烘丝质量智能检测方法及系统技术方案

本公开涉及一种烘丝质量智能检测方法及系统。烘丝质量智能检测方法包括：通过机器视觉对在线的烘后烟丝的烟丝图像进行实时获取；将所述烟丝图像输入已训练的深度学习模型，以获得所述烟丝图像对应的烟丝质量参数。本公开实施例能够改善烟丝生产质量。实施例能够改善烟丝生产质量。实施例能够改善烟丝生产质量。

【技术实现步骤摘要】
烘丝质量智能检测方法及系统


[0001]本公开涉及烟草加工领域，尤其涉及一种烘丝质量智能检测方法及系统。

技术介绍

[0002]烘丝工序是卷烟生产工艺的关键工序，该工序任务是将前段工序经过增温增湿的叶丝进行干燥脱水，使得叶丝定型并使其基本满足卷制要求。烘丝工序是对成品烟丝质量影响最大的设备，其质量控制是整个制丝过程的重中之重。由于烘丝工序在制丝工艺中的关键作用，其工序的输入输出及过程工艺质量指标均需遵循较为严格的规范要求，这对该工序及上下游工序中人、机、料、法、环、测的各生产要素提出了更高要求。烘丝环节的烟丝质量稳定性是保障卷烟等后续环节加工质量的关键因素之一。
[0003]对烟丝质量特性及质量波动进行在线检测是公司乃至全行业的迫切需求，并且对稳定下游工序
‑‑
烟支的卷制质量具有重要意义。烟丝结构是衡量烟丝质量的一项重要指标，主要包括如整丝率、碎丝率和填充值等参数，其在生产过程中的波动，最终将体现到成品烟支的各项指标上，例如空头剔除率、吸阻、端部落丝率等，较好的烟丝结构可提高烟丝的耐加工性能，提高烟支卷制过程的成品率。由于受诸多不稳定因素的影响，烟丝结构可能会有一定的波动，从而影响烟支卷制质量及其稳定性。烟丝结构的波动除了受原料均匀性的影响外，还与整个制丝过程的稳定性有密切关系。因此，对烘丝环节烟丝结构稳定性的控制，是行业进行降本、稳质、增效的一个重要突破点。
[0004]目前在行业中，烘丝环节的出口烟丝质量检测只包含了水分检测，尚未采用其他质量参数，难以全面的反映烘丝后烟丝的质量波动，烘丝质量未能透明化。现阶段只能依靠人工离线采样检测，检测频率低、费时长，且往往只在因之导致的切丝质量出现显著波动时才能引起关注，不利于烟丝生产质量的稳定性控制。由于烘丝质量从问题出现到发现再到找出质量问题进而解决问题，整个过程时间久、滞后性大，期间可能产生较多质量不稳定的成品烟丝，导致下游卷烟过程的质量波动损失，浪费大量的原、辅料。
[0005]与此同时，烟丝质量稳定性普遍采用人工取样的方式进行离线检测。人工取样法，即按照一定的取样策略对生产线上烟丝进行抽样，然后再离线检测，利用样本的质量特性反映整体产品的质量。这种依赖于操作人员手工检测的方法存在很大的局限性：(1)在离线状态下检测，滞后性大；(2)样本量少，难以全面、准确地反映烟丝的质量波动；(3)无法实现高效、自动化的在线检测，不能匹配高速的生产流程。

