基于注意力机制的1D-CNN卷烟滤棒质量检测方法技术

技术编号:35522883 阅读:28 留言:0更新日期:2022-11-09 14:43
本发明专利技术涉及一种基于注意力机制的1D

【技术实现步骤摘要】
基于注意力机制的1D

CNN卷烟滤棒质量检测方法


[0001]本专利技术涉及一种基于注意力机制的1D

CNN卷烟滤棒质量检测方法,属于卷烟质量检测领域。

技术介绍

[0002]我国是烟草生产和销售大国,烟草行业对地域经济和国民经济的发展都具有十分重要的拉动作用。烟草制造业的发展与工艺流程的自动化研究具有重要的现实意义。近年来,随着社会发展,人们越来越注重健康和环保,这就要求在卷烟生产的关键环节需要进行严格的质量把控和自动检测技术的不断提升。卷烟吸阻由滤棒吸阻与烟支吸阻叠加组成,卷烟吸阻控制难度较大,在烟丝质量稳定的情况下,卷烟吸阻直接受到滤棒吸阻影响。因此,对于卷烟质量而言,滤棒的好坏直接影响滤阻大小,进而影响卷烟降焦减害的效果,从而影响卷烟质量的好坏。到目前为止,在滤棒的生产过程中,往往是根据滤棒实时的质量检测,人为地调整生产设备参数,而这是一个十分耗费人力的一个过程,并且有着许多不可控因素,往往由于参数调整不及时导致一大批滤棒质量不合格,造成重大的经济损失。所以,若能根据生产设备参数和滤棒检测指标进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的1D

CNN卷烟滤棒质量检测方法,其特征在于,包括如下步骤:Step1:分别采集卷烟滤棒物理指标和生产设备参数,将它们对应起来,并采用卷烟厂内控指标将卷烟滤棒进行分类,然后对连续型变量进行归一化,离散型变量进行独热编码;Step2:将Step1得到的样本数据进行随机打乱,根据8:1:1的比例将数据集划分训练集、验证集和测试集;Step3:构建基于注意力机制的1D

CNN卷烟滤棒质量检测模型,Step2得到的数据经过一个全连接层进行线性映射得到高维特征Step4:将Step3得到的高维特征到一个三维的张量,添加一个通道维度,输入到一维卷积神经网络中进行特征提取和降维;Step5:采用批量归一化BN对一维卷积神经网络每个卷积层输出数据进行归一化,使其分布趋于标准正态分布,同时使用ReLu函数进行非线性激活,用来拟合复杂函数;Step6:将Step5中得到的数据进行池化操作,采用平均池化来降低特征层上的维度,对数据进行下采样;Step7:重复Step4,Step5,Step6中的操作,将得到新的特征通过注意力加权的方式对特征序列进行自适应加权,从而实现对重要通道进行增强,对不重要的通道进行抑制;Step8:将Step7中得到的特征展平后,输入到全连接层,对输入到全连接层的特征进行组合,然后映射至样本标记空间,最后结合Sigmoid分类器进行分类;Step9:最后将分类结果与真实值计算损失,采用加权交叉熵损失函数,通过误差反向传播更新模型参数,得到训练好的模型;Step10:使用测试集在训练好的模型进行测试,检测卷烟滤棒质量,若多次连续出现检测质量不合格的情况,进行预警,提醒工作人员对生产设备参数进行调整。2.根据权利要求1所述的基于注意力机制的1D

CNN卷烟滤棒质量检测方法,其特征在于:Step1中,根据卷烟厂内控指标对滤棒质量进行分类,正样本为1,负样本为0。3.根据权利要求1所述的基于注意力机制的1D

CNN卷烟滤棒质量检测方法,其特征在于:Step2中,使用训练集对模型进行训练,用验证集对模型进行评价,最终使用测试集对模型进行测试。4.根据权利要求1所述的基于注意力机制的1D

CNN卷烟滤棒质量检测方法,其特征在于:在Step4中,为了能够更好提取到有效特征,将卷积核大小设为2步长设为1,使用卷积操作对数据特征进行提取,其计算公式为其中为第L层第i个输出,为第L层第i个卷积核的第j个权重值,为第L层第j个偏置,*为卷积操作,M为卷积核的数量。5.根据权利要求1所述的基于注意力机制的1D

CNN卷烟滤棒质量检测方...

【专利技术属性】
技术研发人员:李凡刁悦钦李志文
申请(专利权)人:昆明理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1