回归;另一类是单阶段目标检测算法,如SSD和YOLO系列,它们直接在图像上进行密集采样,然后用CNN来预测每个采样点的类别和位置。本发明对目标检测算法不作明确限定,本领域技术人员可以根据现场的实际需要在现有技术中进行选择,并针对本发明的特点进行适当的改进。
S2、获取两个相邻烟包上表面中距离最近的两个边缘坐标点P1和P2。应当理解的是,由于精细分割步骤获取的是相邻两烟包上表面的边缘点,考虑到同一批次烟包的高度均相同,可以合理假设两烟包的上表面平行且位于同一水平平面上。尽管烟包在传送带上的位置和姿态各不相同,可能存在一定倾斜,但本发明计算两烟包间距离时,采用的并非两边缘点之间的直线距离,而是指两边缘点在平行于烟包传送方向的水平投影上的垂直距离,如图2所示。这种计算方法消除了烟包本身的倾斜所带来的位置误差,能够准确反映烟包之间沿传送方向的实际间隔距离,避免因烟包倾斜产生的距离计算误差。
S3、分别测量图像采集设备到P1、P2的距离S1、S2,获取图像采集设备到烟包上表面所在平面的距离h,计算P1和P2的距离d作为两个相邻烟包的距离。本步骤中的烟包间距测量可以通过以下两种方法实现:
1)直接使用常规的测距设备,如激光测距仪、红外测距仪等对烟包间距进行直接测量。这类设备可以提供高精度的距离数据,但成本较高,且需要安装对应数目的测距设备。
2)通过图像采集设备获取图像,并基于相关视角几何关系,利用射影变换原理,进行换算计算获得烟包间距。这种方法成本较低,通过标定参数和精确的图像处理可以达到较高的测量精度。具体地,可以预先标定获得图像采集设备的内参矩阵、至烟包平面距离等参数,根据成像原理,结合两烟包边缘点的像素坐标,进行等效距离换算,获得实际间距。这种方式灵活方便,适合工业场景应用。
综合两种方法的优劣,可以根据实际应用需求和成本预算选择合适的测距方式。图像处理测距可提供较好的性价比。
S4、 设定安全距离阈值D,当d<D时,则判定发生烟包堵料事件,进行告警处理。
本实施例是在上述实施例1的基础上展开的。通常情况下,烟包为标准的固定尺寸的长方体形状。但在传输过程中,个别烟包可能受损变形,出现散开、部分破裂或完全破裂的情况,从而导致烟包形态不再是完整的长方体。这类不规则烟包的存在会对烟包检测和定位带来一定的负面影响。为解决非标准烟包的检测困难,本发明采用以下技术手段:
首先,使用目标检测器粗略定位烟包位置,获取烟包检测矩形框坐标;
其次,利用训练好的多标签检测器分别识别烟包检测矩形框中的烟包类型,所述烟包类型包括散开烟包、成片烟包堆和完整长方体烟包;
最后,提取完整长方体烟包的检测矩形框坐标作为输出,即只保留完整长方体烟包的检测矩形框坐标,作为影响最小的有效目标输出。
这种方法充分利用深度学习技术处理形态复杂目标的能力,有效过滤掉由不规则烟包带来的负面影响,使后续的烟包定位和间距计算更加准确可靠。
进一步的,本实施例中所使用的目标检测器和多标签检测器均为本领域中常用的现有技术,因此本实施例对其具体的实现方式不作进一步的限定。
在实际烟包输送过程中,可能出现两个或多个烟包连续密集堆积的情况,导致烟包间难以区分,对检测和定位造成一定困扰。为解决相邻烟包间填充问题,本发明在上述实施例2的基础上,提供了以下增强方案:
对两个或多个紧密相连的烟包进行过滤,所述过滤方法包括:
预设检测矩形框IOU(交并比)阈值和检测矩形框长度阈值;
当两个烟包检测框的IOU比值大于预设IOU阈值时,则判定它们属于一个框对多个目标的情况,予以过滤掉;
同时,当单个检测框的尺寸大于预设长度阈值时,也可以认为其包含多个紧凑烟包,予以过滤。
通过双重过滤,可以有效解决相邻烟包间填充问题,最后输出单独的、准确的烟包检测框,为后续间距计算提供可靠保障。
在得到相邻烟包的初始定位后,需要进一步确定两烟包之间最近距离的精确边缘点,以提高后续间距计算的精度。本发明提供了一种获取相邻两烟包最近边缘点的较优实施例,具体包括:
对已定位的每个烟包分别进行语义分割,即采用精细的分割神经网络对每个烟包区域进行像素级分割,准确提取出烟包的边缘轮廓;
在获取的烟包边缘轮廓上,确定两边缘中最近的点对,作为两烟包之间的最近相邻点,典型地选择两边缘的最内侧点,输出其像素坐标,记为P1和P2。
这种方法充分利用了基于深度学习的精细分割技术,可以精确提取烟包边缘,有效避免由于烟包表面细微变形等导致的距离误差,显著提升了后续间距计算的准确性。
本实施例是在上述实施例1的基础上展开的,在得到两烟包最近边缘点P1和P2的坐标后,需要计算这两点之间的实际物理距离d,以判断是否出现堵塞。本实施例给出了一种基于几何关系计算P1和P2的距离d的较优方法,如图3所示,具体包括:
获取图像采集设备到烟包上表面所在平面的垂足,将P1和P2的距离d分割为d1和d2;
S1、d1、h和S2、d2、h分别构成直角三角形,根据勾股定律分别计算d1和d2;
计算两个相邻烟包的距离d:d= d1+d2。
这种计算方法简便有效,避免直接测量带来的误差,充分利用了成像几何学原理,可显著提高距离计算的精度,为后续堵料判断提供精确依据。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于深度学习的烟包堵料检测方法,其特征在于,包括步骤:
利用垂直于烟包传送方向的图像采集设备,获取至少包含两个烟包的原始图像,使用目标检测算法对原始图像进行烟包目标检测和定位,分别识别并获取两个相邻烟包;
获取两个相邻烟包上表面中距离最近的两个边缘坐标点P1和P2;
分别测量图像采集设备到P1、P2的距离S1、S2,获取图像采集设备到烟包上表面所在平面的距离h,计算P1和P2的距离d作为两个相邻烟包的距离;
设定安全距离阈值D,当d<D时,则判定发生烟包堵料事件,进行告警处理。
2.如权利要求1所述的基于深度学习的烟包堵料检测方法,其特征在于,识别烟包的方法包括:
使用目标检测器粗略定位烟包位置,获取烟包检测矩形框坐标;
