【技术实现步骤摘要】
本专利技术涉及卷烟滤棒生产的，尤其涉及一种卷烟滤棒发射机的乱棒检测方法。
技术介绍
1、卷烟滤棒是烟支的重要组成部分，其质量的好坏直接影响最终产品的质量。通常，卷烟滤棒由成型机卷制而成，并经装盘机装盘后由堆垛机送入立库进行固化，固化后的卷烟滤棒再由堆垛机送至发射机，滤棒经翻盘后经输送通道送至发射机料库经发射单元发射至卷包车间进行烟支卷接。在实际生产中，卷烟滤棒由输送通道送至发射机料库时由于滤棒间相互挤压会造成滤棒排列混乱，混乱的滤棒会造成发射单元堵管停机，从而影响卷包车间正常生产。针对上述乱棒问题，需要发射机操作工人工肉眼发现，并对乱棒进行清理，该方式效率低下，因滤棒乱棒造成发射机停机的事故时有发生。
2、近年来，随着深度学习技术的不断成熟，作为深度学习子任务之一的目标检测技术被广泛应用于各行各业。在卷烟加工领域，2022年，张等人基于resnet50设计一种烟支外观检测系统对烟支外观缺陷进行实时检测，其中对烟支破损检测准确率达98.5％；2023年，yuan等人基于yolov4算法提出改进yolov4的卷烟外观缺陷检测方法，该方法在卷烟数据集上实现了91.77％的平均检测性能。因此，如何利用目标检测技术对卷烟滤棒生产时发射机发生乱棒进行准确检测，具有重要的意义。
技术实现思路
1、本专利技术提供一种卷烟滤棒发射机的乱棒检测方法，解决现有卷烟滤棒生产时发射机发生乱棒时需要花费大量人工进行清理，存在效率低和存在安全隐患问题，能提高卷烟滤棒发射机的乱棒检测的准确性和清理效率
2、为实现以下目的，本专利技术提供以下技术方案：
3、一种卷烟滤棒发射机的乱棒检测方法，包括：
4、将广角无畸变工业摄像机安装于发射机料库进料口处，采集卷烟滤棒乱棒图像；
5、对卷烟滤棒乱棒图像进行预处理，并对卷烟滤棒乱棒图像中的乱棒进行标注，将标注好的卷烟滤棒乱棒图像划分为训练集与测试集，其比例为4：1；
6、以yolov5算法作为基础算法设计协同注意力模块使浅层网络的细粒度信息和深层网络提取的语义信息彼此交互融合，将注意力特征融合模块替代yolov5算法中特征级联的特征融合方式构建基于yolov5的双重协同注意力机制的发射机乱棒检测模型；
7、利用所述训练集和所述测试集对所述发射机乱棒检测模型进行模型训练和性能评估，并利用训练好的所述发射机乱棒检测模型对发射机发射的滤棒进行乱棒检测。
8、优选的，还包括：
9、所述发射机乱棒检测模型对所述卷烟滤棒乱棒图像进行检测，如果检测到存在乱棒，则进行乱棒故障报警，以提醒操作人员对乱棒进行清理。
10、优选的，所述将广角无畸变工业摄像机安装于发射机料库进料口处，包括：将广角无畸变工业摄像机安装于发射机料库机箱顶部，并通过支架连接将摄像机镜头对准发射机料库进料口处，镜头距离离卷烟滤棒为40cm。
11、优选的，所述对卷烟滤棒乱棒图像进行预处理，包括：
12、将采集的卷烟滤棒乱棒图像尺寸转换为640×512，并使用labelimg软件对尺寸转换后的图像进行标注，生成包括乱棒标记框中心点坐标(x，y)、宽w和高h的*.txt文件。
13、优选的，所述协同注意力模块使浅层网络提取的细粒度信息与深层网络提取的语义信息彼此交互融合，包括：
14、首先利用池化或下采样将yolov5提取的特征进行尺度转换，接着将尺度相同的图像特征fi和fi+1，i∈{1，4}，通过特征级联、3×3卷积和bn操作构建了一个融合浅层细粒度信息与深层语义信息的全局特征fii+1，融合后的特征采用自注意力机制生成特征掩码mii+1，并使用特征掩码mii+1分别为不同深度网络提取的特征进行注意力加权，为了使浅层网络的细粒度信息与深层网络的语义信息充分交互，将特征fi线性映射为特征向量vi，i∈{1,4}，特征fi+1线性映射为特征向量vi+1，i∈{1,4}，并分别与全局特征自注意力掩膜mii+1进行逐元素相乘操作后与原特征进行逐元素相加，由此，特征fi和fi+1获得了彼此的信息。
15、优选的，采用自注意力机制生成特征掩码mii+1，包括：
16、采用公式：进行特征掩码生成，其中，mii+1表示全局特征自注意力掩膜，表示逐元素相乘，linear(·)表示线性映射层，t表示矩阵转置，softmax(·)表示自注意力操作，c表示特征图通道数。
17、优选的，所述与全局特征自注意力掩膜mii+1进行逐元素相乘操作后与原特征进行逐元素相加，包括：
18、采用公式：
19、
20、其中，fi+2和fi+3，i∈{1，4}表示协同注意力模块输出的特征，表示逐元素相加。
21、优选的，所述将注意力特征融合模块替代yolov5算法中特征级联的特征融合方式，包括：
22、通过所述注意力特征融合模块将不同网络深度层提取的特征进行深度融合，将特征fj和fj+1，j∈{6，9，11，14}进行逐元素相加后输入到通道注意力块，以增强通道方向上的特征表达；
23、然后，将经通道注意力块得到的特征图fj(j+1)输入到空间注意力块中，来增强空间方向上的特征表达。
24、优选的，所述将特征fj和fj+1进行逐元素相加后输入到通道注意力块，包括：
