一种异物除杂系统及方法技术方案

本发明专利技术公开了一种异物除杂系统及方法，涉及烟草制造技术领域，包括机台端、管理端、业务服务器、算法服务器以及训练服务器；业务服务器与工厂物联网数据连接，同时分别与机台端和管理端数据连接；算法服务器分别与业务服务器和机台端数据连接；训练服务器分别与业务服务器和管理端连接；机台端收集生产运行中的物料图像发送至算法服务器进行识别，算法服务器根据识别结果驱动机台端执行剔除，并上传至业务服务器，形成数据集；训练服务器对算法服务器的识别算法进行训练；管理端用于汇总、查询、浏览所有识别数据，监控机台端运行状态，以及标注异物类别并提交训练服务器进行算法训练。本发明专利技术降低了人工工作强度，提升了产品质量稳定性。性。性。

【技术实现步骤摘要】
一种异物除杂系统及方法


[0001]本专利技术涉及烟草制造
，尤其涉及一种异物除杂系统及方法。

技术介绍

[0002]在我国的烟草制造业中，随着生产技术的不断改进和升级，生产时流水线工程的自动化程度越来越高，对得到的烟草产品的质量要求也越来越高。现阶段，制丝线异物识别剔除，主要是利用叶片段异物除杂设备与叶丝切后人工目测识别完成。但是，叶片段异物剔除设备在处理后仍有异物杂质残留，而切后异物检测只靠人工目测手段剔除，剔除率较低，工作强度过大，易出现主观误差，仍有异物残留至后续加工生产中，成为质量事故的潜在风险。

