一种基于人工智能的烟丝杂物识别系统及方法技术方案

本发明专利技术属于烟丝生产技术领域，公开了一种基于人工智能的烟丝杂物识别系统及方法，且所述方法包括：S1.建立图像入口，并从所述图像入口输入烟丝图像；S2.对所述烟丝图像进行增强处理，得到烟丝增强图像；S3.对所述烟丝增强图像进行区域分组，得到烟丝分组图像集；S4.对每个所述烟丝分组图像集中的烟丝分组图像进行至少一次推理计算，得到推理结果；S5.输出所述推理结果，并判断所述推理结果中是否包含杂物信息；综上，通过本发明专利技术所提供的烟丝杂物识别系统及方法，能有效实现烟丝生产过程中的及时质检，并且在检测过程中对烟丝图像进行形状、纹理及颜色的增强处理，由此有效提高检测结果的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种基于人工智能的烟丝杂物识别系统及方法


[0001]本专利技术属于烟丝生产
，具体涉及一种基于人工智能的烟丝杂物识别系统及方法。

技术介绍

[0002]在烟丝机制烟过程中，烟丝质量的稳定性对烟支的卷制质量具有重要意义，因此在烟丝生产时需要及时实现烟丝质检。但是，在现有技术中，烟丝质检大多采用人工检测，并且由于切丝、烘丝及风选等复杂的制丝工序，使得烟丝质量检测存在检测时间长、效率低的缺陷，从而导致烟丝质量的波动不能被实时检测，大大影响了烟丝后续加工。