技术实现思路

[0006]有鉴于此，本公开实施例提供一种烘丝质量智能检测方法及系统，能够改善烟丝生产质量。
[0007]在本公开的一个方面，提供一种烘丝质量智能检测方法，包括：
[0008]通过机器视觉对在线的烘后烟丝的烟丝图像进行实时获取；
[0009]将所述烟丝图像输入已训练的深度学习模型，以获得所述烟丝图像对应的烟丝质
量参数。
[0010]在一些实施例中，所述烘丝质量智能检测方法还包括：
[0011]根据所述烟丝质量参数，对烘丝工艺参数进行优化调整；或
[0012]根据所述烟丝质量参数进行报警推送。
[0013]在一些实施例中，所述烘丝质量智能检测方法还包括训练深度学习模型的步骤，具体包括：
[0014]通过机器视觉获取多个批次的烘前烟丝和烘后烟丝的烟丝图像；
[0015]对所述烟丝图像进行图像处理和特征提取，并根据提取的关键特征信息建立图像属性特征库；
[0016]将所述图像属性特征库中的图像属性特征与对应批次的工艺参数和烟丝质量参数进行关联，形成供训练和验证的数据集；
[0017]通过所述数据集对所述深度学习模型进行训练和验证。
[0018]在一些实施例中，所述烘丝质量智能检测方法还包括设置机器视觉功能的步骤，具体包括：
[0019]根据烘丝场地的烘丝工况进行工业相机、光源照明和图像处理系统的选择；
[0020]根据选择的工业相机、光源照明和图像处理系统进行现场安装。
[0021]在一些实施例中，选择工业相机的步骤包括：
[0022]根据烟丝在传输过程中位置和形态的变化情况确定工业相机的感光器件类型；
[0023]根据烟丝在传输过程中的运动速度确定工业相机的扫描频率及像素分辨率；
[0024]根据相机产生的数据量确定工业相机的通信接口协议；
[0025]根据确定的感光器件类型、扫描频率及像素分辨率和通信接口协议选择符合的工业相机。
[0026]在一些实施例中，选择光源照明的步骤包括：
[0027]根据烟丝在传输过程中的运动速度及选择的工业相机的扫描速率确定光源亮度；
[0028]根据光源亮度确定光源照明的功率及散热结构。
[0029]在一些实施例中，所述训练深度学习模型的步骤还包括：
[0030]在获取多个批次的烘前烟丝和烘后烟丝的烟丝图像时，采集对应批次的工艺参数和烟丝质量参数。
[0031]在一些实施例中，对所述烟丝图像进行图像处理和特征提取的步骤包括：
[0032]对所述烟丝图像进行预处理；
[0033]对预处理后的所述烟丝图像包含的图像特征进行特征提取和降维处理。
[0034]在一些实施例中，对所述烟丝图像进行预处理的步骤包括：
[0035]去除所述烟丝图像中的背景区域，并对所述烟丝图像进行图像增强和去噪。
[0036]在一些实施例中，对所述烟丝图像进行降噪的步骤包括：
[0037]通过以使用人工生成乘性噪声的方式训练的卷积神经网络模型对所述烟丝图像进行去噪。
[0038]在一些实施例中，对所述烟丝图像进行预处理的步骤还包括：
[0039]剔除非正常生产时段下的烟丝图像。
[0040]在一些实施例中，对预处理后的所述烟丝图像包含的图像特征进行特征提取和降
维处理的步骤包括：
[0041]对预处理后的所述烟丝图像进行尺寸归一化；
[0042]将归一化的所述烟丝图像输入预训练好的VGG16模型，以便从所述烟丝图像中选取候选区域，并提取候选区域的图像像素特征；
[0043]对提取的图像像素特征进行融合，并去掉冗余特征，以获得有效描述的特征量作为关键特征信息。
[0044]在一些实施例中，所述深度学习模型为深度学习图像分类模型。
[0045]在一些实施例中，所述深度学习模型为深度学习语义分割模型。
[0046]在本公开的一个方面，提供一种烘丝质量智能检测系统，包括：
[0047]存储器；和
[0048]耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述的烘丝质量智能检测方法。
[0049]因此，根据本公开实施例，通过机器视觉和深度学习模型实现对烘后烟丝质量的在线检测，从而可在不改变原有工艺、生产过程的情况下，在线地提供与烟丝质量有关的烟丝质量等级、质量检测指标、可能的风选环节剔除率等，并且能够通过对以往数据进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种烘丝质量智能检测方法，其特征在于，包括：通过机器视觉对在线的烘后烟丝的烟丝图像进行实时获取；将所述烟丝图像输入已训练的深度学习模型，以获得所述烟丝图像对应的烟丝质量参数。2.根据权利要求1所述的烘丝质量智能检测方法，其特征在于，还包括：根据所述烟丝质量参数，对烘丝工艺参数进行优化调整；或根据所述烟丝质量参数进行报警推送。3.根据权利要求1所述的烘丝质量智能检测方法，其特征在于，还包括训练深度学习模型的步骤，具体包括：通过机器视觉获取多个批次的烘前烟丝和烘后烟丝的烟丝图像；对所述烟丝图像进行图像处理和特征提取，并根据提取的关键特征信息建立图像属性特征库；将所述图像属性特征库中的图像属性特征与对应批次的工艺参数和烟丝质量参数进行关联，形成供训练和验证的数据集；通过所述数据集对所述深度学习模型进行训练和验证。4.根据权利要求3所述的烘丝质量智能检测方法，其特征在于，还包括设置机器视觉功能的步骤，具体包括：根据烘丝场地的烘丝工况进行工业相机、光源照明和图像处理系统的选择；根据选择的工业相机、光源照明和图像处理系统进行现场安装。5.根据权利要求4所述的烘丝质量智能检测方法，其特征在于，选择工业相机的步骤包括：根据烟丝在传输过程中位置和形态的变化情况确定工业相机的感光器件类型；根据烟丝在传输过程中的运动速度确定工业相机的扫描频率及像素分辨率；根据相机产生的数据量确定工业相机的通信接口协议；根据确定的感光器件类型、扫描频率及像素分辨率和通信接口协议选择符合的工业相机。6.根据权利要求4所述的烘丝质量智能检测方法，其特征在于，选择光源照明的步骤包括：根据烟丝在传输过程中的运动速度及选择的工业相机的扫描速率确定光源亮度；根据光源亮度确定光源照明的功率及散热结构。7.根据权利要求3所述的烘丝质量智能检测方法，其特征在于，所述训练深度学习模型的步骤还包括...

【专利技术属性】
技术研发人员：李楠，郭峰，邓铠彰，吴国忠，吴玉生，王昭焜，林智聪，
申请(专利权)人：厦门烟草工业有限责任公司，
类型：发明
国别省市：