【技术实现步骤摘要】
本专利技术涉及计算机视觉在烟草工业质量检测中的应用，涉及一种基于卷积神经网络的烟支烟末检测方法和系统。
技术介绍
1、在烟草生产过程中，烟支的质量检测是保证产品品质的重要环节。烟支含末率，即烟支中烟草碎片（俗称“烟末”）的含量比例，是影响烟支品质的一个关键指标。传统的烟支含末率检测主要依赖人工抽样检查或使用机械筛选装置，将烟丝从烟支中剥离称重，然后将0.8mm以下的烟丝筛出称重，计算0.8mm以下的烟末占烟丝的比例，这些方法往往存在效率低、准确性差、无法实现实时在线检测等问题。同时切割过程会导致烟丝的损耗，从而降低了烟丝的利用率。公开号为cn115236105a的中国专利技术专利主要采用传统的图像处理方法，如边缘检测、圆形检测以及roi区域生长法，这些方法依赖于寻找像素值发生显著变化的位置来标识对象的边界，但是对于一些复杂场景或模糊边界的处理效果不佳。
2、为了克服这些限制，亟需开发一种能够提高检测效率、准确性和实时在线检测能力的新型烟支烟末无损检测方法。该方法应结合最新的计算机视觉技术和深度学习算法，以实现对烟支质量的自动化监控和精确评估。
技术实现思路
1、为了克服
技术介绍
中存在的问题，本专利技术提供一种基于卷积神经网络的烟支烟末检测方法，具体包括如下步骤：
2、步骤1，采集待测烟支的纵向ct灰度图像；
3、步骤2，对采集到的ct灰度图像进行数据增强处理并制作训练数据集；
4、步骤3，构建并训练烟末识别模型，所述烟末识别模型包括骨
5、步骤4，将训练好的烟末识别模型部署到服务器设备上，实现对待测烟支的烟末检测。
6、进一步的，步骤2的具体实现方式如下；
7、(1)对采集的ct灰度图像图片集进行旋转处理，顺时针旋转0~15角度与逆时针旋转0~15角度，每一个整数度数时保存一次图片，构成旋转数据集；
8、(2)对图片集添加高斯噪声，在原来的图片的基础上，随机叠加噪声处理，构成噪声数据集；
9、(3)对图片集进行mosaic数据增强，对原有的图片先进行不同尺度的缩放处理，将缩放后的图片进行随机拼接，使得拼接后的图片满足原始图片的大小，构成mosaic数据集；
10、(4)对原始的图片集以及步骤(1)(2)(3)构成的数据集进行融合，得到训练的数据集图片；
11、(5)使用labelme工具对(4)的数据集图片里的烟末进行标注，标出烟末的像素轮廓，对图片进行随机打乱，按照比例将数据集划分为训练集、验证集和测试集。
12、进一步的，在骨干网络中，输入图像依次经过第一卷积层，第一倒残差，第二倒残差，第三倒残差，第四倒残差，第五倒残差，第六倒残差，第七倒残差，第八倒残差，其中第二倒残差输出的特征为p2，第三倒残差输出的特征图为p3，第六倒残差输出的特征图为p4，第八倒残差输出的特征图为p5；
13、将第二、第三、第六、第八倒残差输出的这四个特征输入到特征融合网络中进行融合。
14、进一步的，输入图像在经过第一卷积层时其高度和宽度将缩小为原来的一半，同时输出图像的通道数将与卷积层的通道数相等，采用尺寸为3×3、步长为2的卷积核进行特征提取，通过h-swish激活函数层增加非线性特性，并配合bn层来加速训练过程并提高模型性能；其中h-swish激活函数层公式如下：
15、
16、上式中，x 表示输入，relu6是一个具有上限的线性整流单元，其作用是将输入x限制在[0, 6]的范围内。
17、进一步的，第一倒残差至第八倒残差的结构相同，通过判断输入和隐藏层的通道数是否相等来调整卷积层的配置，若输入和隐藏层的通道数相同，直接应用深度可分离卷积，随后是h-swish激活函数层和se注意力机制，最后通过1x1卷积进行特征处理；
18、相反，如果输入和隐藏层的通道数不一致，首先使用1x1卷积进行通道数的变换，以匹配隐藏层的通道数，然后同样进行深度可分离卷积、h-swish激活，se注意力处理，最后再通过1x1卷积进行调整。
19、进一步的，特征在经过se注意力时，通过挤压和激励两个操作来重新校准通道维度上的特征响应；
20、在挤压阶段，通过全局平均池化操作将每个通道的特征压缩成一个实数，这个实数代表了该通道的全局信息，此操作的输出是一个包含各通道全局信息的向量；
21、在激励阶段，这个全局信息向量被输送到两个全连接层中，第一个全连接层将通道数缩减为原来的1/r，r为缩减比率，然后应用relu激活函数；第二个全连接层再将通道数恢复，并通过sigmoid激活函数得到每个通道的权重系数，这些权重反映了不同通道的重要程度，并通过scale操作应用到原始特征图上，实现特征的重新加权。
22、进一步的，特征融合网络的具体处理过程如下；
23、在自下而上的路径里，特征图p5经过一次改进的ca注意力后增强特征表示能力，然后经过一次上采样层后尺寸增大，高和宽增加一倍，然后与经过一次改进的ca注意力后的特征图p4进行融合，融合后得到的特征为c4，将特征c4经过一次上采样操作后增大融合特征图c4的维度，然后与经过一次改进的ca注意力后的特征图p3进行融合，得到融合特征c3，接着特征c3经过一次上采样与经过一次改进的ca注意力后的特征图p2进行融合，得到融合特征c2；
