[发明专利]基于细粒度图像分类的烟丝残留检测方法

说明书

本发明公开了一种基于细粒度图像分类的烟丝残留检测方法，包括：通过可以获取实时视频的监控摄像头拍摄缺陷图像，输出RGB图像；离线过程中，利用大量样本训练基于深度卷积神经网络的细粒度图像分类模型；在线过程中，将监控摄像头采集到的图像输入训练好的细粒度图像分类模型进行前向推理，并判断该图像是否有烟丝残留；本发明采用了图像识别技术来进行传送带烟丝残留监测，在解放人力的同时，也确保了实时性和准确性。

技术领域

本发明涉及图像识别技术领域，特别是一种基于细粒度图像分类的烟丝残留检测方法。

背景技术

在卷烟厂制丝车间中，在烟丝批料更换时，用于传送烟丝的传送带上往往会有很多烟丝残留。这些传送带上的残留往往需要人工进行检查和清理，否则会影响产品的质量。目前，经常采用的方法是工作人员定期巡检。这种方法不但耗费人力，也没法真正做到实时监控。随着图像识别技术的发展，通过该技术来进行传送带烟丝残留监测成为可能。传统的通过监控摄像头对某些区域进行传送带烟丝残留检测时，通常会存在几种问题：(1)传统背景建模方法对光照变化等因素敏感，不够鲁棒；(2)烟丝残留分布的类别非常多，难以使用通常的分类的方法；(3)烟丝残留的量很少，经常出现误判。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种基于细粒度图像分类的烟丝残留检测方法，本发明采用了图像识别技术来进行传送带烟丝残留监测，在解放人力的同时，也确保了实时性和准确性。

为实现上述目的，本发明采用的技术方案是：一种基于细粒度图像分类的烟丝残留检测方法，包括以下步骤：

步骤1、通过可以获取实时视频的监控摄像头拍摄缺陷图像，输出RGB图像；

步骤2、离线过程中，利用大量样本训练基于深度卷积神经网络的细粒度图像分类模型；

步骤3、在线过程中，将监控摄像头采集到的图像输入训练好的细粒度图像分类模型进行前向推理，并判断该图像是否有烟丝残留。

作为本发明的进一步改进，还包括以下步骤：

步骤4、在时序上对烟丝残留进行跟踪判断，如果一段时间内烟丝残留的次数高于某个阈值，发出报警。

作为本发明的进一步改进，在步骤2中，所述细粒度图像分类模型通过引入通道注意力机制和空间注意力机制来提高图像分类的准确性。

作为本发明的进一步改进，所述通道注意力机制具体如下：

在深度神经网络的不同层之间加入权重信息，使得对正确分类贡献较大的层具有较高的权重；

所述空间注意力机制具体如下：

在深度神经网络同一层的不同位置加入不同的权重，使得对正确分类贡献较大的区域具有较高的权重。

本发明的有益效果是：

本发明借助监控摄像头的视频序列，通过对细粒度图像分类器进行训练，实现实时烟丝残留检测；以及实现了自动监视传送带烟丝残留并报警的功能；提高了工厂产品的质量，同时解放了人力，提高了效率。

附图说明

图1为本发明实施例的流程框图；

图2为本发明实施例中细粒度图像分类模型的结构示意图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例

如图1所示，图1为本实施例的实施流程图，实线表示在线过程，虚线表示离线过程，一种基于细粒度图像分类的烟丝残留检测方法，包括：

(1)一个获取实时视频的监控摄像头，可以清晰地拍摄到缺陷图像，输出RGB图像。