本发明专利技术公开了一种基于烟包切片前霉变杂物的检测方法及装置，该方法包括获取烟叶杂物图像，对烟叶杂物图像进行均值滤波处理后，将处理后的烟叶杂物图像按RGB颜色通道分解，并分别对各个RGB颜色通道对应的烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；获取烟叶霉变图像，对烟叶霉变图像进行增强对比度处理后，对处理后的烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；基于烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于检测模型处理新接收到的烟叶图像，生成烟叶检测结果。该方法减小对小面积霉变或杂物的漏报风险，保证了烟包的质量，提高了检测效率和准确率。确率。确率。
【技术实现步骤摘要】
一种基于烟包切片前霉变杂物的检测方法及装置
[0001]本申请涉及烟叶
，具体而言，涉及一种基于烟包切片前霉变杂物的检测方法及装置。
技术介绍
[0002]目前，FT531型解包系统总共有3套CCD视觉系统，分别检测烟箱打包带、烟包上表面的纸板和烟包下表面的纸板，无法对表面霉变、遗留物（掉落到烟包侧面的纸板、塑料袋、扎带等）进行监测，存在霉变及杂物的质量隐患。
[0003]因此，还需要对烟包进行人工目检，人工目检的方式存在两点问题：一是需要对烟包六个面进行霉变和杂物检测需要多个工位完成，人工消耗大；二是人工长时间工作容易造成视觉疲劳，增大对小面积霉变或杂物的漏报风险。
技术实现思路
[0004]为了解决上述问题，本申请实施例提供了一种基于烟包切片前霉变杂物的检测方法及装置。
[0005]第一方面，本申请实施例提供了一种基于烟包切片前霉变杂物的检测方法，所述方法包括：获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
[0006]优选的，所述将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据，包括：基于RGB颜色通道将处理后的所述烟叶杂物图像分解，得到R通道图像、G通道图像和B通道图像，所述RGB颜色通道包括R通道、G通道和B通道；分别对所述R通道图像、G通道图像和B通道图像进行单阈值分割，提取面积数值小于第一预设阈值的第一特征数据，所述第一特征数据即为烟叶杂物训练数据。
[0007]优选的，所述方法还包括：将所述R通道图像、G通道图像和B通道图像转换为HSI通道图像；对所述HSI通道图像进行单阈值分割，提取面积数值小于第二预设阈值的第二特征数据，将所述第二特征数据添加至所述烟叶杂物训练数据。
[0008]优选的，所述对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据，包括：
对处理后的所述烟叶霉变图像进行单阈值分割，提取面积数值小于第三预设阈值的第三特征数据，所述第三特征数据即为烟叶霉变训练数据。
[0009]优选的，所述检测模型包括第一检测模型和第二检测模型；所述基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，包括：获取训练图像，并对所述训练图像切片，基于所述烟叶杂物训练数据和烟叶霉变训练数据对切片后的所述训练图像打上标签并训练，构建所述第一检测模型；基于所述烟叶杂物训练数据和烟叶霉变训练数据对所述训练图像进行语义分割，对所述训练图像打上标签，训练构建所述第二检测模型。
[0010]优选的，所述基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果，包括：对新接收到的烟叶图像进行切片，将切片后的所述烟叶图像导入至所述第一检测模型，得到第一判断结果；将所述烟叶图像导入至所述第二检测模型，得到第二判断结果；基于所述第一判断结果与第二判断结果生成烟叶检测结果。
[0011]第二方面，本申请实施例提供了一种基于烟包切片前霉变杂物的检测装置，所述装置包括：第一获取模块，用于获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；第二获取模块，用于获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；检测模块，用于基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。
[0012]第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
[0013]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意一种可能的实现方式提供的方法。
[0014]本专利技术的有益效果为：通过分别处理得到烟叶杂物训练数据和烟叶霉变训练数据构建检测模型的方式对烟包进行检测，减小对小面积霉变或杂物的漏报风险，保证了烟包的质量，提高了检测效率和准确率。
附图说明
[0015]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1为本申请实施例提供的一种基于烟包切片前霉变杂物的检测方法的流程示意图；
图2为本申请实施例提供的一种基于烟包切片前霉变杂物的检测装置的结构示意图；图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0017]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0018]在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
[0019]下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
[0020]参见图1，图1是本申请实施例提供的一种基于烟包切片前霉变杂物的检测方法的流程示意图。在本申请实施例中，所述方法包括：S101、获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据。
[0021]本申请的执行主体可以是云端服务器。
[0022]在本申请实施例中，为了能够对烟叶中的杂物和霉变本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于烟包切片前霉变杂物的检测方法，其特征在于，所述方法包括：获取烟叶杂物图像，对所述烟叶杂物图像进行均值滤波处理后，将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据；获取烟叶霉变图像，对所述烟叶霉变图像进行增强对比度处理后，对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据；基于所述烟叶杂物训练数据和烟叶霉变训练数据构建检测模型，并基于所述检测模型处理新接收到的烟叶图像，生成烟叶检测结果。2.根据权利要求1所述的方法，其特征在于，所述将处理后的所述烟叶杂物图像按RGB颜色通道分解，并分别对各个所述RGB颜色通道对应的所述烟叶杂物图像进行单阈值分割，得到烟叶杂物训练数据，包括：基于RGB颜色通道将处理后的所述烟叶杂物图像分解，得到R通道图像、G通道图像和B通道图像，所述RGB颜色通道包括R通道、G通道和B通道；分别对所述R通道图像、G通道图像和B通道图像进行单阈值分割，提取面积数值小于第一预设阈值的第一特征数据，所述第一特征数据即为烟叶杂物训练数据。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将所述R通道图像、G通道图像和B通道图像转换为HSI通道图像；对所述HSI通道图像进行单阈值分割，提取面积数值小于第二预设阈值的第二特征数据，将所述第二特征数据添加至所述烟叶杂物训练数据。4.根据权利要求1所述的方法，其特征在于，所述对处理后的所述烟叶霉变图像进行单阈值分割，得到烟叶霉变训练数据，包括：对处理后的所述烟叶霉变图像进行单阈值分割，提取面积数值小于第三预设阈值的第三特征数据，所述第三特征数据即为烟叶霉变训练数据。5.根据权利要求1所述的方法，其特征在于，所述检测模型包括第一检测模型和第二检测模型；所述基于所述烟...
【专利技术属性】
技术研发人员：周萍芳，张思明，简著名，刘德强，张中武，张瑞琪，刘凯，
申请(专利权)人：湖北中烟工业有限责任公司，
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。