阅读说明：本技术 一种基于深度学习的烟梗形态智能识别系统及方法 (Tobacco stem form intelligent identification system and method based on deep learning ) 是由 徐大勇 堵劲松 李善莲 邓国栋 张玉海 于 2020-05-21 设计创作，主要内容包括：一种基于深度学习的烟梗形态智能识别系统及方法,特征是,所述识别系统包括烟梗传输装置,图像采集装置,深度学习烟梗识别模块；所述烟梗传输装置主要将烟梗进行分离传输,将其运送至图像采集工位,并给出光电信号；所述图像采集装置安装在烟梗传输装置上方,接收到烟梗传输装置发出的光电信号实时采集下方的烟梗图像并将其传输给深度学习烟梗识别模块；所述深度学习烟梗识别模块由深度学习开发板、上位机软件与烟梗识别深度学习模型三个部分组成,烟梗识别深度学习模型搭载于深度学习开发板上,用于烟梗图像的智能分析,确定烟梗形态。本发明可降低人为造成误差,提高检测效率,为卷烟原料挑选过程中烟梗识别分类提供一种自动化、智能化的检测手段。(A tobacco stem form intelligent identification system and method based on deep learning are characterized in that the identification system comprises a tobacco stem transmission device, an image acquisition device and a deep learning tobacco stem identification module; the tobacco stem transmission device mainly separates and transmits tobacco stems, conveys the tobacco stems to an image acquisition station and provides photoelectric signals; the image acquisition device is arranged above the tobacco stem transmission device, receives a photoelectric signal sent by the tobacco stem transmission device, acquires a tobacco stem image below the tobacco stem transmission device in real time and transmits the tobacco stem image to the deep learning tobacco stem identification module; the tobacco stem deep learning module is composed of a deep learning development board, upper computer software and a tobacco stem deep learning model, and the tobacco stem deep learning model is carried on the deep learning development board and used for intelligently analyzing tobacco stem images and determining tobacco stem shapes. The invention can reduce the artificial error, improve the detection efficiency and provide an automatic and intelligent detection means for identifying and classifying the tobacco stems in the cigarette raw material selection process.)

一种基于深度学习的烟梗形态智能识别系统及方法

技术领域

本发明属于卷烟原材料质量检测技术领域，具体涉及一种基于深度学习的烟梗形态智能识别系统及方法，利用本发明对烟梗形态进行在线识别。

背景技术

烟梗作为卷烟的主要原料之一，将其加工制成的梗丝或梗粒由于具有较高的填充值和较好的燃烧性，对减害降焦、降低配方成本、改善卷烟物理质量均具有十分重要的作用。烟梗长梗率、梗中含叶率、粗梗率等是衡量产品质量和加工水平的重要指标，烟梗的长短、粗细及梗头对切后梗丝结构、出丝率和切丝后梗签比例等有明显影响，从而影响卷制和成品烟支物理质量

烟梗形态主要检测指标为：长梗率、短梗率、梗中含叶（末）率、粗梗率、梗头比例。目前用于烟梗形态的识别方法均为人工方法，长梗率/短梗率：将烟梗样品逐根对应尺寸板比对，分别计算百分比; 粗梗率：振筛挑选；梗中含叶（末）率/梗头比例：人工挑选；该方法劳动强度较大，容易造成检测人员疲劳，检测结果误差较大，且无法获得烟梗结构的分布及其均匀性情况。

发明内容

本发明的目的正是为了克服上述现有技术的不足，而提供一种基于深度学习的烟梗形态智能识别系统及方法，可降低人为造成误差，提高检测效率，为卷烟原料挑选过程中烟梗识别分类提供一种自动化、智能化的检测手段。

本发明的的目的是通过以下技术方案来实现的：

一种基于深度学习的烟梗形态智能识别系统，包括烟梗传输装置，图像采集装置，深度学习烟梗识别模块；所述烟梗传输装置将烟梗进行分离传输，将其运送至图像采集工位，并给出光电信号；所述图像采集装置安装在烟梗传输装置上方，接收到烟梗传输装置发出的光电信号实时采集下方的烟梗图像并将其传输给深度学习烟梗识别模块；所述深度学习烟梗识别模块由深度学习开发板、上位机软件与烟梗识别深度学习模型组成，烟梗识别深度学习模型搭载于深度学习开发板上，用于烟梗图像的智能分析，确定烟梗形态。

