一种烟支外观缺陷图像分类方法及系统技术方案

本发明专利技术涉及一种烟支外观缺陷图像分类方法及系统。所述方法包括：通过多尺度测试及数据增强对烟支外观缺陷图片进行预处理，生成预处理后的烟支外观缺陷图像数据集；采用基于特征的迁移学习方法对现有ResNeSt网络的全连接层进行预训练，对预训练后的ResNeSt网络的激活函数进行修改，生成基于改进ResNeSt的烟支外观缺陷分类网络；采用预处理后的烟支外观缺陷图像数据集对基于改进ResNeSt的烟支外观缺陷分类网络进行训练和测试；采用训练好的烟支外观缺陷分类网络对待分类的烟支外观缺陷图片进行分类。本发明专利技术方法提出了改进的ResNeSt模型，引入了迁移学习和数据增强方式，提出在ResNeSt核心更换激活函数的方法，使得提取特征精度获得了提升，使得分类正确率和召回率有了较大提升。了较大提升。了较大提升。

【技术实现步骤摘要】
一种烟支外观缺陷图像分类方法及系统


[0001]本专利技术涉及信息
，特别是涉及一种烟支外观缺陷图像分类方法及系统。

技术介绍

[0002]中国是一个烟草大国，烟支是烟草的最重要产品。在烟支生产和加工过程中，难免会因为各种因素导致烟支外观缺陷，而烟支外观缺陷分类便是烟支生产过程中的一个重要问题。
[0003]在传统的生产流水线上，烟支的外观缺陷检测依靠人工，但是目前的高速烟支生产流水线达到200支/秒的速度，人工检测已经无法胜任，自动烟支外观缺陷检测和分类能使烟支质量更有保证，降低生产成本。
[0004]随着深度学习的发展，很多分类问题都有了更好的解决方法，比如AlexNet(<Krizhevsky A,Sutskever I,Hinton G E.Imagenet classification with deep convolutional neural networks[J].Advances in neural information processing systems,2012,25:1097
‑
1105>)、VGG16(<K.Simonyan and A.Zisserman,“Very deep convolutional networks for large
‑
scale image recognition,”in International Conference on Learning Representations,May 2015>)、ResNet(<He K,Zhang X,Ren S,et al.Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2016:770
‑
778>)等。在相关其他和烟支外观缺陷相似的研究中，如竹条、纺织品、钢条等，则是已经有大量的分类研究，如高钦泉等用改进的CenterNet网络对竹条外表缺陷做了十个分类，mAP(Mean Average Precision，均值平均精度))％达到了76.9％(<高钦泉,黄炳城,刘文哲,童同.基于改进CenterNet的竹条表面缺陷检测方法[J/OL].计算机应用:1
‑
8[2021
‑
05
‑
12]>)；刘洋洋提出了一种基于改进Faster R
‑
CNN的检测方法，对布匹做了将近20种缺陷分类，实验的mAP％达到了63.4％(<刘洋洋.基于深度学习的布匹缺陷检测方法研究[D].哈尔滨工业大学硕士学位论文,2020>)；丁关雄在AlexNet网络上添加了空洞卷积层增大感受野，改进后网络在布匹瑕疵分类的准确率和召回率上平均值均达到了85％(<丁关雄.布匹瑕疵分类算法的研究[D].上海师范大学硕士学位论文,2020>)；寇旭鹏等提出了一种基于Faster
‑
RCNN的钢带缺陷检测模型FRDNet，该方法在GC10
‑
DET钢带缺陷数据集上平均精确率均值mAP达67.7％，相较于原始模型提升了4.9％(<寇旭鹏,刘帅君,麻之润.基于Faster
‑
RCNN的钢带缺陷检测方法[J].中国冶金,2021,31(04):77
‑
83>)；徐镪等用改进的YOLOv3网络在钢板表面缺陷研究中，改进后的网络在测试集上精准度比原有的YOLOv3网络提高了23.3％(<徐镪,朱洪锦,范洪辉,周红燕,余光辉.改进的YOLOv3网络在钢板表面缺陷检测研究[J].计算机工程与应用,2020,56(16):265
‑
272>)。
[0005]然而，在烟支外观缺陷分类问题上，目前国内外很少有这方面的研究，如杨钰煊利用特征提取及阈值分割的方法来检测缺陷，但是准确度不是太高(<杨钰煊.基于图像处理的烟支瑕疵检测方法的设计与实现[D].云南大学硕士学位论文,2018>)。