利用训练好的多标签检测器分别识别烟包检测矩形框中的烟包类型,所述烟包类型包括散开烟包、成片烟包堆和完整长方体烟包;
提取完整长方体烟包的检测矩形框坐标作为输出。
3.如权利要求1所述的基于深度学习的烟包堵料检测方法,其特征在于,所述获取两个相邻烟包上表面中距离最近的两个边缘坐标点的方法包括:
分别对烟包进行精细分割,提取烟包上表面边缘;
分别在烟包上表面边缘上获取距离最近的两个边缘坐标点P1和P2。
4.如权利要求1所述的基于深度学习的烟包堵料检测方法,其特征在于,所述计算P1和P2的距离d的方法包括:
获取图像采集设备到烟包上表面所在平面的垂足,将P1和P2的距离d分割为d1和d2;
S1、d1、h和S2、d2、h分别构成直角三角形,根据勾股定律分别计算d1和d2;
计算两个相邻烟包的距离d:d= d1+d2。
5.如权利要求2所述的基于深度学习的烟包堵料检测方法,其特征在于,识别烟包的方法还包括:对两个紧密相连的烟包进行过滤,所述过滤方法包括:
预设检测矩形框IOU阈值和检测矩形框长度阈值;
过滤烟包检测矩形框的IOU大于检测矩形框IOU阈值的输出;
过滤烟包检测矩形框长度大于检测矩形框长度阈值的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311313612.1A CN117058469B (zh) | 2023-10-11 | 2023-10-11 | 基于深度学习的烟包堵料检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311313612.1A CN117058469B (zh) | 2023-10-11 | 2023-10-11 | 基于深度学习的烟包堵料检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058469A true CN117058469A (zh) | 2023-11-14 |
CN117058469B CN117058469B (zh) | 2024-01-30 |
Family
ID=88653944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311313612.1A Active CN117058469B (zh) | 2023-10-11 | 2023-10-11 | 基于深度学习的烟包堵料检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058469B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6181372B1 (en) * | 1996-06-10 | 2001-01-30 | G.D S.P.A. | Method and a device for monitoring the external integrity of cigarettes |
CN1788634A (zh) * | 2004-12-13 | 2006-06-21 | 中国科学院沈阳自动化研究所 | 卷烟机烟支质量在线检测装置 |
WO2011041953A1 (zh) * | 2009-10-06 | 2011-04-14 | Jiao Shengli | 在定量输出通道之前检测并剔除缺陷烟支的方法和装置 |
CN102692136A (zh) * | 2011-03-24 | 2012-09-26 | 高原晨曦 | 溜带冷却机 |
US20150329296A1 (en) * | 2014-05-13 | 2015-11-19 | Sick, Inc. | Conveyor jam detection system and method |
CN205186664U (zh) * | 2015-09-30 | 2016-04-27 | 河南中烟工业有限责任公司 | 一种检测烟包装机出口堵塞现象的装置 |
CN106697377A (zh) * | 2017-01-12 | 2017-05-24 | 龙岩烟草工业有限责任公司 | 烟支输送通道横烟检测方法、装置和系统 |
CN112819001A (zh) * | 2021-03-05 | 2021-05-18 | 浙江中烟工业有限责任公司 | 基于深度学习的复杂场景卷烟烟包识别方法和装置 |
CN114030686A (zh) * | 2021-12-13 | 2022-02-11 | 红云红河烟草(集团)有限责任公司 | 一种烟条输送带堵塞预报警方法 |
CN114084424A (zh) * | 2021-12-13 | 2022-02-25 | 红云红河烟草(集团)有限责任公司 | 一种烟条输送带自动分条方法 |
CN216547107U (zh) * | 2021-10-28 | 2022-05-17 | 广西中烟工业有限责任公司 | 堵塞检测装置及烟条包装机 |
CN116620877A (zh) * | 2023-07-21 | 2023-08-22 | 成都考拉悠然科技有限公司 | 一种基于深度学习的落料柜堵料检测及处理的方法及系统 |
-
2023
- 2023-10-11 CN CN202311313612.1A patent/CN117058469B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6181372B1 (en) * | 1996-06-10 | 2001-01-30 | G.D S.P.A. | Method and a device for monitoring the external integrity of cigarettes |
CN1788634A (zh) * | 2004-12-13 | 2006-06-21 | 中国科学院沈阳自动化研究所 | 卷烟机烟支质量在线检测装置 |
