[发明专利]基于深度学习的香烟端面烟草缺失量化检测方法和装置

说明书

本发明公开了一种基于深度学习的香烟端面烟草缺失量化检测方法和装置，属于香烟检测领域，包括：获取香烟端面的第一图像；根据第一图像制作深度图；对深度图进行轮廓提取；根据每根香烟的外部轮廓对深度图进行分割，得到多个第二图像；计算第一比值；所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值；判断所述第一比值是否大于第二阈值；若是，则说明该香烟的装配不符合要求，反之说明该香烟的装配符合要求。本发明通过计算图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值，得出香烟端面烟草缺失量，实现香烟的自动化检测，大大的提高了检测效率。

技术领域

本发明属于香烟检测领域，尤其是一种基于深度学习的香烟端面烟草缺失量化检测方法和装置。

背景技术

香烟生产过程中，常常伴随出现各种香烟外质量缺陷。如何有效的识别香烟的外质量缺陷成为提高香烟质量的一个重要手段。香烟端面检测是香烟外质量缺陷检测过程中一个重要的检测指标，具体的检测标准为，香烟端面空陷入深度大于1mm且小于5mm的空陷区域的截面积大于2/3端面时，即认为不合格。

现有的检测方法为人工抽样检测，通过对生产线上的待包装的香烟按照如上标准进行抽检，这样使得人为劳动的强度非常大，而且由于是人为的观察和统计，相对的随意性非常大，无法完全满足香烟质量指标的要求。

发明内容

本发明的发明目的是提供一种基于深度学习的香烟端面烟草缺失量化检测方法、装置、服务器及可读存储介质，以解决背景技术中所涉及的问题。

基于上述技术问题，本发明提出了一种基于深度学习的香烟端面烟草缺失量化检测方法、装置、服务器及可读存储介质，包括如下四个方面。

第一方面，本发明提供一种基于深度学习的香烟端面烟草缺失量化检测方法，所述方法包括：

获取香烟端面的第一图像，所述第一图像为待包装香烟的俯视图像；

根据第一图像制作深度图；

对深度图进行轮廓提取；基于所述第一图像的轮廓，对每根香烟的位置进行定位，并确定每根香烟的外部轮廓；

根据每根香烟的外部轮廓对深度图进行分割，得到多个第二图像；

计算第一比值；所述第一比值为所述第二图像上图像深度大于第一阈值的累计面积与所述第二图像的轮廓面积的比值；

判断所述第一比值是否大于第二阈值，第二阈值为烟草缺失量的极限值；若是，则说明该香烟的装配不符合要求，反之说明该香烟的装配符合要求。

优选地或可选地，所述方法还包括：

所述第一图像通过激光轮廓仪进行采集，所述激光轮廓仪可直接设置在传输带的一侧；且所述激光轮廓仪的计算速度小于300ms、扫描频率不低于5KHz。

优选地或可选地，所述第一比值的计算方法包括：

将第二图像转化像素点矩阵，并统计上述像素点矩阵的个数，像素点矩阵内元素的深度信息大于第一阈值的个数；

计算像素点矩阵内元素的深度信息大于第一阈值的元素个数与像素点矩阵的内元素个数之比。

优选地或可选地，所述轮廓提取方法包括：

预处理得到包括烟盒在内的区域轮廓；

将计算初始迭代点和迭代半径，其中初始迭代点可根据标准深度图确定；所述标准深度图为三维模型中获得的理论深度图；

利用均值漂移算法进行迭代，找到深度图上每根香烟的相对圆心，并得到半径；

以每根香烟的相对圆心，得到多个香烟的初始区域轮廓；