25、对输入特征图在空间维度执行全局最大池化和全局平均池化操作，生成表示每个通道的全局最大特征和平均特征向量，全局最大特征和平均特征向量输入共享全连接层中学习通道权重并应用sigmoid激活函数将权重归一化到0到1之间，将通道注意力权重与输入特征图的每个通道相乘，得到通道注意力加权后的特征图fj(j+1)；
26、其中，fc表示全连接层，maxpool(·)表示全局最大池化、avgpool(·)表示全局平均池化。
27、优选的，所述将经通道注意力块得到的特征图fj(j+1)输入到空间注意力块中，包括：
28、将特征图fj(j+1)分别沿通道维度执行最大池化和平均池化操作，获取每个空间位置的最大值和平均值，将最大特征和平均特征向量沿着通道维度进行拼接经卷积层和sigmoid激活函数学习到空间注意力权重，将该权重与特征图fj(j+1)每个空间位置的特征进行加权，突出空间上重要的图像区域，并减少不重要的区域的影响；
29、其过程表示为：
30、fj+2＝sigmiod(conv(concat(maxpool(fj(j+1))，avgpool(fj(j+1)))))，j∈{6，9，11，14}，其中，concat(·)表示特征级联，conv(·)表示卷积层。
31、本专利技术提供一种卷烟滤棒发射机的乱棒检测方法，采集卷烟滤棒乱棒图像并进行预处理，以形成乱棒的训练集与测试集，构建基于yolov5的双重协同注意力机制的发射机乱棒检测模型，将训练集和测试集进行模型训练，本文档来自技高网...
【技术保护点】
1.一种卷烟滤棒发射机的乱棒检测方法，其特征在于，包括：
2.根据权利要求1所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，还包括：
3.根据权利要求2所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述将广角无畸变工业摄像机安装于发射机料库进料口处，包括：将广角无畸变工业摄像机安装于发射机料库机箱顶部，并通过支架连接将摄像机镜头对准发射机料库进料口处，镜头距离离卷烟滤棒为40cm。
4.根据权利要求3所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述对卷烟滤棒乱棒图像进行预处理，包括：
5.根据权利要求4所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述协同注意力模块使浅层网络提取的细粒度信息与深层网络提取的语义信息彼此交互融合，包括：
6.根据权利要求5所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，采用自注意力机制生成特征掩码Mii+1，包括：
7.根据权利要求6所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述与全局特征自注意力掩膜Mii+1进行逐元素相乘操作后与原特征进行逐元素相加，包括：p>
8.根据权利要求7所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述将注意力特征融合模块替代YOLOv5算法中特征级联的特征融合方式，包括：
9.根据权利要求8所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述将特征Fj和Fj+1进行逐元素相加后输入到通道注意力块，包括：
10.根据权利要求9所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述将经通道注意力块得到的特征图Fj(j+1)输入到空间注意力块中，包括：
...【技术特征摘要】
1.一种卷烟滤棒发射机的乱棒检测方法，其特征在于，包括：
2.根据权利要求1所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，还包括：
3.根据权利要求2所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述将广角无畸变工业摄像机安装于发射机料库进料口处，包括：将广角无畸变工业摄像机安装于发射机料库机箱顶部，并通过支架连接将摄像机镜头对准发射机料库进料口处，镜头距离离卷烟滤棒为40cm。
4.根据权利要求3所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述对卷烟滤棒乱棒图像进行预处理，包括：
5.根据权利要求4所述的卷烟滤棒发射机的乱棒检测方法，其特征在于，所述协同注意力模块使浅层网络提取的细粒度信息与深层网络提取的语义信息彼此交互融合，包括：
6.根据权利...
【专利技术属性】
技术研发人员：杨阳，喻涛，冯正江，太靖文，张祺云，范美顺，李春华，李继刚，李兴勇，余先锋，顾红飞，
申请(专利权)人：红云红河烟草集团有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。