技术实现思路

[0003]本专利技术旨在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提供了一种异物除杂系统及方法，降低了人工工作强度，提升了产品质量稳定性。
[0004]为了达到上述目的，本专利技术采用如下技术方案：一种异物除杂系统，用于在烟草叶片切丝后剔除混杂于其中的异物，包括机台端、管理端、业务服务器、算法服务器以及训练服务器；所述业务服务器与工厂物联网数据连接，同时分别与所述机台端和所述管理端数据连接；所述算法服务器分别与所述业务服务器和所述机台端数据连接；所述训练服务器分别与所述业务服务器和所述管理端连接；所述机台端实时收集生产运行中的物料图像发送至所述算法服务器进行识别，所述算法服务器根据识别结果驱动所述机台端执行剔除，并将存在异物的物料图像上传至业务服务器，形成数据集；同时所述算法服务器对识别数据进行统计，存储至所述业务服务器；所述训练服务器从所述业务服务器获取数据集，在所述管理端的控制下对算法服务器的识别算法进行训练，完成训练的识别算法发送至所述业务服务器；由所述业务服务器下发至所述算法服务器；所述管理端用于汇总、查询、浏览所有识别数据，监控所述机台端运行状态，以及针对机台段提交的物料图像构成训练集，标注异物类别并提交训练服务器进行算法训练。
[0005]可选的，所述算法服务器储存有异物的特征数据，所述算法服务器识别所述物料图像包括如下步骤：将物料图像进行同等比例缩放；对缩放后的物料图像进行卷积计算
‑
数据标准化处理
‑
激活函数组件处理，输出特征图；对特征图循环至少四次如下步骤：对特征图进行下采样处理，将特征图的长宽缩小一半，再经过CSP网络，随后将CSP的输入和经过CSP处理后的结果进行融合，输出新的特征图；每一次循环经过一层CSP网络；
对特征图循环至少四次如下步骤：对特征图进行下采样处理，将特征图的长宽缩小一半，再经过CSP网络，随后将CSP的输入和经过CSP处理后的结果进行融合，输出新的特征图；每一次循环经过一层CSP网络；完成循环后，对输出的特征图进行SPPNET特征加强提取，而后进行若干次卷积计算
‑
数据标准化处理
‑
激活函数组件处理，作为第三待融合特征层；对第三待融合特征层进行上采样处理后与第二待融合特征层进行融合，融合的结果与第一待融合特征层进行融合，形成第一过程特征层；第一过程特征层经过卷积计算
‑
数据标准化处理
‑
激活函数组件处理，形成第一输出；第一过程特征层经过下采样和卷积后与第三待融合特征层进行融合，再进行上采样处理，处理后与第二待融合特征层进行融合，形成第二过程特征层；第二过程特征层经过卷积计算
‑
数据标准化处理
‑
激活函数组件处理，形成第二输出；第二过程特征层经过下采样和卷积后与第三待融合特征层进行融合，形成第三输出；第一输出、第二输出、第三输出与异物的特征数据进行比较，置信度大于80%为存在异物。
[0006]可选的，第一层CSP网络的长度为1，输出为304*304*128通道的特征图；第二层CSP网络的长度为2，输出为152*152*128通道的特征图；第三层CSP网络的长度为8，输出为76*76*256通道的特征图；第四层CSP网络的长度为8，输出为38*38*512通道的特征图。
[0007]可选的，SPPNET进行特征加强提取时，分别进行卷积核大小为3、5、9的最大池化处理。
[0008]可选的，所述机台端收集的含有异物的物料图像，经过水平翻转、裁剪、HSV色彩变化、高斯模糊后，每四个图像拼接形成一个数据样本，若干数据样本构成包括训练集和测试集的数据集。
[0009]可选的，算法训练的损失函数为：可选的，算法训练的损失函数为：其中，L
CIoU
为损失函数值，IoU为交并比，为权重函数，p为欧氏距离，b为预测框中心点，b
gt
为目标框中心点，c为预测框和目标框最小外界矩阵对角线距离，w
gt
为目标框宽，h
gt
为目标框高，w为预测框宽，h为预测框高。
[0010]可选的，对识别数据进行统计包括：统计不同批次物料宽度变化，统计不同批次物料异物识别状态，统计不同批次物料异物剔除状态。
[0011]可选的，机台端包括剔除执行装置、图像采集装置、报警装置以及主控电脑，所述图像采集装置采集物料图像，所述剔除执行装置在所述算法服务器的驱动下执行剔除动
作，所述主控电脑用于显示异物除杂系统的运行状态，所述报警装置在所述主控电脑的控制下，于识别出物料的异物后进行报警。
[0012]本专利技术所提供的技术方案，采用高度自动化的综合系统替代人工目测手段剔除，降低了工作强度，避免了主观误差的出现，进而规避了出现质量事故的潜在风险。在本专利技术中，对物料图像进行调色、翻转等操作，即可以得到新的物料图像，使得数据集得到有效扩充，保证了异物识别的识别效果会更好。同时得益于数据集样本的多样性，放入训练服务器可以提高识别算法的鲁棒性，降低各方面的外部因素对识别的影响。进而，产品的质量稳定性得到有效提升，各批次的产品均能保证质量的同一性。并且，由于本专利技术采用了Mosaic数据增强，因此相当于训练服务器由一个数据样本进行四次机器学习，有效提升了对于算法识别的训练效率。
