[发明专利]一种烟支外观缺陷检测方法及系统

说明书

本发明涉及一种烟支外观缺陷检测方法及系统。该方法包括获取烟支外观图像数据集；利用烟支外观图像数据集中的训练集训练改进后的YOLOv5s网络，确定烟支外观缺陷检测模型；改进后的YOLOv5s网络中的骨干网络层引入通道注意力机制；改进后的YOLOv5s网络的激活函数为Swish函数；改进后的YOLOv5s网络的损失函数为DIoU函数；烟支外观缺陷检测模型以烟支外观图像为输入，以烟支外观图像的类型为输出；利用烟支外观图像数据集中的验证集验证烟支外观缺陷检测模型；利用验证后的烟支外观缺陷检测模型对烟支外观图像数据集中的测试集进行测试。本发明能够实现高检测精度和高检测速度，进而更好地服务于烟支自动化生产线。

技术领域

本发明涉及图像处理领域，特别是涉及一种烟支外观缺陷检测方法及系 统。

背景技术

中国烟草产业产量一直位居世界第一，2020年，中国烟草行业利税总额 达到了1.28万亿，上缴财政总额达到了1.2万亿，可以说，烟草是中国的支柱 产业之一。而云南烟草占据全国烟草总量的一半左右，烟草产业对于云南的发 展起着至关重要的作用。卷烟是烟草公司生产的最主要产品，在卷烟自动化生 产过程中，难免会产生一些烟支外观缺陷。在以前的生产流水线上，仅靠人工 去分辨缺陷。而目前的自动生产流水线上烟支的生产速度达到了200支/秒， 靠人工去分辨缺陷已经不太现实，因此，迫切需要自动化的烟支外观检测和分 类技术。

外观缺陷检测有传统的图像处理检测和机器学习检测两大类，近年来快速 发展的深度学习方法是机器学习中的一类。在深度学习中，外观缺陷检测属于 目标检测的范畴，目标检测算法主要有FasterR-CNN、SSD、YOLO等，这些 方法在很多目标检测领域都有着广泛的应用，取得了大量科研成果。Wang W 等将数据增强技术应用于FasterR-CNN网络，在道路表面损坏图像检测中精 准率和召回率的调和平均值达到了62.55％。吴则举等在FasterR-CNN里面引 入在线难例挖掘(OHEM)算法，在轮胎外观缺陷检测中的准确率达到了95.7％；LiY等在SSD的基础上提出了一种基于MobileNet-SSD的表面缺陷检 测方法，用来检测罐装密封容器表面缺陷，召回率达到了89.42％；TianY等 将YOLOv3网络和DenseNet网络有效地结合起来，应用于果实外观形状检测， 以此来监测作物生长和营养状况，实验的精准率和召回率的调和平均值达到了 81.7％；何国忠等将注意力机制加入到YOLOv4网络，用来对电路板外观缺陷 进行检测，平均检测精度达到了91.40％。

由于烟支自动化生产线速度快，传统的人工检测分类和现有的一些深度学 习检测分类模型无法满足烟支的高检测精度和分类精确率。

发明内容

本发明的目的是提供一种烟支外观缺陷检测方法及系统，能够实现高检测 精度和高检测速度，进而更好地服务于烟支自动化生产线。

为实现上述目的，本发明提供了如下方案：

一种烟支外观缺陷检测方法，包括：

获取烟支外观图像数据集；所述烟支外观图像数据集包括不同类型的烟支 外观图像；烟支外观图像的类型包括：正常、斑点、褶皱、错牙以及无滤嘴；

利用所述烟支外观图像数据集中的训练集训练改进后的YOLOv5s网络， 确定烟支外观缺陷检测模型；所述改进后的YOLOv5s网络中的骨干网络层引 入通道注意力机制；所述改进后的YOLOv5s网络的激活函数为Swish函数； 所述改进后的YOLOv5s网络的损失函数为DIoU函数；所述烟支外观缺陷检 测模型以烟支外观图像为输入，以烟支外观图像的类型为输出；

利用所述烟支外观图像数据集中的验证集验证所述烟支外观缺陷检测模 型；

利用验证后的所述烟支外观缺陷检测模型对所述烟支外观图像数据集中 的测试集进行测试。

可选地，所述获取烟支外观图像数据集，具体包括：