所述烟梗传输装置由传输皮带机，光电探测器组成，在传输过程中烟梗被分离。

所述图像采集装置由环形LED照明光源、CCD相机、光学镜头组成；烟梗被输送至成像工位后，CCD相机接收到光电探测器的光电探测信号，在环形LED匀场照明环境下，通过低失真光学镜头采集烟梗图像。

所述深度学习烟梗识别模块由深度学习开发板、上位机软件（该上位机软件指的是带对话框的人机交互的操作软件，包括控制通讯、图像处理）与烟梗识别深度学习模型（该模型属于集成已有的一系列图像分析算法形成的一个烟梗识别专用算法）组成，烟梗识别深度学习模型基于CNN、FCN、YOLOV3等深度学习框架，由大量烟梗图像训练而成，图像采集装置将图像传输给深度学习烟梗识别模块后，上位机软件读取缓存中的数字图像信息，调用烟梗识别深度学习模型，完成烟梗形态识别。

利用上述识别系统进行烟梗形态智能识别的原理及方法包括以下过程：

1）本发明使用皮带输送机将烟梗进行分离传输；

2）通过输送线上的特定的照明环境及拍照装置获取烟梗图像，并将图片传输给深度学习烟梗识别模块；

3）在已搭载好的深度学习开发板上通过在线采集的烟梗图像对预先设置的深度学习模型进行训练，生成深度学习烟梗识别模型文件；

4）完成训练后，将训练好的模型加载在深度学习开发板上，重复1）、2）步骤后调取训练好的深度学习烟梗识别模型文件对实时图像进行分析，即可完成烟梗形态的在线智能识别与分类。

本发明的有益效果如下：

(1) 本发明采用的改进型深度学习算法，在烟梗的识别分类上对比传统的图像算法有着更高的准确率和召回率，该方法检测效率高，实用性强，鲁棒性强。

(2) 本发明采用的烟梗检测装置，采用环形光源的照明方式，配合网络相机该方法采集的图像更加清晰真实，有利于后续的图像的训练和实验测试。

(3) 本发明采用TX2开发板作为硬件处理核心，该运算核心体积小，运算速度快，在烟梗检测方面更加便利。

附图说明

图1是系统结构示意图，

图中：1.深度学习开发板 2.环形LED光源 3.输送机 4.相机 5.光电探测器。

图2是深度学习识别流程图。

具体实施方式

本发明以下结合附图对具体实施方式做进一步描述，操作流程如下：

如图1所示，当通电启动时，输送机3带动烟梗运动，烟梗到达检测工位时，光电探测器5探测到烟梗位置给相机4发送触发信号。相机4在环形LED光源2的环境下拍摄烟梗图片并将图片传输给深度学习开发板1，深度学习开发板1获得烟梗图片后，识别步骤如图2所示，烟梗图片预处理后被上位机软件调用，导入预先训练好的烟梗识别深度学习模型中，完成识别与分类；烟梗识别深度学习模型由图1中的装置采集大量训练用的烟梗图片，通过图像预处理，图像标注，模型训练得到。

具体的工作步骤如下：

1.将烟梗料使用上料机将烟梗输送到输送机上，输送机对烟梗进行自动传输，当烟梗经过检测工位时，光电探测器产生触发信号。

2.接收到触发信号后，负责图像采集的相机镜头在环形LED环形光源的照明下实时拍摄当前烟梗的图像，并传输给深度学习烟梗识别模块。

3.接收到烟梗图像后，软件系统通过图像预处理算法滤除原始图像中的噪声、背景等无用信息，重新调整图像的大小，降低图像的复杂度，制作深度学习所需要的VOC格式数据集。

4.完成烟梗数据集的采集后，人工使用labelimg软件对烟梗图像数据集进行标注。

5.完成标注后，使用CNN、FCN或YOLOV3等深度学习框架训练该数据集，得到一个基于深度学习的烟梗识别模型文件。

6.重复1、2步骤，对获取原始图像进行必要的滤波、图像增强等，并对该图像进行分割，为图像识别做准备。

7.在预先编写好的软件程序里调用训练好的烟梗识别模型文件，对烟梗形态进行识别分类。

8.对识别后的图像使用传统图像分析进行有关参数的计算和测量，计算烟梗的几何参数。