技术实现思路

[0006]本专利技术的目的是提供一种烟支外观缺陷图像分类方法及系统，以提升烟支外观缺陷图像分类的正确率和召回率。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种烟支外观缺陷图像分类方法，包括：
[0009]获取工业相机所拍摄的烟支外观缺陷图片；
[0010]通过多尺度测试及数据增强对所述烟支外观缺陷图片进行预处理，生成预处理后的烟支外观缺陷图像数据集；
[0011]采用基于特征的迁移学习方法对现有的ResNeSt网络的全连接层进行预训练，生成预训练后的ResNeSt网络；
[0012]对所述预训练后的ResNeSt网络的激活函数进行修改，生成基于改进ResNeSt的烟支外观缺陷分类网络；
[0013]采用所述预处理后的烟支外观缺陷图像数据集对所述基于改进ResNeSt的烟支外观缺陷分类网络进行训练和测试，生成训练好的烟支外观缺陷分类网络；
[0014]采用所述训练好的烟支外观缺陷分类网络对待分类的烟支外观缺陷图片进行分类。
[0015]可选地，所述通过多尺度测试及数据增强对所述烟支外观缺陷图片进行预处理，生成预处理后的烟支外观缺陷图像数据集，具体包括：
[0016]对所述烟支外观缺陷图片进行数据增强处理，生成数据增强后的图片；所述数据增强处理包括旋转、高斯噪声、图片亮度以及mixup数据增强方式；
[0017]对所述数据增强后的图片进行尺度变换，生成预处理后的烟支外观缺陷图像数据集。
[0018]可选地，所述采用基于特征的迁移学习方法对现有的ResNeSt网络的全连接层进行预训练，生成预训练后的ResNeSt网络，具体包括：
[0019]将所述现有的ResNeSt网络的最后一个全连接层用一个新的全连接层代替，生成代替后的ResNeSt网络；所述新的全连接层的分类数与所述烟支外观缺陷图像数据集的类数一致；
[0020]随机初始化权重后，采用ImageNet样本训练所述代替后的ResNeSt网络来更新所述新的全连接层的的权重，生成预训练后的ResNeSt网络。
[0021]可选地，所述对所述预训练后的ResNeSt网络的激活函数进行修改，生成基于改进ResNeSt的烟支外观缺陷分类网络，具体包括：
[0022]将所述预训练后的ResNeSt网络的ReLU激活函数修改为h
‑
swish激活函数，生成基于改进ResNeSt的烟支外观缺陷分类网络。
[0023本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种烟支外观缺陷图像分类方法，其特征在于，包括：获取工业相机所拍摄的烟支外观缺陷图片；通过多尺度测试及数据增强对所述烟支外观缺陷图片进行预处理，生成预处理后的烟支外观缺陷图像数据集；采用基于特征的迁移学习方法对现有的ResNeSt网络的全连接层进行预训练，生成预训练后的ResNeSt网络；对所述预训练后的ResNeSt网络的激活函数进行修改，生成基于改进ResNeSt的烟支外观缺陷分类网络；采用所述预处理后的烟支外观缺陷图像数据集对所述基于改进ResNeSt的烟支外观缺陷分类网络进行训练和测试，生成训练好的烟支外观缺陷分类网络；采用所述训练好的烟支外观缺陷分类网络对待分类的烟支外观缺陷图片进行分类。2.根据权利要求1所述的方法，其特征在于，所述通过多尺度测试及数据增强对所述烟支外观缺陷图片进行预处理，生成预处理后的烟支外观缺陷图像数据集，具体包括：对所述烟支外观缺陷图片进行数据增强处理，生成数据增强后的图片；所述数据增强处理包括旋转、高斯噪声、图片亮度以及mixup数据增强方式；对所述数据增强后的图片进行尺度变换，生成预处理后的烟支外观缺陷图像数据集。3.根据权利要求2所述的方法，其特征在于，所述采用基于特征的迁移学习方法对现有的ResNeSt网络的全连接层进行预训练，生成预训练后的ResNeSt网络，具体包括：将所述现有的ResNeSt网络的最后一个全连接层用一个新的全连接层代替，生成代替后的ResNeSt网络；所述新的全连接层的分类数与所述烟支外观缺陷图像数据集的类数一致；随机初始化权重后，采用ImageNet样本训练所述代替后的ResNeSt网络来更新所述新的全连接层的的权重，生成预训练后的ResNeSt网络。4.根据权利要求3所述的方法，其特征在于，所述对所述预训练后的ResNeSt网络的激活函数进行修改，生成基于改进ResNeSt的烟支外观缺陷分类网络，具体包括：将所述预训练后的ResNeSt网络的ReLU激活函数修改为h
‑
swish激活函数，生成基于改进ResNeSt的烟支外观缺陷分类网...

【专利技术属性】
技术研发人员：袁国武，刘建成，刘鸿瑜，瞿睿，周浩，钱文华，杨泽榆，华宇，
申请(专利权)人：云南大学，
类型：发明
国别省市：