技术实现思路

[0003]鉴于此，为解决上述
技术介绍
中所提出的问题，本专利技术的目的在于提供一种基于人工智能的烟丝杂物识别系统及方法。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于人工智能的烟丝杂物识别系统，包括：外部相机，用于采集烟丝图像；图像入口单元，用于接收并输入所述外部相机采集的烟丝图像；增强处理单元，用于对所述图像入口单元输入的烟丝图像进行增强处理；分组单元，用于对经所述增强处理单元增强后的烟丝图像进行区域分组；推理计算单元，用于对分组后的烟丝图像进行至少一次推理计算；输出单元，获取并输出所述推理计算单元的推理结果，判断所述推理结果中是否包含杂物信息。
[0005]一种基于人工智能的烟丝杂物识别方法，包括如下步骤：S1.建立图像入口，并从所述图像入口输入烟丝图像；S2.对所述烟丝图像进行增强处理，得到烟丝增强图像；S3.对所述烟丝增强图像进行区域分组，得到烟丝分组图像集；S4.对每个所述烟丝分组图像集中的烟丝分组图像进行至少一次推理计算，得到推理结果；S5.输出所述推理结果，并判断所述推理结果中是否包含杂物信息。
[0006]优选的，在所述步骤S1中，输入的所述烟丝图像由外部相机采集获得。
[0007]优选的，在所述步骤S2中，对所述烟丝图像进行增强处理包括形状增强、纹理增强和颜色增强。
[0008]优选的，所述形状增强包括：采用Freeman算子提取所述烟丝图像中各个物体的形状；采用傅立叶算子对提取的各个物体的形状边界进行傅立叶变换和增强。
[0009]优选的，所述纹理增强包括：
通过灰度共生矩阵提取所述烟丝图像的纹理信息；对所述纹理信息进行高斯增强，并将增强结果反馈至原始的烟丝图像。
[0010]优选的，所述纹理信息包括烟丝图像的像素距离和烟丝图像中烟丝纹理角度的矩阵系数。
[0011]优选的，在所述步骤S3中，根据所述烟丝增强图像的大小以及增强效果进行区域分组。
[0012]优选的，在所述步骤S4中：采用ResNet50
‑
VD推理神经网络模型对每个所述烟丝分组图像集中的烟丝分组图像进行推理计算。
[0013]优选的，在所述步骤S4中：基于Batch循环神经网络模型与ResNet50
‑
VD推理神经网络模型建立AI推理网络，并通过所述AI推理网络对每个所述烟丝分组图像集中的烟丝分组图像进行循环推理计算。
[0014]优选的，在所述步骤S5中：输出所述推理结果为每一次循环推理计算的计算结果。
[0015]本专利技术与现有技术相比，具有以下有益效果：(1)通过本专利技术所提供的烟丝杂物识别系统及方法，能有效实现烟丝生产过程中的及时质检，并且在检测过程中对烟丝图像进行形状、纹理及颜色的增强处理，由此有效提高检测结果的准确性。
[0016](2)在本专利技术所提的烟丝杂物识别系统及方法中，采用ResNet50
‑
VD推理神经网络模型进行推理计算，由此能有效缩短数据处理的延迟时间，从而保证检测结果的及时性。
[0017](3)在本专利技术所提的烟丝杂物识别系统及方法中，将Batch循环神经网络模型与ResNet50
‑
VD推理神经网络模型相结合，由此能有效实现高速的流水线式推理计算，从而进一步提升检测结果的及时性和准确性。
附图说明
[0018]图1为本专利技术烟丝杂物识别系统的结构示意图；图2为本专利技术烟丝杂物识别方法的流程图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0020]实施例一请参阅图1所示，在本实施例中提供了一种基于人工智能的烟丝杂物识别方法，且该方法主要包括：S1.建立图像入口，并从图像入口输入烟丝图像；具体，本步骤中所输入的烟丝图像由外部相机采集获得。
[0021]S2.对烟丝图像进行增强处理，得到烟丝增强图像；具体，本步骤中对烟丝图像进行增强处理包括形状增强、纹理增强和颜色增强；其中：
关于形状增强包括：采用Freeman算子提取烟丝图像中各个物体的形状；采用傅立叶算子对提取的各个物体的形状边界进行傅立叶变换和增强。
[0022]关于纹理增强包括：通过灰度共生矩阵提取烟丝图像的纹理信息；对纹理信息进行高斯增强，并将增强结果反馈至原始的烟丝图像；优选的，关于纹理信息包括烟丝图像的像素距离和烟丝图像中烟丝纹理角度的矩阵系数。
[0023]S3.对烟丝增强图像进行区域分组，得到烟丝分组图像集；具体，本步骤中根据烟丝增强图像的大小以及增强效果进行区域分组。
[0024]S4.对每个烟丝分组图像集中的烟丝分组图像进行至少一次推理计算，得到推理结果；具体，本步骤中基于Batch循环神经网络模型与ResNet50
‑
VD推理神经网络模型建立AI推理网络，并通过AI推理网络对每个烟丝分组图像集中的烟丝分组图像进行循环推理计算。
[0025]S5.输出推理结果，并判断推理结果中是否包含杂物信息。
[0026]具体，本步骤中的输出所述推理结果为每一次循环推理计算的计算结果。
[0027]实施例二请参阅图1所示，在本实施例中提供了一种基于人工智能的烟丝杂物识别系统，且该系统主要包括：外部相机1，用于采集烟丝图像；图像入口单元2，用于接收并输入外部相机采集的烟丝图像；增强处理单元3，用于对图像入口单元2输入的烟丝图像进行增强处理；分组单元4，用于对经增强处理单元3增强后的烟丝图像进行区域分组；推理计算单元5，用于对分组后的烟丝图像进行至少一次推理计算；输出单元6，获取并输出推理计算单元5的推理结果，判断推理结果中是否包含杂物信息。
[0028]具体，本实施例的烟丝杂物识别系统在进行烟丝杂物识别时，根据上述实施例一中所公开的烟丝杂物识别方法进行运行。
[0029]尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的烟丝杂物识别系统，其特征在于，包括：外部相机，用于采集烟丝图像；图像入口单元，用于接收并输入所述外部相机采集的烟丝图像；增强处理单元，用于对所述图像入口单元输入的烟丝图像进行增强处理；分组单元，用于对经所述增强处理单元增强后的烟丝图像进行区域分组；推理计算单元，用于对分组后的烟丝图像进行至少一次推理计算；输出单元，获取并输出所述推理计算单元的推理结果，判断所述推理结果中是否包含杂物信息。2.一种基于人工智能的烟丝杂物识别方法，其特征在于，包括如下步骤：S1.建立图像入口，并从所述图像入口输入烟丝图像；S2.对所述烟丝图像进行增强处理，得到烟丝增强图像；S3.对所述烟丝增强图像进行区域分组，得到烟丝分组图像集；S4.对每个所述烟丝分组图像集中的烟丝分组图像进行至少一次推理计算，得到推理结果；S5.输出所述推理结果，并判断所述推理结果中是否包含杂物信息。3.根据权利要求2所述的一种基于人工智能的烟丝杂物识别方法，其特征在于：在所述步骤S1中，输入的所述烟丝图像由外部相机采集获得。4.根据权利要求2所述的一种基于人工智能的烟丝杂物识别方法，其特征在于：在所述步骤S2中，对所述烟丝图像进行增强处理包括形状增强、纹理增强和颜色增强。5.根据权利要求4所述的一种基于人工智能的烟丝杂物识别方法，其特征在于，...

【专利技术属性】
技术研发人员：王永号，彭波，李宏敏，
申请(专利权)人：江苏新智联信息技术有限公司，
类型：发明
国别省市：