【技术实现步骤摘要】
基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法及装置
[0001]本专利技术涉及烟草图像处理
,特别涉及一种基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法及装置。
技术介绍
[0002]世界卫生组织《烟草控制框架公约(FCTC)》第9条和第10条的实施准则中要求烟草制品的生产商和进口商必须向政府当局披露烟草制品的成分,包括烟丝的类型和每种烟丝类型的掺配比例。烟草生产商也被要求具备烟丝成分检测与测量的设备及方法。卷烟中烟丝混料(叶丝、梗丝、膨胀叶丝和再造烟丝)配比对卷烟烟气特征、物理指标和感官质量具有重要的影响。因此,高精度、高效的烟丝类型识别及组分测定对于保障烟丝掺配工艺质量、同质化生产、考查配方设计与烟草制品真伪鉴别等方面,具有非常重要的意义。
[0003]目前,针对烟丝组分检测已被广泛研究,主要分为人工和仪器检测法。人工分拣法是通过人眼观察将配方烟丝中的叶丝、梗丝、膨胀叶丝、再造烟叶丝逐一挑选出来,称量后计算出各类烟丝的比例,该方法检测效率低,受主观因素影响大。仪器检测法主要包括烟丝RGB分析法、高光谱成像分析法、近红外光谱分析法、热分析技术、香烟烟气法、无水乙酮法和机器视觉法等。
[0004]其中,寇霄腾等测定不同比例的叶丝和梗丝制成的烟末的RGB均值,建立的梗丝掺配比例与RGB均值多项式回归模型,提出了一种基于RGB图像处理法预测烟丝的梗丝组分比例测定方法。梅吉帆等以样本高光谱图像的所有像素点光谱数据进行面对像素的组分判别,以样本所有像 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法,其特征在于,包括以下步骤:获取待检测的烟丝图像;通过预先训练得到的改进Mask
‑
RCNN网络检测模型对所述烟丝图像进行识别与分割;所述改进Mask
‑
RCNN网络检测模型采用DenseNet121和U
‑
FPN网络,并设置RPN提议网络中的锚点优化参数;根据所述改进Mask
‑
RCNN网络检测模型的检测结果,确定所述烟丝图像中烟丝的种类。2.根据权利要求1所述的一种基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法,其特征在于,在所述通过预先训练得到的改进Mask
‑
RCNN网络检测模型对所述烟丝图像进行识别与分割之前,该方法还包括:通过烟丝震动实验获取多种类型的重叠烟丝图像;所述重叠烟丝图像由叶丝、梗丝、膨胀叶丝和再造烟丝的至少任意两种按照不同顺序重叠构成;将所述多种类型的重叠烟丝图像进行opencv算法处理,获得裁剪后的图像;实验图像标注工具对裁剪后的重叠图像进行标签设定,生成对应的蒙版图像作为训练数据集;采用所述训练数据集对改进的Mask
‑
RCNN网络迭代训练,获得改进Mask
‑
RCNN网络检测模型。3.根据权利要求2所述的一种基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法,其特征在于,所述通过预先训练得到的改进Mask
‑
RCNN网络检测模型对所述烟丝图像进行识别与分割,包括:利用所述DenseNet121和U
‑
FPN网络提取所述烟丝图像对应的图像特征;将所述图像特征作为提议网络RPN的输入,生成一系列目标候选框;将所述一系列目标候选框,通过FC和全卷积网络FCN,完成重叠烟丝图像的识别与分割,输出分割图像。4.根据权利要求3所述的一种基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法,其特征在于,利用所述DenseNet121和U
‑
FPN网络提取所述烟丝图像对应的图像特征,包括:利用所述DenseNet121网络中的一个卷积层、四个特征提取层,提取所述烟丝图像的特征信息;并对每个特征提取层所提取到的特征信息进行池化操作,得到四个特征返回值;将所述四个特征返回值分别进行不同的降采样和横向连接,生成四个不同尺度的第一特征图;将所述四个不同尺度的第一特征图,分别对应输入U
‑
FPN网络的四个特征层进行融合,得到所述烟丝图像对应的图像特征。5.根据权利要求4所述的一种基于改进Mask
‑
RCNN网络的重叠烟丝图像分割方法,其特征在于,将所述四个不同尺度的第一特征图,分别对应输入U
【专利技术属性】
技术研发人员:王莉,贾昆明,王涛,陈瑞召,朱雯路,牛阳,牛群峰,
申请(专利权)人:河南工业大学,
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。