[发明专利]一种基于深度学习的烟支缺陷检测系统

说明书

一种基于深度学习的烟支缺陷检测系统，其包括计算机、光源、光纤传感器、相机、工控机和报警剔除装置，控制板判断烟支到位后控制光源闪光并同时发送拍照信号给相机，通过相机采集烟支图像，将图像传送给计算机，通过计算机中安装的深度学习检测软件对烟支图像进行检测，将图像转化为矩阵形式的数字信息投入到深度学习网络进行检测判断；检测结果包括烟支个数、是否空头，检测结果通过串口形式传送给工控机，工控机驱动报警剔除装置执行相应的剔除烟支动作，本发明通过大量的图像数据进行迭代训练，以此形成一个卷积神经网络不仅可以提取到图片的像素比例信息还可以获得深层的纹理信息和边缘信息，通过多信息综合分析提高检测精准度。

【技术领域】

本发明涉及烟草加工检测领域，具体为一种基于深度学习的烟支缺陷检测系统。

【背景技术】

烟草行业对产品缺陷检测要求较高，主要包括烟支空头检测和缺支检测，空头既检测每支烟的烟草是否充满整个卷纸，卷纸的端部是否产生空缺；缺支检测既检测每盒香烟的根数是否符合预定数量；一旦出现漏检或者大量误检测就会对生产效率和产品品牌信誉产生很大影响；在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高；另外，复杂的视觉产品成像环境使得传统图像检测产品难以符合检测要求，设置各种检测框和固定阈值也使得传统图像产品使用复杂、精度较差。

传统的烟支检测需要在图像上标注多个小的ROI检测框，在固定的区域内进行预处理和检测，当烟支产生上下、左右、前后晃动时，检测就会很不准确；而且由于传统的图像处理检测方法主要是通过二值化分割以后的白色像素占比和像素的均值和方差来设置阈值进行检测的，一旦位置发生大的变动，有可能出现仅仅包括半个烟头的情况，这时就会和事先设定的像素阈值产生很大的差距，从而导致误检；常见的误检包括ROI位置不变，而烟支位置变动，检测框中白色像素数过多，会被误检成空头；有杂质且杂质的颜色偏亮，用固定阈值进行分割也会被误判为空头；当烟支的远近程度，角度不同时，烟支的远近会造成烟头的面积也不相同，这样二值化后像素的均值和方差也会产生很大的变化，也非常容易超过固定的阈值，被判定为空头。

由此可见，提供一种精度高、效率快的烟支缺陷检测系统是本领域亟需解决的问题。

【发明内容】

针对上述问题，本发明提供一种基于深度学习的烟支缺陷检测系统，其包括计算机、光源、光纤传感器、相机、工控机和报警剔除装置，控制板判断烟支到位后控制光源闪光并同时发送拍照信号给相机，通过相机采集烟支图像，将图像传送给计算机，通过计算机中安装的深度学习检测软件对烟支图像进行检测，将图像转化为矩阵形式的数字信息投入到深度学习网络进行检测判断；检测结果包括烟支个数、是否空头，检测结果通过串口等形式传送给工控机，工控机驱动报警剔除装置执行相应的剔除烟支动作。

进一步的，所述光源采用LED光源，并采用频闪和漫反射方式对烟支进行均匀照明。

进一步的，所述工控机搭载Intel Celeron J1900四核2.0GHz 处理器、8G内存、1T固态硬盘，并采用stm32作为控制核心。

一种基于深度学习的烟支缺陷检测系统，其训练和检测流程包括以下步骤：

步骤一：采集训练图像，并将图像标注为正样本和负样本；

步骤二：对参与训练的图像进行性预处理，包括改变大小和数据增强；

步骤三：将采集到的正、负样本图像分为训练集和验证集；

步骤四：设置网络的超参数，采用卷积神经网络对图像进行训练，并且调整超参数对图像进行多次训练，通过验证集观察精度、召回率等来选择多次训练得到的模型中精度最高的模型；

步骤五：将待检测图像进行同样的预处理，然后经过训练好的卷积神经网络模型，最终得到分类结果。