【技术实现步骤摘要】
一种基于机械视觉的成品片烟杂物检测方法及装置
[0001]本申请涉及图像识别
，具体而言，涉及一种基于机械视觉的成品片烟杂物检测方法及装置。
技术介绍
[0002]非烟物质会对烟叶的吸味烟气、烟碱含量、烟叶化学成分在酵化过程中转化、制丝工艺、成品烟支质量、烟支燃烧性等产生不良影响，加强非烟物质的控制以进一步提高打叶复烤成品烟叶的纯净度具有重要的研究价值和应用价值。
[0003]现有打叶复烤企业针对非烟杂物控制，普遍采用振筛、风分、金属探测、光电除杂，并结合人工挑拣的方法实现，该方法存在一定程度的漏检率。现阶段成品烟叶杂物合格率的判断依据主要采用人工验收并结合烟草行业标准的三层面检测法来实现。三层面检测法为人工检测，需要两人同时依次检查三块整层烟坯的正反表面，由于成品烟叶中的非烟物质较小，且麻丝、杂草等杂物与烟草颜色相近，人眼识别难度大，每箱耗时都在10分钟以上，一般检查3箱片烟后（正常一个批次一般不少于10箱），人眼疲劳且识别率显著降低，因此人工验收的方式不仅耗费时间，且检出率低。
技术实现思路
>[0004]为了解本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机械视觉的成品片烟杂物检测方法，其特征在于，所述方法包括：获取样本图像，基于所述样本图像构建图像超分辨率神经网络模型；采集待测片烟的烟叶图像，根据所述图像超分辨率神经网络模型对所述烟叶图像进行超分辨率重构，得到超分辨率图像；根据预设的杂物类别，从杂物识别难度低至高的顺序逐类对所述超分辨率图像进行杂物检测，筛选并标记杂物。2.根据权利要求1所述的方法，其特征在于，所述获取样本图像，基于所述样本图像构建图像超分辨率神经网络模型，包括：获取样本图像，所述样本图像包括若干一一对应的低分辨率图像与高分辨率图像；构建训练模型，从所述样本图像中任选一低分辨率图像，将所述低分辨率图像作为输入数据输入至所述训练模型，并将所述低分辨率图像对应的所述高分辨率图像作为输出数据训练所述训练模型；重复所述从所述样本图像中任选一低分辨率图像，将所述低分辨率图像作为输入数据输入至所述训练模型，并将所述低分辨率图像对应的所述高分辨率图像作为输出数据训练所述训练模型的步骤，直至所有所述样本图像均被训练后，将所述训练模型确定为图像超分辨率神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述样本图像包括第一样本图像与第二样本图像；所述第一样本图像包括相机真实拍摄的第一高分辨率图像和对所述第一高分辨率图像利用双三次插值进行降尺度得到的第一低分辨率图像；所述第二样本图像包括低分辨率相机采集的第二低分辨率图像和高分辨率相机采集的第二高分辨率图像；所述构建训练模型，从所述样本图像中任选一低分辨率图像，将所述低分辨率图像作为输入数据输入至所述训练模型，并将所述低分辨率图像对应的所述高分辨率图像作为输出数据训练所述训练模型，包括：构建第一训练模型，从所述第一样本图像中任选一第一低分辨率图像，将所述第一低分辨率图像作为输入数据输入至所述第一训练模型，并将所述第一低分辨率图像对应的所述第一高分辨率图像作为输出数据训练所述第一训练模型；构建第二训练模型，从所述第二样本图像中任选一第二低分辨率图像，将所述第二低分辨率图像作为输入数据输入至所述第二训练模型，并将所述第二低分辨率图像对应的所述第二高分辨率图像作为输出数据训练所述第二训练模型；所述重复所述从所述样本图像中任选一低分辨率图像，将所述低分辨率图像作为输入数据输入至所述训练模型，并将所述低分辨率图像对应的所述高分辨率图像作为输出数据训练所述训练模型的步骤，直至所有所述样本图像均被训练后，将所述训练模型确定为图像超分辨率神经网络模型，包括：重复所述构建第一训练模型，从所述第一样本图像中任选一第一低分辨率图像，将所述第一低分辨率图像作为输入数据输入至所述第一训练模型，并将所述第一低分辨率图像对应的所述第一高分辨率图像作为输出数据训练所述第一训练模型的步骤，直至所有所述第一样本图像均被训练；重复所述构建第二训练模型，从所述第二样本图像中任选一第二低分辨率图像，将所述第...
【专利技术属性】
技术研发人员：许强，王桂瑶，苗晨琳，胡宗玉，张玉海，李卫明，王成勇，苏雪苗，杨萌萌，彭世军，周永健，徐少怀，陈超，许志强，绍长营，
申请(专利权)人：云南烟叶复烤有限责任公司中国烟草总公司郑州烟草研究院华环国际烟草有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。