24、在自上而下的融合路径里，融合特征c2经过一次第一卷积层，图像大小高和宽缩小一倍后与融合特征c3进行一次融合，得到融合特征r1，融合特征r1经过一次第一卷积层维度减半然后与融合特征c4进行融合，得到融合特征r2，r2经过一次第一卷积层后与经过改进ca注意力的特征p5进行最后一次融合，得到融合特征r3；
25、最终将融合特征c2，r1，r2，r3输入到检测头。
26、进一步的，改进的ca注意力模块的处理过程如下；
27、图像特征图输入后从水平方向和垂直方向分别进行全局平均池化，从而获得在水平和垂直两个方向的特征图，再将沿水平方向和垂直方向池化过的特征值进行聚合与归一化处理，然后进行卷积，接着使用sigmoid函数进行平滑处理，对原始特征图使用sigmoid函数进行平滑处理，然后与经水平方向和垂直方向处理的特征图进行重新加权，输出新的特征图。
28、进一步的，训练过程中采用整合ciou损失函数和dfl损失函数的联合损失函数，计算公式如下：
29、
30、上式为联合损失函数，其中λ，β分别为ciou和dfl的权重；
31、ciou loss公式如下：
32、
33、
34、
<本文档来自技高网...【技术保护点】
1.基于卷积神经网络的烟支烟末检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：步骤2的具体实现方式如下；
3.如权利要求1所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：在骨干网络中，输入图像依次经过第一卷积层，第一倒残差，第二倒残差，第三倒残差，第四倒残差，第五倒残差，第六倒残差，第七倒残差，第八倒残差，其中第二倒残差输出的特征为P2，第三倒残差输出的特征图为P3，第六倒残差输出的特征图为P4，第八倒残差输出的特征图为P5；
4.如权利要求3所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：输入图像在经过第一卷积层时其高度和宽度将缩小为原来的一半，同时输出图像的通道数将与卷积层的通道数相等，采用尺寸为3×3、步长为2的卷积核进行特征提取，通过h-swish激活函数层增加非线性特性，并配合BN层来加速训练过程并提高模型性能；其中h-swish激活函数层公式如下：
5.如权利要求1或3所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：第一倒残差至第八倒残差的结构
6.如权利要求5所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：特征在经过SE注意力时，通过挤压和激励两个操作来重新校准通道维度上的特征响应；
7.如权利要求3所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：特征融合网络的具体处理过程如下；
8.如权利要求7所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：改进的CA注意力模块的处理过程如下；
9.如权利要求1所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：训练过程中采用整合CIoU损失函数和DFL损失函数的联合损失函数，计算公式如下：
10.基于卷积神经网络的烟支烟末检测系统，其特征在于，包括如下模块：
...【技术特征摘要】
1.基于卷积神经网络的烟支烟末检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：步骤2的具体实现方式如下；
3.如权利要求1所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：在骨干网络中，输入图像依次经过第一卷积层，第一倒残差，第二倒残差，第三倒残差，第四倒残差，第五倒残差，第六倒残差，第七倒残差，第八倒残差，其中第二倒残差输出的特征为p2，第三倒残差输出的特征图为p3，第六倒残差输出的特征图为p4，第八倒残差输出的特征图为p5；
4.如权利要求3所述的基于卷积神经网络的烟支烟末检测方法，其特征在于：输入图像在经过第一卷积层时其高度和宽度将缩小为原来的一半，同时输出图像的通道数将与卷积层的通道数相等，采用尺寸为3×3、步长为2的卷积核进行特征提取，通过h-swish激活函数层增加非线性特性，并配合bn层来加速训练过程并提高模型性能；其中h-swish激活函数层公式如下：
5.如权利要求1或3所述...
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。