[0013]与此同时，本专利技术还提供了一种异物除杂方法，上述任意一项所述的异物除杂系统通过所述异物除杂方法在烟草叶片切丝后剔除混杂于其中的异物，所述异物除杂方法包括如下步骤：获取数据集，所述数据集包括训练集和测试集；利用训练集对卷积神经网络模型进行训练，利用测试集对经过训练的卷积神经网络模型进行检测；利用检测后的卷积神经网络模型对物料图像进行异物识别。
[0014]可选的，卷积神经网络模型对物料图像进行异物识别包括如下步骤：将物料图像进行同等比例缩放；对缩放后的物料图像进行卷积计算
‑
数据标准化处理
‑
激活函数组件处理，输出特征图；对特征图循环至少四次如下步骤：对特征图进行下采样处理，将特征图的长宽缩小一半，再经过CSP网络，随后将CSP的输入和经过CSP处理后的结果进行融合，输出新的特征图；每一次循环经过一层CSP网络；第三层CSP网络的输入和经过第三层CSP网络处理后的结果融合，作为第一待融合特征层；第四本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异物除杂系统，用于在烟草叶片切丝后剔除混杂于其中的异物，其特征在于，所述异物除杂系统包括机台端、管理端、业务服务器、算法服务器以及训练服务器；所述业务服务器与工厂物联网数据连接，同时分别与所述机台端和所述管理端数据连接；所述算法服务器分别与所述业务服务器和所述机台端数据连接；所述训练服务器分别与所述业务服务器和所述管理端连接；所述机台端实时收集生产运行中的物料图像发送至所述算法服务器进行识别，所述算法服务器根据识别结果驱动所述机台端执行剔除，并将存在异物的物料图像上传至业务服务器，形成数据集；同时所述算法服务器对识别数据进行统计，存储至所述业务服务器；所述训练服务器从所述业务服务器获取数据集，在所述管理端的控制下对算法服务器的识别算法进行训练，完成训练的识别算法发送至所述业务服务器；由所述业务服务器下发至所述算法服务器；所述管理端用于汇总、查询、浏览所有识别数据，监控所述机台端运行状态，以及针对机台段提交的物料图像构成训练集，标注异物类别并提交训练服务器进行算法训练。2.根据权利要求1所述的异物除杂系统，其特征在于：所述算法服务器储存有异物的特征数据，所述算法服务器识别所述物料图像包括如下步骤：将物料图像进行同等比例缩放；对缩放后的物料图像进行卷积计算
‑
数据标准化处理
‑
激活函数组件处理，输出特征图；对特征图循环至少四次如下步骤：对特征图进行下采样处理，将特征图的长宽缩小一半，再经过CSP网络，随后将CSP的输入和经过CSP处理后的结果进行融合，输出新的特征图；每一次循环经过一层CSP网络；第三层CSP网络的输入和经过第三层CSP网络处理后的结果融合，作为第一待融合特征层；第四层CSP网络的输入和经过第四层CSP网络处理后的结果融合，作为第二待融合特征层；完成循环后，对输出的特征图进行SPPNET特征加强提取，而后进行若干次卷积计算
‑
数据标准化处理
‑
激活函数组件处理，作为第三待融合特征层；对第三待融合特征层进行上采样处理后与第二待融合特征层进行融合，融合的结果与第一待融合特征层进行融合，形成第一过程特征层；第一过程特征层经过卷积计算
‑
数据标准化处理
‑
激活函数组件处理，形成第一输出；第一过程特征层经过下采样和卷积后与第三待融合特征层进行融合，再进行上采样处理，处理后与第二待融合特征层进行融合，形成第二过程特征层；第二过程特征层经过卷积计算
‑
数据标准化处理
‑
激活函数组件处理，形成第二输出；第二过程特征层经过下采样和卷积后与第三待融合特征层进行融合，形成第三输出；第一输出、第二输出、第三输出与异物的特征数据进行比较，置信度大于80%为存在异物。3.根据权利要求2所述的异物除杂系统，其特征在于：第一层CSP网络的长度为1，输出为304*304*128通道的特征图；第二层CSP网络的长度为2，输出为152*152*128通道的特征图；第三层CSP网络的长度为8，输出为76*76*256通道的特征图；第四层CSP网络的长度为8，输出为38*38*512通道的特征图。
4.根据权利要求2所述的异物除杂系统，其特征在于：SPPNET进行特征加强提取时，分别进行卷积核大小为3、5、9的最大池化处理。5.根据权利要求1至3之一所述的异物除杂系统，其特征在于：所述机台端收集的含有异物的物料图像，经过水平翻转、裁剪、HSV色彩变化、高斯模糊后，每四个图像拼接形成一个数据样本，若干数据样本构成包括训练集和测试集的数据集。6.根据权利要求1至3之一所述的异物除杂系统，其特征在于：算法训练的损失函数为：6.根据权利要求1至3之一所述的异物除杂系统，其特征在于：算法训练的损失函数为：其中，L
CIoU
为损失函数值，IoU为交并比，为权重函数，p为欧氏距离，b为预测框中心点，b
gt
为目标框中心点，c为预测框和目标框最小外界矩阵对角线距离，w
gt
为目标框宽，h
gt...

【专利技术属性】
技术研发人员：鲁展青，许杨，林秀志，
申请(专利权)人：杭州书微信息科技有限公司，
类型：发明
国别省市：