WO2011041953A1 (zh) * | 2009-10-06 | 2011-04-14 | Jiao Shengli | 在定量输出通道之前检测并剔除缺陷烟支的方法和装置 |
CN102692136A (zh) * | 2011-03-24 | 2012-09-26 | 高原晨曦 | 溜带冷却机 |
US20150329296A1 (en) * | 2014-05-13 | 2015-11-19 | Sick, Inc. | Conveyor jam detection system and method |
CN205186664U (zh) * | 2015-09-30 | 2016-04-27 | 河南中烟工业有限责任公司 | 一种检测烟包装机出口堵塞现象的装置 |
CN106697377A (zh) * | 2017-01-12 | 2017-05-24 | 龙岩烟草工业有限责任公司 | 烟支输送通道横烟检测方法、装置和系统 |
CN112819001A (zh) * | 2021-03-05 | 2021-05-18 | 浙江中烟工业有限责任公司 | 基于深度学习的复杂场景卷烟烟包识别方法和装置 |
CN216547107U (zh) * | 2021-10-28 | 2022-05-17 | 广西中烟工业有限责任公司 | 堵塞检测装置及烟条包装机 |
CN114030686A (zh) * | 2021-12-13 | 2022-02-11 | 红云红河烟草(集团)有限责任公司 | 一种烟条输送带堵塞预报警方法 |
CN114084424A (zh) * | 2021-12-13 | 2022-02-25 | 红云红河烟草(集团)有限责任公司 | 一种烟条输送带自动分条方法 |
CN116620877A (zh) * | 2023-07-21 | 2023-08-22 | 成都考拉悠然科技有限公司 | 一种基于深度学习的落料柜堵料检测及处理的方法及系统 |
Non-Patent Citations (3)
Title |
---|
李华文 等: "转烟器蜘蛛手烟包实时同步传送控制装置的改进设计", 《价值工程》, no. 21, pages 157 - 161 * |
李虎: "卷烟分拣系统打码姿态控制机构的设计与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 04, pages 024 - 380 * |
蔡克印 等: "降低KEY堵料频次", 《江西农业》, no. 03, pages 63 * |
Also Published As
Publication number | Publication date |
---|---|
CN117058469B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228546A (zh) | 一种板卡的检测方法及装置 | |
US20030189500A1 (en) | System for determining kind of vehicle and method therefor | |
CN107084992B (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN102020036A (zh) | 一种条烟外包装透明纸缺陷的视觉检测方法 | |
CN106778737A (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
CN111242108A (zh) | 基于目标检测的皮带转载点堵煤识别方法 | |
WO2021135675A1 (zh) | 一种棒材自动计数方法及装置 | |
CN114372991B (zh) | 安检过程中物品x光图片采集和匹配方法及其装置 | |
CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
CN109191516B (zh) | 结构光模组的旋转纠正方法、装置及可读存储介质 | |
CN115147332A (zh) | 一种基于机器视觉的传送带货品智能监控方法及系统 | |
CN117058469B (zh) | 基于深度学习的烟包堵料检测方法 | |
CN110807354B (zh) | 一种工业流水线产品计数方法 | |
CN114455255A (zh) | 基于多特征识别的异型烟分拣差错检测方法 | |
CN110569753A (zh) | 一种基于机器视觉的条烟在线识别方法及系统 | |
EP1018633A2 (en) | Bar angle measurement system | |
AU2008243688B2 (en) | Method and apparatus for three dimensional image processing and analysis | |
CN116758060B (zh) | 一种电池片立式花篮视觉检测系统 | |
CN103971159B (zh) | 一种整捆钞票过数检测装置 | |
CN116012845A (zh) | 一种轧辊磨床屏幕参数自动识别系统及方法 | |
KR102523809B1 (ko) | 컴퓨터 비전을 활용한 가스 라이터 불량품 검출 시스템 | |
CN212183647U (zh) | 一种托盘烟用材料余量识别装置 | |
CN112556581B (zh) | 一种基于机器视觉的碳板检测系统及其检测方法 | |
CN210022876U (zh) | 一种烟包三维外观视觉检测装置 | |
TWI741317B (zh) | 行人辨識方法與系統 |
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 |